Gay Sutton a múlt hónapban cikket írt az Eureka magazinba, amelyben a big data, a mesterséges intelligencia és a gépi tanulás körüli felhajtás és feltételezések mögé nézett, hogy kiderítse, hogyan lehet a folyamatosan áramló online adatok hatalmas tömegét költséghatékonyan a logisztika és az ellátásilánc-menedzsment fejlesztésére fordítani. Íme, mit talált.
Az emberi élet szinte minden területére kiterjedő digitalizáció elsöprő adatáradatot hozott létre. Az értékesítési pontokon (POS) keletkező adatokat már sok éve használják az előrejelzések javítására, valamint a logisztika és az ellátási lánc optimalizálására. Ma már hatalmas mennyiségű adat keletkezik az online böngészési és vásárlási szokásokból, valamint strukturálatlan forrásokból is, például kamera- és megfigyelőfelvételekből, közösségi médiából és így tovább. Korábban ennek a nyomasztóan nagy és megszakítás nélküli adatfolyamnak az elemzése szinte leküzdhetetlen kihívás lett volna – ma már nem az.
Gay Andrew Fowkesszal, a SAS elemzőcég kiskereskedelmi kiválósági központjának vezetőjével beszélgetett, aki elmondta, hogy az elmúlt években óriási fejlődés ment végbe a számítási teljesítményben, így ma már hatalmas adatmennyiségeket tudunk költséghatékonyabban, értelmesebben és sokkal gyorsabban feldolgozni. Ráadásul mindez a felhőben, a vállalat igényeihez igazított szinten végezhető el, így a helyszíni adattárolásba és számítási kapacitásba történő hatalmas beruházások egyre inkább szükségtelenné válnak. A technológia érésével a csúcsminőségű adatelemzés a vállalatok számára mérettől és ágazattól függetlenül elérhetővé válhat.
A kiskereskedelem kiváló példa arra, hol érhetők el már most javulások. Itt nemcsak az idősoros (időrendi) POS-forrásokat használják, hanem további adatokat is, például időjárási eseményeket, böngészési forgalmat, a versenytársak tevékenységét, a termékjellemzőket és a helyszínt. Ezek nagy része szöveges. Alkalmazhatóságuk idővel változhat, és a piacon zajló egyéb körülmények, például akciók és divatirányzatok is befolyásolhatják őket. Hogyan képes tehát a mai adatelemzés ezeket a nehezen kezelhető változókat kombinálni és értelmesen feldolgozni?
Andrew szerint sokkal pontosabb keresleti előrejelzést kapnak, ha gépi tanulási modellt használnak, vagy több termékre kiterjedő gépi tanulási modellt kombinálnak idősoros megközelítéssel. Azáltal, hogy a vásárlók által a böngészési és vásárlási előzményeikről online hagyott nyomokat használják, többé nem kell feltételezésekre hagyatkozniuk a vásárlási szokásokat illetően. A gép közel valós időben kapja az adatokat, és ezt a folyamatos adatfolyamot, valamint egyéb jellemzőket felhasználva állapítja meg, mi történik és miért. Ennek eredménye a pontosabb előrejelzés, amely az egész ellátási láncban hasznosítható: minden szakaszt javít, és jobb készlet- és teljesítésoptimalizáláshoz vezet. A gépi tanulás egyik legfontosabb jellemzője… a tanulás. Üzembe helyezés után a gépek folyamatosan önállóan tanulnak és fejlődnek – mind a különböző adatelemek hatására, mind emberi beavatkozás nyomán, például ha valaki felülbírál egy előrejelzést. Andrew megjegyzése szerint más szóval „önkorrigálnak”.
Ez a szép új világ gyorsan fejlődik, és számos fejlesztés van folyamatban. A gépi látást már most is működés közben láthatjuk. Ez gépi tanulással automatikusan felismeri és elemzi a digitális képeket, majd ezek alapján dönt. Még izgalmasabb az a koncepció, hogy a közösségi médiát elemezve megismerhetők a vásárlók változó ízlése és a trendek, majd ezek beépíthetők a keresleti előrejelzésbe. Az így kapott adatok felbecsülhetetlen értékűek a pontos előrejelzéshez, és más alkalmazásokba is betáplálhatók. Andrew megjegyzi, hogy mára túljutottunk a mesterséges intelligencia körüli felhajtáson, és a gépi tanulás egészen gyakorlatias. Ahogy pedig a gépek tanulnak, egyre izgalmasabb képességek jelennek meg.
Ez tehát érdekes időszak e technológia fejlődésében, de Andrew azt is megjegyzi, hogy hamarosan természetes lesz, hogy minden rendelkezésre álló adatot felhasználunk. Ahelyett, hogy a big datát nyers formájában értékelnék, majd biztonságosan tárolnák későbbi felhasználásra, egyre több szervezet hagyja majd egyszerűen áramlani az adatokat, hogy a gépi tanulási algoritmusok szinte valós időben értékeljék azokat, sokkal pontosabb és azonnali eredményt adva. Andrew úgy véli, hogy a gépek eleve előttünk fognak járni, és a jövőben eljutunk oda, hogy a terméket még azelőtt elküldik a vásárlónak, hogy megrendelte volna.
Ez egy rövidített cikk az Eureka magazinból, a szakembereknek szóló anyagmozgatási magazinból. A teljes cikk és az Andrew Fowkesszal készült interjú elolvasásához, valamint a big datáról szóló további információkért látogasson el ide: https://eurekapub.eu/technology/2020/03/11/life-in-a-digital-world (angolul)
