כיצד לבנות ולפרוס מודלים טבלאיים של בינה מלאכותית על נתוני ארגון

בינה מלאכותית טבלאית שונה מלמידת מכונה (ML) מסורתית בכך שהיא מיישמת ידע שנלמד מנתונים מובנים למשימות חיזוי חדשות. במקום לבנות, לאמן ולתחזק מודל נפרד לכל מקרה שימוש, ארגונים יכולים להשתמש במודלים טבלאיים (TFM) שאומנו מראש לזיהוי דפוסים בנתונים מובנים.

מודלים של בסיס טבלאי מנתחים את הקשרים בין שורות, עמודות וערכים כדי ליצור תחזיות עם פחות מאמץ פיתוח מודל ממה שדרוש מגישות מסורתיות. זה עוזר לארגונים להפחית את המורכבות ולהאיץ את יישום הבינה המלאכותית ברחבי הארגון.

הבנת ההבדלים בין מודלים של שפה גדולה, מודלים של בסיס טבלאי ומודלים מסורתיים של למידת מכונה יכולה לעזור לצוותים לבחור את הגישה הנכונה כשהם מעבירים יוזמות בינה מלאכותית מניסויים לייצור.

בינה מלאכותית צרה באיכות גבוהה או מודל מותאם אישית לבדם אינם הופכים יוזמה של בינה מלאכותית ניבויית למוצלחת. כדי ליצור ערך עסקי, ארגונים חייבים ליישם תחזיות באופן אופרטיבי: לחבר אותן להקשר העסקי הנוכחי, להפוך אותן למובנות וניתנות לניהול, ולספק אותן בתוך היישומים וזרימות העבודה שבהן מתקבלות החלטות.

כאשר תחזיות מתחילות להשפיע על החלטות, צוותים צריכים לדעת אילו נתונים השפיעו על התוצאה, אילו גורמים השפיעו עליה, והאם התחזית נשארת אמינה ככל שתנאי העסק משתנים. הם גם זקוקים לדרך עקבית לניטור, ניהול ופיקוח על מודלים חיזויים בכל מקרי שימוש.

כאשר תחזיות מבודדות בכלי נפרד, ערכן מוגבל. ארגונים מממשים את ההשפעה הגדולה ביותר כאשר תובנות ניבוייות מוטמעות בתהליכים עסקיים כדי ליידע החלטות, לעזור לאנשים ולסוכני בינה מלאכותית לתעדף עבודה, לזהות סיכונים ולנקוט פעולה בזמן.

רוב מודלי הבינה המלאכותית הבנויים על נתונים מובנים לעולם לא מגיעים לייצור, משום שההצלחה תלויה ביותר מאשר במודל עצמו. ברגע שתחזית מתחילה להשפיע על החלטות עסקיות, אנשים צריכים להבין מדוע היא נעשתה והאם היא נשארת אמינה לאורך זמן. התחזית חייבת להופיע גם במקום שבו מתקבלות החלטות ולא להישאר מבודדת בכלי נפרד.

כאן ארגונים רבים מגלים שאיכות המודל לבדה אינה קובעת הצלחה. תחזית יוצרת ערך רק כאשר היא משפיעה על קבלת החלטה. הקשר עסקי עוזר לחבר את התחזית למצב הנוכחי, בעוד שממשל עסקי עוזר לאנשים להבין כיצד יש להשתמש בתחזית.

תוצאות מוקדמות יכולות לעתים קרובות ליצור את הרושם שהקנה מידה יהיה פשוט. מודל חיזוי מספק ערך בתחום אחד של העסק, ובקרוב צוותים אחרים ירצו יכולות דומות עבור התהליכים וההחלטות שלהם. ללא גישה עקבית, יוזמות בינה מלאכותית בודדות עלולות להתרבות ולהפוך לנוף מקוטע של מודלים, כלים ותהליכים.

האתגר כבר אינו האם מודל יכול לייצר ניבוי שימושי. השאלה היא האם הארגון יכול לספק שוב ושוב תחזיות מהימנות על פני מקרי שימוש שונים, לשמור אותן מחוברות לתנאי עסק משתנים, ולהעביר אותן לידי אנשים וסוכני בינה מלאכותית בנקודת קבלת ההחלטות, תוך שמירה על ניהול מודלים, חיזויים וזרימת עבודה.

מכשולים נפוצים לאימוץ בינה מלאכותית טבלאית ברמת הארגון כוללים:

מודל אחד לכל מקרה שימוש
ככל שהביקוש גדל, צוותים בונים, מאמנים, פורסים ומתחזקים מודלים אינדיבידואליים יותר. המאמץ במחזור החיים, התשתית והמיומנויות הייעודיות הנובעות מכך יכולים להפוך את הבינה המלאכותית החזויה ליקרה וקשה להרחבה.

חסר הקשר עסקי
מודל עשוי לזהות דפוסים מסוימים בטבלה, אך החלטות אמינות תלויות בתנאי התפעול הנוכחיים, בקשרים בין נתוני עסקים ובמשמעות התהליך הבסיסי.

תחזיות שלא ניתן להסבירן
כאשר הארגון אינו מבין כיצד נוצרה תחזית ואילו גורמים השפיעו על התפוקה, האימוץ מואט, קשה לבנות אמון ומאמץ הביקורת גובר.

כלים ותהליכי מחזור חיים מנותקים
כאשר הדרכה, פריסה, ניטור, ממשל ומסירה מתרחשים בסביבות נפרדות, צוותים מתמודדים עם יותר עבודת אינטגרציה ופחות שליטה עקבית על מחזור חיי החיזוי.

תוצאות שלעולם לא מגיעות להחלטה
לתחזית יש ערך מוגבל כאשר היא נשארת בלוח מחוונים או בכלי נפרד. ערכו עולה כאשר הוא מוטמע ביישומים, בזרימות עבודה ובחוויות הסוכנים, שבהן אנשים יכולים לפעול לפיו.

כדי להרחיב את הבינה המלאכותית הארגונית, ארגונים זקוקים לגישה חוזרת ונשנית לחיבור נתונים והקשר עסקי, ניהול ופיקוח על תחזיות, ואספקתן לאורך מחזור חיי החיזוי המלא.

אסטרטגיית בינה מלאכותית טבלאית מוצלחת מתחילה בנתונים מובנים שכבר מניעים תהליכים עסקיים, ולא בפרויקט הכנת נתונים נפרד עבור כל מודל חדש. המטרה היא להפוך נתונים מובנים והקשר עסקי לזמינים כיכולות ניתנות לשימוש חוזר, כך שצוותים יוכלו לייצר, להפעיל ולנהל תחזיות מהימנות על פני מקרי שימוש.

השתמשו ברשימת התיוג הבאה כדי ליצור אסטרטגיית בינה מלאכותית טבלאית בארגון:

זיהוי החלטות עסקיות בעלות ערך גבוה ומקורות נתונים מובנים של הארגון

• התחילו עם החלטות שיכולות לשפר הכנסות, להפחית סיכונים, להוריד עלויות או לשפר את קבלת ההחלטות והביצועים התפעוליים.
• תן עדיפות לנתונים מובנים התומכים בתהליכים מרכזיים, כגון עסקאות, רישומי לקוחות, חשבוניות, הזמנות, מלאי ונתוני כוח אדם.
• התבוננו מעבר ליישום יחיד כאשר ההחלטה תלויה במידע ממערכות מרובות.

חיבור נתונים להקשר העסקי

• זהה את הישויות העסקיות, הכללים, הקשרים ותנאי התהליך המעצבים את ההחלטה.
• שמור על הקשר התהליך במקום להתייחס לרשומות כשורות בודדות.
• שקלו גרפי ידע, נתונים היסטוריים ואותות עסקיים המסייעים לבינה מלאכותית להבין ישויות עסקיות, קשרים ולהישאר ערוכים לתנאי עסק משתנים.

שיפור איכות ועקביות הנתונים

• הבינו במה הנתונים שלכם יכולים לתמוך באופן ריאלי לפני שבוחרים גישת בינה מלאכותית. כמות הנתונים הזמינים, מידת העקביות של איסוף מידע מרכזי ואמינות התוצאות ההיסטוריות, כל אלה יכולים להשפיע על הגישה שסביר להניח שתניב את הביצועים הטובים ביותר.
• שקול האם גישות טבלאריות של בינה מלאכותית יכולות להפחית את הצורך בעיבוד מקדים נרחב. מודלים מסוימים יכולים לעבוד ביעילות עם נתונים לא מושלמים, מה שמאפשר לצוותים להקדיש פחות זמן למילוי פערים, הסרת חריגים או עיצוב מחדש של נתונים.
• ודא שהתוצאות ההיסטוריות משקפות במדויק את מה שקרה בעסק.
• ניטור איכות החיזויים, שינויי הנתונים והתנהגות המודל לאורך זמן, עם בקרות לניהול אופן השימוש בחיזויים ביישומים, זרימות עבודה וחוויות של סוכני בינה מלאכותית.

בחירת מודל הבינה המלאכותית המתאים לנתונים טבלאיים הופכת לקלה יותר כאשר הבעיה העסקית מוגדרת בבירור. משימות חיזוי שונות יוצרות דרישות שונות, כך שהבחירה הטובה ביותר תלויה פחות במודל עצמו ויותר בהקשר סביב החיזוי.

הבחנה זו חשובה משום שבחירת המודל משפיעה על כל מה שיבוא לאחר מכן. ככל שקל יותר ליישם מודל על פני מקרי שימוש חדשים, כך הצוותים משקיעים פחות זמן בבנייה ותחזוקה של פתרונות נפרדים. במקביל, המודל חייב להיות מסוגל לעבוד עם הנתונים, ההקשר העסקי ורמת ההסבר הנדרשים על ידי מקרה השימוש והארגון.

ההשוואה שלהלן מדגישה היכן כל גישה משתלבת במחזור חיי החיזוי:

ארגונים המתקדמים מעבר למקרי שימוש עצמאיים דורשים מודלים של בסיס טבלאי שיכולים להסתגל למגוון משימות חיזוי מבלי לדרוש מודלים חדשים לשימוש יחיד או יכולות חיזוי מותאמות אישית. זוהי אחת הסיבות לכך ש-SAP משלבת גישות מרובות בתוך פלטפורמת SAP Business AI, ומציעה מודלים מרובים של בסיס טבלאי:

• SAP-RPT היא משפחת מודלים טבלאית מנוהלת במלואה, שאומנה על טבלאות עסקיות אמיתיות של SAP, מקרי שימוש ותהליכים עסקיים, מה שעוזר לה לזהות רבים מהקשרים הנמצאים בנתוני ארגון.
• Prior-Labs-TabPFN-3 היא משפחת מודלים טבלאיים מובילה במדדי ייצור, המטפלת במגוון רחב של משימות חיזוי טבלאיות.

לקוחות יכולים לתזמר, לפרוס ולנהל מודלים של שפה גדולה, מודלים של יסודות טבלאיים ומודלים של למידת מכונה מותאמים אישית באמצעות SAP AI Core, שירות בינה מלאכותית מנוהל במלואו. גישה זו מאפשרת לארגונים להתאים את המודל לבעיה תוך תמיכה במסלול עקבי יותר מניסוי לייצור, תוך איזון בין צרכי עלות, דיוק וביצועים.

בניית צינור בינה מלאכותית טבלאי מוכן לייצור כרוכה ביותר מבחירת המודל הנכון. ארגונים צריכים לאשר שהתחזיות נותרות שימושיות בתנאי עסק אמיתיים, לקשר את התחזיות הללו למצב בו מתקבלת החלטה, ולשמור על ביטחון כאשר התחזיות הופכות לחלק מהפעילות היומיומית.

התקדמות זו מתחילה בביסוס המודל במסגרות ממשל וטכניקות הסבר המספקות בסיס לאימות, שבו ניתן לבחון את המודל מול ההקשר העסקי כדי לקבוע רלוונטיות ואמינות. לאחר מכן היא עוברת לייצור, שם התזמור מסייע להביא את המידע הנכון לתהליך והאספקה הופכת תחזיות לזמינות במקום בו מתקבלות החלטות.

לא דיוק המודל ולא ההקשר העסקי מספיקים בפני עצמם. תחזית חייבת להיות מדויקת מספיק כדי לתמוך בהחלטה, אך עליה גם לשקף את המצב העסקי שבו מתקבלת החלטה זו.

מודלים של שפה גדולה (LLM) יכולים לייצר תגובות שנשמעות סבירות משום שהם מבינים דפוסים בשפה. עם זאת, סבירות אינה מבטיחה דיוק. בתהליכים עסקיים, תגובה שנראית סבירה עדיין יכולה להוביל לתוצאה שגויה אם היא אינה מבוססת על נתונים אמינים.

מודלים של יסודות טבלאיים (TFM) מתמודדים עם אתגר זה על ידי למידה ישירה מנתונים מובנים. הם מבינים את הדפוסים והקשרים בין רישומי עסקים, עסקאות ונתונים תפעוליים כדי לחזות בדיוק. עם זאת, דיוק לבדו אינו תמיד מספיק. תחזית עשויה לזהות נכון דפוס, אך עדיין חסרה לה ההקשר העסקי הדרוש לקביעת הרלוונטיות שלו.

זו הסיבה שארגונים רבים משלבים את נקודות החוזק של בינה מלאכותית טבלאית עם הקשר עסקי שנלקח מפעילותם שלהם. על ידי ביסוס תחזיות בנתונים העסקיים שלהם ובקשרים המחברים ביניהם, ארגונים יכולים לייצר תוצאות שהן לא רק מדויקות יותר, אלא גם רלוונטיות להקשר להחלטות שהמשתמשים צריכים לקבל.

החלטות עסקיות לעיתים רחוקות תלויות במידע ממערכת אחת. התבוננות בשורות ובעמודות בנפרד מקשה על זיהוי הקשרים הללו. בעוד שאנשים יכולים לעתים קרובות לגשר על הפערים הללו משום שהם מבינים כיצד העסק פועל, בינה מלאכותית זקוקה לאותו הקשר כדי להגיע למסקנות אמינות. ככל שנתונים מתפשטים על פני יותר יישומים, שימור קשרים אלה הופך לחשוב יותר ויותר.

זו הסיבה שגרפי ידע הפכו לחשובים יותר ויותר בפריסות ייצור. הם עוזרים לשמר קשרים עסקיים בין מערכות, מה שמאפשר לתחזיות לשקף את ההקשר שמאחורי החלטה. התוצאה היא תמונה ברורה יותר של העסק, המעניקה לבינה מלאכותית טבלאית תמונה של הקשרים בין מערכות המניעים תחזיות המשקפות את המציאות שמאחורי הנתונים, ולא את הנתונים בלבד.

אמון גדל כאשר אנשים יכולים להבין מדוע נעשתה תחזית. זה הופך להיות חשוב במיוחד כאשר תחזיות משפיעות על פעילויות בעלות השפעה גבוהה, החל מתהליכים פיננסיים ועד להחלטות תאימות וביקורות. רמת שקיפות והסבר נכונות יכולה לאפשר למשתמשים להעריך את התחזית בהקשרה ולהחליט כיצד להמשיך.

הסברים שונים משרתים מטרות שונות, בהתאם להחלטה המתקבלת ולרמת הבדיקה הנדרשת:

• ייחוס גורמים וניתוח מאפיינים: הצג אילו נקודות נתונים השפיעו ביותר על התחזית, ועוזר למשתמשים להבין מה הניע את התוצאה.
• הסבר ברמת השורה והעמודה: חברו תחזיות לעמודות ולרשומות השורה הרלוונטיות בעזרת דוגמאות כדי שמשתמשים יוכלו לראות את הראיות התומכות.
• קבלת החלטות תוך כדי מעקב אחר מצב אנושי: אפשר סקירה מקצועית כאשר נדרש שיקול דעת עסקי, וסייע לארגונים לנהל חריגים תוך שמירה על אחריות.

כתוצאה מכך, הסבר של חיזויים תומך בתחזיות שאנשים יכולים להבין בביטחון ולפעול לפיהן במסגרת תהליכים עסקיים יומיומיים.

ככל שבינה מלאכותית הופכת לחלק מהפעילות היומיומית, ביטחון הופך לחשוב לא פחות מאיכות החיזוי. תחזית המשפיעה על החלטה עסקית חייבת להיות שקופה מספיק כדי לתמוך בפעולה שתבוא לאחר מכן, מה שהופך את דרישות ניהול הבינה המלאכותית הבאות לחיוניות לפריסת מודל בקנה מידה ארגוני:

1. ניהול תאימות וניהול סיכונים

ממשל תאגידי מסייע להבטיח שהתחזיות מתיישבות עם מדיניות עסקית ודרישות רגולטוריות כדי לסייע במניעת השלכות פיננסיות או משפטיות.

2. ביקורת ומעקב

תוצאות מוסברות ודרכי קבלת החלטות מתועדות מקלות על סקירה ותיקוף תוצאות בעת הצורך לשיפור תהליכים פנימיים או לבקשות ביקורת.

3. ניטור ומידול של ניהול מחזור החיים

פיקוח מתמשך מסייע לצוותים לזהות מתי יש צורך בהתאמות נתונים כך שהתחזיות יישארו אמינות לאורך זמן.

כאשר ממשל הוא חלק ממחזור החיים של החיזוי, כל חיזוי נושא הסבר ברור ורמת פיקוח מוגדרת. כתוצאה מכך, ארגונים יכולים ליישם ולהרחיב את הבינה המלאכותית בצורה בטוחה יותר ברחבי העסק.

ככל שארגונים מתרחבים מעבר לקומץ מקרי שימוש, קשה יותר לשמור על עקביות. כל תחזית זקוקה להקשר העסקי הנכון, ומצבים שונים עשויים לדרוש מודלים שונים. ללא דרך עקבית לקבלת החלטות אלו, בינה מלאכותית עלולה להתפצל ברחבי הארגון.

כאן תזמור בינה מלאכותית הופך לחשוב. זה עוזר להבטיח שכל תחזית מבוססת על ההקשר העסקי הרלוונטי ומוערכת באמצעות המודל המתאים ביותר למשימה. ככל שהאימוץ גדל, תהליך זה הופך להיות קשה יותר ויותר לניהול ידני.

SAP מטפלת באתגר זה באמצעות SAP AI Core. שירות מנוהל במלואו זה משמש כבסיס המאפשר תזמור עבור LLM ו-TFM. מינוף יכולות כגון אחזור ממוקד, רישום ובחירת הקשר, והסקת קבוצות נתונים לאורך מחזור חיי החיזוי מסייע בזיהוי אוטומטי של דוגמאות החיזוי הטובות ביותר, הצפת נתונים רלוונטיים ממערכי נתונים גדולים ועיבוד נפחים גבוהים באופן אסינכרוני בקנה מידה ארגוני. על ידי מתן תשתית משותפת לבינה מלאכותית טבלאית בפלטפורמת SAP Business AI, SAP AI Core תומך בארגונים המעוניינים לפתח מקרי שימוש חדשים מבלי לתכנן מחדש את התהליך בכל פעם או לגרום לעלויות נוספות.

המטרה העסקית היא לספק תחזיות בינה מלאכותית לזרימות עבודה עסקיות על ידי הצבתן במקום שבו מתקבלות החלטות. כאשר משתמשים מקבלים תחזית בתוך התהליך שהם כבר משתמשים בו, הם יכולים לפעול על פיה ביתר קלות וברגע הנכון. כתוצאה מכך, ארגונים מובילים מקדישים תשומת לב רבה לאופן שבו תחזיות מועברות, כמו שהם מקדישים תשומת לב לאופן שבו הן נוצרות.

SAP תומכת בגישה זו על ידי הטמעת תחזיות היכן שמתקבלות החלטות, באמצעות יישומי SAP, סוכני Joule ועוזרי מערכות. ארגונים יכולים למנף את מערך שירותי ומודלים של בינה מלאכותית של SAP כדי ליישם תחזיות בפתרונות ויישומי בינה מלאכותית מותאמים אישית. עם תחזיות המוצגות במקום שבו אנשים וסוכני בינה מלאכותית יכולים לפעול, משתמשים ניגשים לתחזיות דרך ממשקים וחוויות מבלי לצאת מתהליך העבודה שהם כבר מכירים.

פריסות הבינה המלאכותית הטבלאית החזקות ביותר משפרות החלטות שמתרחשות לעתים קרובות ויש להן השפעה מדידה על תוצאות עסקיות:

1. חיזוי ותכנון ביקוש

חיזויים מעצבים החלטות הרבה לפני שמוצרים מיוצרים, נשלחים או נמכרים. כאשר למתכננים יש תמונה ברורה ומדויקת יותר של הביקוש העתידי, הם יכולים להגיב מוקדם יותר ולהפחית את העלות של תגובה מאוחרת מדי.

2. גילוי אנומליות וניטור סיכונים

אנומליות קטנות עלולות להפוך לבעיות תפעוליות גדולות יותר כאשר הן נעלמות מעינינו. על ידי חיזוי מוקדם של דפוסים יוצאי דופן, בינה מלאכותית טבלאית עוזרת לארגונים להגיב לפני שמתרחשים שיבושים.

3. התאמת תשלומים ופעולות פיננסיות

התאמת תשלומים לקויה יוצרת התאמות ידניות מיותרות, עיכובים ביישום מזומן ונראות מופחתת של הון חוזר. התאמת תשלומים תלויה במודלים טבלאיים מיוחדים שמבינים נתונים פיננסיים טבלאיים והקשר עסקי, לצורך תחזיות מדויקות המנחות את התאמת התשלומים.

4. אופטימיזציה של רכש ושרשרת אספקה

צוותי רכש ושרשרת אספקה מסתגלים כל העת לתנאי עסק משתנים תוך איזון בסדרי עדיפויות מתחרות. בינה מלאכותית טבלאית עוזרת להם לזהות דפוסים מתעוררים בנתוני ארגון, מה שמקל על חיזוי, תגובה מוקדמת והפחתת ההשפעה של שיבושים ועלויות מוגברות.

ככל שבינה מלאכותית הופכת לחלק מהפעילות היומיומית, הערך תלוי יותר ויותר במה שקורה לאחר יצירת תחזית. כאשר אנשים מבינים מדוע וכיצד נעשתה תחזית ויכולים ליישם אותה בנקודת קבלת ההחלטה, בינה מלאכותית הופכת לקלה יותר לשימוש וסביר יותר שהיא תשפיע על תוצאות ואסטרטגיית בינה מלאכותית טבלאית של הארגון.

עם הזמן, זה יוצר דרך עקבית יותר ליישם בינה מלאכותית ברחבי העסק. נתוני ארגון מובנים, הקשר עסקי ושירות תזמור מנוהל במלואו מספקים את הבסיס לבינה מלאכותית טבלאית לפעול במקום שבו מתרחשת העבודה, ולסייע להפוך תחזיות לתוצאות מדידות. מודלים ושירותים של בסיס טבלאי של SAP AI תומכים בהתקדמות זו על ידי סיוע לארגונים להתקדם מעבר לפרויקטים מבודדים וליצור מסגרת חוזרת ונשנית לפריסה, מינוף, הרחבה והפעלה של תובנות ניבוי ברחבי הארגון.