자동화는 비즈니스에 매우 중요합니다.

자동화는 여러 부문에 걸쳐 기업에서 크고 지속 가능한 이점을 확보하는 열쇠입니다.

빅데이터는 전략적 자동화 접근 방식 없이는 큰 의미가 없습니다.

한편으로 우리는 장비 성능부터 소비자 소셜 미디어 행동에 이르기까지 모든 것에 대한 전례 없는 양의 데이터를 통해 정보가 풍부해지는 시대에 살고 있습니다(전 세계 시민의 절반 이상이 소셜 미디어를 사용합니다.). 그러나 사용 가능한 데이터를 처리, 처리 및 분석하기 위해 기계와 알고리즘을 사용하는 사려 깊은 자동화가 없으면 비즈니스는 큰 잠재적 기회를 잃게 됩니다.

잘 수행되면 자동화는 "죽은" 빅 데이터를 가치 창출에 사용할 수 있는 살아 숨쉬는 리소스로 변환합니다. 따라서 많은 기업이 다음을 목표로 하는 것은 놀라운 일이 아닙니다. 자동화할 수 있는 것은 무엇이든 자동화하라, 한 Google 최고 경영진이 최근에 말했듯이.

비즈니스 맥락에서 자동화에 대해 생각하는 데 도움이 되도록 이 기술 중심 활동이 가치 창출에 도움이 되는 세 가지 주요 방법을 제시합니다.

자동화를 통해 가장 먼저 할 수 있는 일은 특징 추출, 또는 방대한 양의 데이터 더미에서 중요한 정보를 뽑아내는 것입니다. 귀하의 조직이 특정 기술 및 관련 기술에 대한 정보를 얻기 위해 특허 출원을 검토해야 한다고 상상해 보십시오. 수백만 단어에 대해 각각 30페이지 이상을 실행하는 수천 또는 수만 개의 애플리케이션을 보고 있을 수 있습니다. 그러나 특허 기술이 무엇에 의존하는지, 발명가의 자격 및 과거 특허와 같은 특허 간의 상호 관계와 단어 중 극히 일부만이 중요합니다.

그러면 비즈니스 영역의 많은 작업과 마찬가지로 이 작업에는 매우 작은 신호 대 잡음 비율이 필요하며 수동으로 완료하려면 수천 시간이 필요합니다. 이는 비용과 시간이 너무 많이 소요되는 작업입니다. 그러나 기계 학습 기반 알고리즘은 필요한 핵심 정보를 상대적으로 빠르게 찾아내도록 훈련되어 상당한 시간과 노력을 절약할 수 있습니다. 또한, 미래에는 동일한 특허 또는 관련 특허 세트를 검색하고 싶지만 특허 신청자 팀의 규모와 같은 다른 정보를 검색하고 싶다고 가정해 보겠습니다. 해당 작업을 수행하기 위해 알고리즘을 쉽게 재프로그래밍하거나 재교육함으로써 규모의 경제를 얻고 초기 투자에 대한 더 큰 수익을 얻을 수 있습니다.

둘째, 자동화는 데이터 확인 및 정리. 데이터 세트에는 종종 작업이 필요합니다. 오류와 누락된 값, 이상치, 때로는 편향의 증거가 있습니다. 예를 들어, 알고리즘이 범법자의 특성을 찾아내도록 훈련되었지만 체포된 범죄자에 대한 데이터만 사용하는 경우, 체포되지 않은 범죄자에 대한 데이터가 부족하기 때문에 알고리즘이 편향될 것입니다. 이는 특히 화이트칼라 범죄의 경우 발생하는 경향이 있습니다. 과소보고됩니다. 다시 말하지만, 이렇게 방대한 양의 잠재적인 문제를 확인하고 해결하는 것은 수동으로 수행하기에는 너무 많은 일입니다. 그러나 자동화를 통해 테스트 및 정리를 위한 도구를 신속하게 배포할 수 있으므로 가치를 창출하는 동시에 시간도 절약됩니다.

셋째, 이것은 큰 문제입니다. 자동화는 분석의 원동력. 어제의 단순 회귀 분석은 제품 사용자 이해, 재고 최적화를 위한 다음 달 매출 예측, 새로운 광고 캠페인의 영향 예측 등 머신러닝을 기반으로 하는 오늘날의 클러스터링 및 랜덤 포레스트가 되었습니다. 기계 기반 자동화를 사용하면 표준화된 분석 프로세스를 저렴한 비용으로 정기적으로 반복할 수 있을 뿐만 아니라 인간이 포착할 수 없는 비선형 패턴을 발견할 수도 있습니다.

예를 들어, 우리 연구실에서는 특허 출원 정보를 기반으로 획기적인 미래 기술의 등장을 예측할 수 있는지 알아보기 위해 알고리즘 중심 분석을 사용하여 5만 개가 넘는 특허를 연구했습니다. 우리는 발명품에 독립형 "기적과 같은" 기능이나 아이디어가 있는 경우 기계가 애플리케이션 데이터에서 미래의 히트 특허를 식별할 것이라는 가설을 세웠습니다. 결국 알고리즘은 높은 정확도로 미래의 히트 특허를 찾아냈지만 우리 인간이 상상했던 방식과는 달랐다. 즉, 알고리즘은 독립형 기능을 기반으로 향후 히트 특허를 식별하지 않았습니다. 오히려 히트 특허가 특정 특허의 일부인지 여부에 따라 식별되었습니다. 클러스터 개별 특허가 단독으로 해결할 수 없는 특정 문제를 함께 해결할 수 있는 제휴 특허입니다.

예를 들어, 초음파 기술은 처음 공개된 지 몇 년 후 의료 분야에 큰 영향을 미쳐 신장 결석 및 일부 암과 같은 신체 상태에 대한 비침습적 영상 촬영 및 치료를 가능하게 했습니다. 그러나 초음파 기술과 독립적으로 개발되었지만 의학에서의 성공적인 적용에 중요한 어플리케이터, 정전기 감소 프로세스, 특수 의료용 패드 및 클램프와 같은 핵심 기술 이상의 소규모 발명이 없었다면 이러한 발전은 불가능했을 것입니다. 우리의 자동화된 분석은 건강 제품에서 최신 골프공 기술에 이르기까지 5백만 개가 넘는 특허에서 이러한 관련 특허 클러스터의 존재를 확실하게 인식했으며 이러한 클러스터는 해당 특허가 미래의 지배적인 기술이 될 가능성과 상관 관계가 있음을 확인했습니다. 이전에는 평가되지 않았던 추론.

나의 북서부 동료 앤드류 파파크리토스 유사한 분석을 사용하여 다음을 보여주었습니다. 시카고의 경찰 부패 소수의 "나쁜 사과" 경찰관이 아니라 악의로 행동하는 연결된 경찰 네트워크에서 비롯됩니다. 그의 작업을 통해 이러한 문제를 조기에 감지할 수 있습니다.

자동화의 상호 강화 이점과 자동화가 데이터를 지속 가능한 대규모 가치로 변환하는 데 어떻게 도움이 되는지 명확하게 설명했기를 바랍니다. 실제로 데이터가 많을수록 자동화가 더 많이 필요합니다. 강력한 자동화 기능을 갖추면 훨씬 더 많은 데이터를 수집하고 활용할 수 있으며 이러한 주기는 계속됩니다.

결론: 자동화는 점점 더 중요해지는 기능이며 비즈니스의 단기 및 장기 성과에 중추적인 역할을 할 수 있습니다. 그러나 회사와 회사가 운영되는 광범위한 커뮤니티의 이익을 위해 그것이 어떻게 가치를 창출하는지 이해하고 실질적인 단점을 완화하기 위한 조치를 취하는 것이 중요합니다.

이 기사의 두 번째 부분에서는 설명 가능성, 투명성, 비용이라는 자동화의 세 가지 주요 단점과 이를 해결하는 방법에 대해 논의하겠습니다.