Σε πρόσφατα άρθρα μας στη Ναυτεμπορική αναφερθήκαμε στις επιπτώσεις της Τεχνητής Νοημοσύνης (ΤΝ) στην καθημερινή ζωή αλλά και τα διάφορα επαγγέλματα (βλ. Απο τη Δημοκρατία στην Αλγοριθμοκρατία, 23/10/2017, Τενχητή Νοημοσύνη και Επαγγέλματα, 11/3/2018, Τεχνητή Νοημοσύνη και Εξελίξεις στην Καθημερινότητα, 25/1/2018).
Σε πολλά επαγγελματικά περιοδικά οι συγγραφείς αναρωτιούνται αν τελικά “οι μηχανές” θα κερδίσουν το ανθρώπινο μυαλό. Με την (ΤΝ) εισερχόμεθα σε ένα νέο κόσμο, διότι επωφελούμαστε απο ένα χωρίς προηγούμενο συνδυασμό φαινομένων από νέα δεδομένα (πολυάριθμα) και μια δύναμη υπολογισμού απαραίτητη για να τα επεξεργαστεί (βλ. Άρθρο μας Τα Big Data, Ναυτεμπορική 28/3/ 2019). Οι πρόσφατες πρόοδοι της επιστήμης των μαθηματικών έχουν επιτρέψει τη βελτίωση των αλγορίθμων πάνω στους οποίους στηρίζεται η (ΤΝ). Στο άρθρο αυτό, η αναφορά θα γίνει στις επιχειρησιακές εφαρμογές της (ΤΝ) στο μάνατζμεντ της επιχείρησης και ιδιαίτερα τη διοίκηση, το μάρκετινγκ και τη χρηματοοικονομική.
Διοίκηση – (ΤΝ)
Οι μάνατζερς έχουν την ευθύνη να προβλέπουν καλύτερα αυτή την αλλαγή για τις ομάδες μέσα στην επιχείρηση. Ευαισθητοποιούν στα θέματα της ΤΝ τα στελέχη της επιχείρησης, ξανασκέφτονται την εργασία και κατανέμουν καλύτερα τα πόστα ευθύνης στους συνεργάτες, αναπτύσσουν δεξιότητες, φροντίζουν στο σεβασμό της δεοντολογίας και εξασφαλίζουν πολύ καλές συνθήκες εργασίας.
Στον τομέα της λήψης των αποφάσεων, πολυάριθμοι αλγόριθμοι δημιουργούνται για να προσφέρουν λύσεις σε θέματα πρόβλεψης και συνεισφοράς. Πράγματι, όταν υπάρχουν διαθέσιμα στοιχεία (Big Data), η ΤΝ είναι ικανή να πάρει αποφάσεις που επιτρέπουν την αξιοπιστία της δράσης, βελτιστοποιούν ένα τρόπο λειτουργίας ή ακόμη, εμποδίζουν ένα κακό περιστατικό.
Σαν συμπέρασμα, οι μάνατζερς πρόκειται να εμβαθύνουν τη συμπληρωματικότητά τους με την ΤΝ, να μάθουν να συνεργάονται μαζί της και να αναπτύξουν μια κριτική άποψη. Μέσα απο αυτές τις συνθήκες θα μπορούν να εξελιχθούν θετικά παρά να αντικατασταθούν από αυτή.
Για το λόγο αυτό πρέπει όλο και πιο πολύ να κατευθυνθούν προς τις δραστηριότητες του leader. Αυτό προϊποθέτει μεγάλες αλλαγές στον ορισμό του ρόλου του μάνατζερ. Αρχικά, θα μπορεί να αφήσει μερικές αναλύσεις και αποφάσεις στους αλγορίθμους αλλά, ταυτόχρονα θα πρέπει να αναπτύξει κάθε τι που τον διακρίνει απο την ΤΝ, όπως το στρατηγικό όραμα που του ανήκει καθώς και την προσεκτική ακρόαση και την καλοσύνη σε σχέση με τους συνεργάτες του.
Μάρκετινγκ – (ΤΝ)
Στον τομέα του μάρκετινγκ, η συνεισφορά της ΤΝ δεν είναι ακόμη ξεκάθαρη. Οι παράγοντες του κλάδου δεν γνωρίζουν ακόμη πως η ΤΝ θα τους βοηθήσει να γίνουν αποτελεσματικοί. Μια πρόσφατη έρευνα σε επιχειρήσεις των Η.Π.Α. έδειξε ότι 68% των στελεχών μάρκετινγκ δεν χρησιμοποιούν τεχνικές ΤΝ κάτω απο οποιαδήποτε μορφή. Μια άλλη έρευνα απο την Narrative Science σε μάνατζερς επιχειρήσεων των Η.Π.Α. που έχουν εντρηφύσει σε διαδικασίες συμβατές με την ΤΝ, έδειξε οτι το ποσοστό αποδοχής παραμένει χαμηλό αλλά σε πρόοδο.
Θεωρητικά, η ΤΝ επιτρέπει στα στελέχη μάρκετινγκ να εμβαθύνουν τις συνδέσεις τους με τους καταναλωτές και να προσωποποιήσουν τις επικοινωνίες τους. Τους βοηθά να ερμηνεύσουν τα Big Data, να προσωποποιήσουν τις εμπειρίες τους και να αλληλεπιδράσουν με τους καταναλωτές τους με έξυπνο τρόπο. Τους επιτρέπει να χρησιμοποιούν δεδομένα για να προβλέψουν τις μελλοντικές δράσεις τους και να αυτοματοποιήσουν τη σύνταξη διαφημιστικών κειμένων και την εκτέλεση εκστρατειών προώθησης προϊόντων. Στα πλαίσια της εξατομίκευσης και της αυτοματοποίησης, η υιοθέτηση της ΤΝ βελτιώνει τη συνάφεια και τις επιδόσεις του μάρκετινγκ. Στα ακόλουθα σημεία:
• η ΤΝ βοηθά να καταλάβετε καλύτερα τους καταναλωτές,
•η ΤΝ βοηθά να πλησιάσετε τους δυναμικούς πελάτες την κρίσιμη στιγμή,
•η ΤΝ βοηθά να δημιουργηθούν εμπειρίες προσωπικές σε μεγάλη βαθμίδα,
•η ΤΝ βοηθά να βελτιστοποιηθούν οι επιδόσεις των διαφημιστικών εκστρατειών.
Χρηματοοικονομική – (ΤΝ)
Η χρηματοοικονομική είναι ένας επιστημονικός κλάδος όπου οι “μηχανές” έχουν αντικαταστήσει τους ανθρώπους πάνω απο 50% των χρηματοοικονομικών συναλλαγών. Οι χρηματοοικονομικές αγορές έχουν πραγματικά ενσωματωθεί στα δίκτυα των υπολογιστών. Οι αλγόριθμοι συναλλαγών χρησιμοποιούν αυτή τη νέα δομή της αγοράς για να δημιουργήσουν ρευστότητα στα χρεόγραφα μέσω των ηλεκτρονικών αγορών. Μία έρευνα στις Η.Π.Α. η οποία έγινε από τη Narrative Science και το National Business Institute έδειξε ότι 32% των στελεχών των χρηματοοικονομικών υπηρεσιών χρησιμοποιούν την ΤΝ μέσα στην εξάσκση των εμπορικών δραστηριοτήτων τους.
Στη χρηματοοικονομική των επιχειρήσεων (Corporate Finance), η ΤΝ επιτρέπει ένα μεγάλο κέρδος σε χρόνο μέσα στην ανάλυση μεγάλων δεδομένων και εγγράφων. Διευκολύνει την ανάλυση πελατών-προμηθευτών, του κεφαλαίου κίνησης, του ταμείου και εξεύρεσης του αποτελέσματος. Επίσης, βοηθά στην καλύτερη ανάγνωση των κινδύνων προς αποφυγή της πτώχευσης.
Στη χρηματοοικονομική των αγορών η ΤΝ έφερε τις μεγάλες ανακατατάξεις. Είτε πρόκεται για μεγάλες τράπεζες ή μικρές επιχειρήσεις του trading, οι επενδύσεις σε ΤΝ πολλαπλασιάζονται με γοργό ρυθμό ώστε η ανάλυση των χρηματοοικονομικών Big Data να βελτιστοποιήσουν τις χρηματοοικονομικές αποφάσεις. Πρόσφατα η Goldman Sachs επένδυσε στις τεχνικές machine learning για να μπορέσει να αναλύσει χιλιάδες αναφορές αναλυτών ώστε να εξάγει ένα “σκόρ συναισθήματος” για ένα μεγάλο σύνολο μετοχών, προσανατολίζοντας τις αποφάσεις, διατήρησης ή πώλησης μετοχών. Ακόμη, πέρα απο την αγορά και την πώληση χρεογράφων η ΤΝ ξεκινά να δημιουργεί δικά της χρεόγραφα. Η τεχνολογία IBM Watson χρησιμοποιείται για την ανάλυση περίπου 6.000 αμερικανικών μετοχών, τις οποίες ταξινομεί σε σχέση με την πιθανότητά τους να κερδίσουν σε αξία και διατηρεί τους 30 έως 70 πρώτους τίτλους της ταξινόμησης. Το ενδιαφέρον εδώ εντοπίζεται να εξεταστεί μακροπρόθεσμα εάν αυτά τα “ευφυή” χρηματοοικονομικά πρϊόντα θα επιτύχουν μια καλύτερη αποδοτικότητα.
Σαν συμπέρασμα, η ΤΝ μπορεί να χρακτηριστεί σαν “μηχανή” υποστήριξης της χρηματοοικονομικής σε όλα τα επίπεδα και τις θεωρητικές κατευθύνσεις με στόχο κυρίως τη μείωση των κινδύνων που πηγάζουν από τις χρηματοοικονομικές συναλλαγές.
