Когнитивная аналитика: понятное и простое руководство

Каждый день мир генерирует более 402 миллионов терабайт данных. Общий объём производимых, захватываемых и потребляемых данных по всему миру быстро растёт и к 2030 году ожидается превысит 612 миллиардов терабайт.

Эти данные приходят отовсюду: записи транзакций покупок, GPS-сигналы смартфонов, сенсоры для сбора климатической информации, контент в соцсетях, изображения и видео со спутников и многое другое.

Чтобы понять эти данные и обнаружить скрытые закономерности и инсайты, важно анализировать их эффективно. Сегодня почти все компании используют аналитику данных для сокращения расходов, принятия обоснованных решений, разработки и маркетинга новых продуктов и услуг, и выявления новых возможностей.

За годы аналитика данных эволюционировала от Дескриптивной (что произошло в прошлом) к Диагностической (почему это произошло) к Предиктивной (что скорее всего произойдёт в будущем) к Прескриптивной (что можно сделать, чтобы повлиять на будущие результаты).

Следующий крупный парадигмальный сдвиг, скорее всего, будет направлен к Когнитивной Аналитике, которая будет использовать мощь высокопроизводительных процессоров и алгоритмов Искусственного Интеллекта для раскрытия сложных паттернов, скрытых в огромных объёмах данных.

Ниже вы узнаете, почему Когнитивная Аналитика важна, как она работает, какие будущие применения и размер рынка, и какие компании активно инвестируют в инструменты когнитивной аналитики. Начнём с базового вопроса.

Что именно такое Когнитивная Аналитика?

Когнитивная Аналитика — это умная технология, охватывающая различные аналитические методы для исследования структурированных и неструктурированных данных. Она может просматривать сложные датасеты и находить ответы, имеющие смысл для поставленных вопросов.

Представьте когнитивную аналитику как систему с человекообразным интеллектом. Вместо простого сканирования данных она понимает контекст, интерпретирует тон предложения и распознаёт конкретные объекты на изображениях или видео.

Когнитивная Аналитика часто использует искусственный интеллект, машинное обучение, нейронные сети и семантику для раскрытия сложных паттернов и инсайтов (которые конвенциональная аналитика не может). Она улучшает себя со временем, непрерывно обучаясь на данных и взаимодействиях человек-машина. Это означает: чем больше данных вы подаёте, тем умнее становится аналитика.

Большинство компаний используют когнитивную аналитику для отслеживания паттернов поведения клиентов и выявления потенциальных возможностей. Так они могут оценивать будущие исходы и принимать данные-ориентированные решения для повышения эффективности.

Некоторые части когнитивной аналитики перекрываются с предиктивной аналитикой. Эти области в основном связаны с использованием бизнес-интеллект данных для прогнозирования будущих событий и трендов.

Примечание: Cognitive Analytics также является названием частной фирмы, а также товарным знаком для бизнес-услуг. Хотя рыночные аналитики обычно используют этот термин в контексте больших данных и бизнес-интеллекта.

Как это работает?

Когнитивная аналитика — это data-forward подход, начинающийся и заканчивающийся тем, что внутри данных. Она использует передовые техники, обрабатывающие все данные (все типы и любого масштаба) для раскрытия беспрецедентных и неожиданных инсайтов. Пока системы когнитивной аналитики могут использовать различные алгоритмы для извлечения действенных инсайтов, их фундаментальная архитектура остаётся той же, и все они следуют базовой последовательности процедур:

1. Поиск и сбор данных

Она ищет во всей «базе знаний», чтобы выявить данные в реальном времени. Эти данные могут поступать прямо от сенсоров, IoT-устройств, роботов и оборудования. Затем они организуются и интегрируются с существующими или историческими данными за прошлые кварталы.

Некоторые системы когнитивной аналитики показывают данные через интуитивные дашборды, интерфейсы пользователя оборудования и другие представления. Понятный инструмент визуализации данных может существенно сократить время, необходимое для поиска общих паттернов и проведения ремонтов.

2. Анализ данных

Следующий шаг — тщательный анализ текста, аудио и видео для понимания естественного языка и человеческих взаимодействий. Для этого когнитивная аналитика объединяет техники искусственного интеллекта, машинного обучения, нейронных сетей и семантики.

Она в первую очередь опирается на Глубокие Нейронные Сети (Deep Learning Neural Network), подмножество машинного обучения. Нейронная сеть имитирует работу человеческого мозга. Она состоит из нескольких слоёв (входной, выходной и скрытые слои между ними), соединённых узлами, формирующими «сеть».

Эти взаимосвязанные узлы функционируют подобно нейронам человеческого мозга. Они читают все входящие данные и распознают сложные паттерны с помощью алгоритмов. Сеть может кластеризовать и классифицировать сырые данные, находить корреляции и непрерывно учиться и улучшаться со временем.

3. Генерация и оценка доказательства-ориентированной гипотезы

Выявленные паттерны и инсайты затем оцениваются на предмет того, являются ли они доказательства-ориентированными гипотезами. Если есть конкретные доказательства в поддержку гипотезы, система оценивает её для определения потенциальной ценности. Это помогает в выявлении возможных будущих угроз и возможностей для улучшения.

4. Адаптация и обучение от выборов и ответов пользователей

Поскольку когнитивная аналитика использует искусственный интеллект, она может адаптировать своё поведение согласно взаимодействиям пользователей. Например, если кто-то постоянно ищёт определённый тип информации, система постепенно научится предоставлять похожую информацию без затраты больших вычислительных ресурсов.

Преимущества

Когнитивная аналитика применяется в предприятиях и организациях для преодоления разрыва между огромными объёмами данных и необходимостью принимать лучшие решения. Детальные инсайты в бизнес помогают компаниям улучшать продукты, предоставлять более персонализированные услуги клиентам и видеть, как выполняются их конкуренты.

Для крупных компаний когнитивная аналитика доказала высокую эффективность в трёх областях:

1. Вовлечение клиентов (Customer Engagement)

Неуловимое 360-градусное представление поведения клиентов позволяет компаниям создавать бесшовный, беспрепятственный клиентский опыт. Также это позволяет развивать более глубокое понимание покупательских предпочтений пользователей, предвосхищать их потребности и обеспечивать лучшую сегментацию пользователей.

2. Продуктивность и Эффективность

Приоритизация и быстрее разрешение проблем, использование критически важной информации из разговоров пользователей, автоматизация действий для частых запросов, сокращение расходов на менее важные ресурсы, и расширение возможностей членов команды для быстрой и динамичной реакции. И поскольку когнитивная аналитика объединяет прошлую информацию с текущими данными для непрерывного улучшения результатов, вы можете быстро адаптироваться к внешним изменениям и рыночным трендам.

3. Бизнес-рост

Когнитивная аналитика позволяет предприятиям расширять бизнес на новые рынки, находить новые возможности в конкретных локациях, добывать неиспользованные источники данных и инновировать новые продукты и услуги. Это также облегчает аналитикам и рыночным исследователям раскрытие ценности больших данных и решение проблем на их бизнес-площадках.

Раннее принятие

За последнее десятилетие несколько технологических гигантов и стартапов инвестировали сотни миллионов в растущую область когнитивных технологий. Google, Microsoft, IBM, Amazon, Cisco, HPE, SparkCognition и DataRobot — среди главных вкладчиков.

Согласно исследованию, проведённому IBM, ранние принявшие уже увидели позитивные результаты от своих когнитивных инициатив — от лучшего вовлечения клиентов до инноваций продуктов и бизнес-роста.

Эти ранние принявшие используют различные когнитивные способности, от машинного обучения и обработки естественного языка до извлечения ценностей из разных источников данных, как структурированных, так и неструктурированных. Некоторые компании разрабатывают собственные платформы, другие используют API для развёртывания когнитивной технологии в своих системах.

IBM исследовала более 600 ранних принявших, применивших когнитивные технологии. Их отчёт показывает, что когнитивные способности играют важную роль в росте компании. Около 65% ранних принявших считают когнитивную технологию критичной для своей бизнес-стратегии и успеха, в то время как 58% говорят, что это неотъемлемая часть цифровой трансформации их компании.

Новая эра аналитики

По мере перехода в мир, где почти всё соединено, бизнесы будут всё больше полагаться на когнитивную аналитику и связанные инструменты для роста и адаптации к меняющимся потребностям клиентов.

Более конкретно, когнитивные инструменты могут помочь компаниям по-настоящему понять паттерны поведения клиентов, выявить корневые причины недовольства клиентов и найти инновационные способы улучшения клиентского опыта. Когнитивная аналитика также может отлично подойти для оптимизации операционных затрат, увеличения удержания клиентов и значительного сокращения времени разрешения инцидентов.

Реальные примеры когнитивной аналитики

Когнитивная аналитика теперь используется почти в каждой отрасли для выявления паттернов, потенциальных угроз и возможностей улучшения. Например,

Банковская сфера и Финансы

Когнитивные вычисления могут радикально изменить банковский и финансовый сектор. В отличие от конвенциональных систем, моделирующих поведение клиентов на основе прошлых действий и относящихся ко всем клиентам одинаково, когнитивные системы делают более точные и своевременные анализы отдельных лиц на основе их возраста, дохода и транзакций.

Когнитивная аналитика может помочь банкам кастомизировать продукты и услуги для каждого клиента, интеллектуально таргетировать высокодоходных индивидов, предлагать лучшие инвестиционные планы и применять профильные знания для быстрого решения проблем.

Всё в allem, этот الناشлющий вычислительный парадигму можно применить в трёх областях:

Клиентский сервис: Поскольку когнитивная система понимает проблему, она может предоставлять точные решения без перенаправления клиентов в разные отделы, экономя время всех.
Принятие решений и консультирование: Может улучшить процесс андеррайтинг кредитов, требующий более глубокого понимания бизнеса для принятия данных-ориентированных решений.
Инвестиционное консультирование: Когнитивные системы позволяют банкам и небанковским финансовым секторам быстро просматривать инвестиционные источники для исследования последних рыночных трендов, оценки рисков и предоставления актуальных советов клиентам.

Кибербезопасность

Искусственный интеллект и глубокие нейронные сети делают проще для когнитивных систем непрерывно извлекать данные из различных источников и приобретать знания через передовые аналитики. Нейронная сеть улучшает себя с каждой итерацией, позволяя системе учиться предсказывать угрозы и создавать проактивные решения.

С растущими кибератаками и дефицитом квалифицированных специалистов по кибербезопасности, инструмент вроде когнитивной аналитики работает чудесно. Он может обрабатывать и анализировать массивные объёмы структурированных и неструктурированных данных (для выявления различных типов угроз и рисков), что было бы практически невозможно для традиционной аналитической системы.

Здравоохранение

Медицинская информация (такая как рентгеновские снимки, результаты анализов, патологические отчёты, электронные медицинские записи, клинические исследования и другое) трудна для анализа и обмена, потому что она фрагментирована. Именно здесь когнитивные системы пригодятся. Они могут умно и быстро разбирать разные типы информации, помогая медицинским работникам.

Инсайты, предлагаемые когнитивной аналитикой, делают проще для провайдеров здравоохранения понимать здоровье индивидуальных пациентов, принимать обоснованные решения и предоставлять более персонализированную заботу.

Сегодня когнитивные вычисления используются во множестве онкологических центров по всему миру. Например, в MD Anderson Cancer Center и Memorial Sloan Kettering Cancer Center когнитивная аналитика помогает врачам анализировать петабайты медицинских данных (включая клинические исследования, результаты испытаний и гайдлайны лучших практик) для поддержки диагноза и решений о лечении.

Энергетика

Нефтегазовая отрасль постоянно сталкивается с вызовами в локализации, переработке и распределении нефти и её продуктов. С помощью когнитивной аналитики инженеры и технические эксперты могут принимать важные решения: где искать нефть, как распределять ресурсы, какие продукты приоритизировать и как улучшить эффективность существующих объектов.

Когнитивные платформы уже используются многими коммунальными компаниями в США, включая Mega Energy, Arizona Public Service Electric, Gexa Energy, Portland General Electric и Avangrid. Эти системы предоставляют несколько преимуществ, от прогнозирования нагрузки до сопоставления тарифных структур с индивидуальными моделями затрат.

Логистика и Ритейл

Когнитивная аналитика полезна на каждой стадии Логистики и Цепочки поставок, от управления складом и автоматизации до упаковки и паллетизации. Она анализирует данные как из внутренних (инвентарь, точки продаж), так и внешних (рыночные тренды, погода) экосистем. Цель — улучшить эффективность цепочки поставок, минимизировать затраты и предоставлять ценные инсайты бизнесу, чтобы они могли быстро реагировать на динамично меняющиеся сценарии.

Когнитивная аналитика также играет ключевую роль в ритейле. Её можно интегрировать с e-commerce платформами для извлечения данных о клиентах и их покупательском поведении. Для офлайн-магазинов когнитивные системы могут помочь ритейлерам оптимизировать запасы и предлагать более персонализированные продукты по привлекательным ценам.

Образование и Обучение

Когнитивные вычисления могут давать лучшие результаты для студентов и педагогов. Они могут выявлять недоброе выполнение школ и учителей, предсказывать успеваемость студентов в конкретных дисциплинах и предоставлять персонализированные учебные материалы.

В 2003 году публичные школы округа Майами-Дейд во Флориде внедрили ПО Cognitive Tutor для предоставления обратной связи студентам в процессе решения задач. Было установлено, что это ПО значительно эффективнее конвенционального учебного плана в одиночестве.

Известные инструменты когнитивной аналитики

Теперь, когда вы знаете реальные применения когнитивной аналитики, давайте исследуем разные виды когнитивных инструментов, используемых в различных областях.

1. OpenSMILE

OpenSMILE (Open-source Speech and Music Interpretation by Large-space Extraction) автоматически извлекает признаки из аудиосигналов и классифицирует речевые и музыкальные сигналы. Он широко используется для распознавания речи, распознавания эмоций, идентификации говорящего, детекции аккордов и отслеживания бита. Также может детектировать состояния говорящего, такие как опьянение, депрессия или вокальные патологические расстройства.

Поскольку программа в основном написана на C++, она плавно работает на всех платформах, включая встраиваемые: macOS, iOS, Windows, Android, Linux и Raspberry Pi.

2. IBM Watson

IBM Watson использует более 100 различных техник для анализа естественного языка, поиска релевантных источников, генерации гипотез, оценки доказательств и ранжирования лучших возможных ответов. По сути, он применяет передовые NLP, рассуждение, представление знаний и алгоритмы машинного обучения к области открытого вопросно-ответного поиска.

С Watson бизнес получает доступ к полному портфолио ИИ-возможностей — будь то инструменты для обнаружения الناشлющих трендов или разработка приложений для клиентов. Это экономит время и автоматизирует больше процессов, позволяя сотрудникам фокусироваться на росте и новых возможностях.

3. NuPIC

NuPIC (Numenta Platform for Intelligent Computing) — открытая ИИ-платформа, реализующая алгоритмы обучения HTM (Hierarchical Temporal Memory). Она подходит для широкого круга задач, особенно детектирования аномалий и предсказания стриминговых источников данных.

4. Iris от Apixio

США ежегодно производят более 1,3 млрд клинических документов; около 80% этих данных неструктурированы и труднодоступны. Вот где Iris пригождается. Это когнитивная вычислительная платформа, извлекающая ценные инсайты из огромных объёмов клинических данных и другой информации в системе здравоохранения.

Аналитический движок Iris использует технологии машинного обучения и NLP для генерации профилей пациентов и оценки рисков. Она может группировать похожих пациентов и случаи для предоставления доказательства-ориентированных пациентских данных. И поскольку данные меняются со временем, платформа непрерывно мониторит информацию пациентов, сообщая медицинским работникам, что работает, а что нет.

5. Aila от Enterra Solutions

Aila сочетает передовые математику и ИИ для рассуждения и решения задач подобно человеку. Она может анализировать внутренние и внешние данные компании, делать выводы и производить ценные инсайты по запросу. В отличие от традиционной бизнес-аналитики, Aila может справляться с высокообъёмным, мультивариативным миром Big Data.

Она может отвечать на некоторые из самых коварных вопросов —

Есть ли возможности сместить расходы в следующем году в рамках рыночных сегментов для улучшения ROI?
Есть ли у наших клиентов цели уровня сервиса под риском? Если да, как я могу смягчить этот риск?

6. Ignio Cheetah от TCS

Ignio Cheetah — когнитивный набор автоматизации для IT-операций и управления нагрузкой. Он может мгновенно детектировать и предсказывать аномальные IT-состояния, требующие внимания, снижать ложные тревоги, собирать похожие или коррелирующие события и приоритизировать алерты по бизнес-влиянию. И поскольку система учится на собственном опыте, она становится лучше со временем.

Ignio уже используется многими крупными корпорациями, включая Fortune 500 и Global 2000 компании, которые являются инноваторами и лидерами в своих областях. Платформа автономно управляет более 1,5 млн технологических ресурсов для 50+ клиентов.

7. Cortex Certifai

Cortex Certifai обеспечивает, что модели машинного обучения свободны от алгоритмических предвзятостей для снижения искажённых решений и рассуждений. Она генерирует композитный траст-скоре, называемый AI Trust Index, измеряющий автоматизированные модели по качеству данных, производительности, робастности, справедливости, объяснимости и соответствию.

Этот Trust Index помогает бизнесу оценивать компромиссы и обычный конфликт между производительностью и риском. Стейкхолдеры могут копать в каждый параметр оценки для поиска потенциальных улучшений. Применимо к любой black-box модели, включая статистические, предиктивные и ML-модели.

8. SparkCognition EPP

SparkCognition EPP использует проприетарные ИИ и ML алгоритмы для предотвращения никогда ранее не виданных кибератак, срывающих бизнес-операции, и идентификации фишинговых угроз из PDF, документов и direct-to-memory PowerShell атак. Её лёгкий когнитивный агент учит типичные поведенческие паттерны всех эндпоинтов в компании и алертит команду безопасности о потенциальных атаках.

Система хорошо интегрируется в существующую архитектуру безопасности, обеспечивая бесшовные операции в фоне для до 100 000 управляемых эндпоинтов на macOS, Linux или Windows. Доказано, что она превосходит конвенциональных и next-gen провайдеров защиты эндпоинтов.

Недавние исследования

Когнитивные вычисления привлекли много дата-сайентистов и исследователей за последнее десятилетие. Недавние исследования включают:

Детекция психофизиологических параметров для когнитивно-эмоционального конфликта

Российские исследователи разработали платформу для удалённой диагностики параметров (используя инструменты видеосвязи вроде Skype), которые могут объективно показать наличие когнитивно-эмоционального конфликта во время диалога. Платформа использует нейронные сети для автоматической разметки эмоциональных реакций людей в видеоданных.

Вычислительная когнитивная модель ACT-R

Хотя способность к ментальной ротации является критическим навыком пространственного рассуждения в человеческой когниции, очень мало известно о том, как она работает при видеоиграх. Итальянские исследователи смоделировали ментальную ротацию (через когнитивную модель на базе ACT-R) для анализа того, используется ли такая способность в игре Tetris™. Результаты показывают значительные инсайты в активации ментальной ротации во время игровой динамики.

Когнитивная аналитика для детектирования аномалий

Ученые Центра исследований и технологий Hellas, одного из крупнейших исследовательских центров в Греции, разработали платформу когнитивной аналитики, способную обрабатывать, анализировать и эксплуатировать ресурсные машинные данные для поддержки растущих требований мануфактуринговой отрасли. Она способна мониторить сложные аномалии и обрабатывать непредвиденные условия. Плюс, её пользовательский интерфейс использует передовые техники визуализации для эффективного представления информации.

Какое будущее у Когнитивной Аналитики?

Согласно отчёту Research and Markets, размер рынка когнитивной аналитики достигнет 40,8 млрд долларов к 2030 году, растущий с составным ежегодным темпом (CAGR) 38%.

Китай ожидается, достигнет размера рынка 6 млрд долларов к 2030 году. Другие важные рынки включают Японию, Канаду и Германию, прогнозируемые к росту 33%, 32% и 25% соответственно в прогнозный период.

Основные драйверы роста рынка включают принятие технологий больших данных и облачных вычислений, а также внедрение передовых аналитических техник, стимулирующих спрос на эффективные решения когнитивной аналитики.

Читайте: Искусственный Интеллект vs Машинное Обучение vs Глубокое Обучение | Разница

Часто задаваемые вопросы

Сколько типов аналитики существует?

Современная аналитика данных может быть разделена на пять категорий:

Дескриптивная аналитика: простейшая форма, описывающая что произошло и что происходит сейчас.
Диагностическая аналитика: делает шаг вперёд, отвечая почему это произошло. Сравнивает сосуществующие тренды и определяет отношения между переменными где возможно.
Предиктивная аналитика: прогнозирует будущие тренды, отвечая что может произойти в ближайшем будущем. Анализирует прошлое и текущие данные для предсказаний.
Прескриптивная аналитика: учитывает различные факторы и предлагает действенные выводы. Помогает пользователям принимать данные-ориентированные решения.
Когнитивная аналитика: объединяет силу статистики, ИИ и машинного обучения для обработки массивных объёмов данных и понимания контекста. Представляет новые возможности для добычи неиспользованных источников данных, обнаружения сложных паттернов и предоставления персонализированных услуг.

Почему рыночные аналитики используют когнитивную аналитику?

По мере того как всё больше устройств генерируют данные каждую секунду, становится всё сложнее собирать, обрабатывать и анализировать всю информацию, хранящуюся на серверах и за их пределами.

Когнитивная аналитика решает эти вызовы: Она использует передовые статистические и ИИ-модели для выявления скрытых паттернов в огромных объёмах разнородных данных. В отличие от конвенциональной аналитики, извлекающей информацию из структурированных данных в конкретных доменах, когнитивная аналитика принимает более широкий и гибкий подход к открытию данных. Она работает похоже на человека для интерпретации данных, понимания их контекста и раскрытия паттернов и трендов.

В чём разница между Когнитивными Вычислениями и ИИ?

Искусственный Интеллект состоит из алгоритмов, обученных производить точные результаты. Эти алгоритмы учатся на непрерывно меняющихся данных и методах самокоррекции для принятия умных решений.

Когнитивные вычисления имитируют человеческое мышление и адаптируются к человеческому рассуждению. Они стремятся решать сложные проблемы способом, похожим на то, как люди к ним подходят. В отличие от этого, ИИ-модели фокусируются на поиске новых и возможно более эффективных способов решения проблем, иногда даже превосходя человеческие методы.