Hypotese-orienteret simulation som kompas for navigation i en usikker fremtid

De seneste fremskridt i data-drevne teknologier har låst op for muligheden for at forudsige fremtiden gennem kunstig intelligens (AI). Dog forbliver forudsigelser i ukendt territorium en udfordring, hvor historiske data måske ikke er tilstrækkeligt, som set med uforudsigelige begivenheder som pandemier og nye teknologiske disruptioner. Som svar kan hypotese-orienteret simulation være et værdifuldt værktøj, der tillader beslutningstagerne at udforske forskellige scenarier og træffe informerede beslutninger. Nøglen til at opnå den ønskede fremtid i en tid med usikkerhed ligger i at bruge hypotese-orienteret simulation sammen med data-drevet AI til at supplere menneskelig beslutningstagning.

Kan data-drevne analytikker forudsige fremtiden?

I de seneste år har AI gennemgået en transformerende rejse, drevet af bemærkelsesværdige, data-drevne fremskridt. I hjertet af AI’s evolution ligger den forbløffende evne til at udvinde dybe indsighter fra massive datasets. Opkomsten af dybe læringmodeller og store sprogmodeller (LLM’er) har skubbet feltet ind i ukendt territorium. Muligheden for at udnytte data til at træffe informerede beslutninger er blevet tilgængelig for organisationer af alle størrelser og på tværs af alle brancher.

Tag lægemiddelindustrien som eksempel. Hos Astellas bruger vi data og analytikker til at hjælpe med at informere, hvilke forretningsporteføljer vi skal investere i og hvornår. Hvis du udvikler en forretningsmodel, der fokuserer på en almindelig og velkendt sygdomsgruppe, giver data-drevne analytikker dig indsigt i alt fra lægemiddelforskning til marketing, hvilket kan føre til mere informerede forretningsbeslutninger.

Dog, mens data-drevne analytikker udmærker sig i etablerede domæner med rigelige historiske data, forbliver forudsigelser af fremtiden i ukendt territorium en formidabel udfordring. Det er svært at træffe data-drevne forudsigelser i områder, hvor tilstrækkeligt data endnu ikke er tilgængeligt, såsom områder, hvor ekstraordinær forandring eller teknologisk innovation har fundet sted (det ville være meget svært at forudsige virkningen af en pludselig pandemi af en infektiøs virus eller opkomsten af generativ AI på et bestemt virksomhed i dets tidlige faser). Disse scenarier understreger begrænsningerne ved at læne sig udelukkende på historiske data til at udpege en vej fremad.

Et typisk eksempel i lægemiddelindustrien, og et, som Astellas regelmæssigt konfronterer, er vurderingen af disruptiv innovation som gen- og celleterapier. Med så lidt data tilgængeligt, er det at forsøge at forudsige den præcise værdi af disse innovationer og deres langtrækkende indvirkning på porteføljen udelukkende baseret på historiske data som at navigere gennem tæt tåge uden kompas.

At kigge ind i fremtiden: Hypotese-orienteret simulation

En lovende tilgang til at navigere i usikkerhedens farvande er hypotese-orienteret simulation, der efterligner virkelige processer. Hvis du er en virksomhed, der bevæger dig ind i ukendt territorium, skal du adoptere en hypotese-orienteret tilgang, når historiske data ikke er tilgængeligt. Modellen repræsenterer, hvordan nøglefaktorer i processerne påvirker resultater, mens simulationen repræsenterer, hvordan modellen udvikler sig over tid under forskellige betingelser. Det giver beslutningstagerne mulighed for at teste forskellige scenarier i virtuelle “parallelle verdener”.

I praksis betyder det at lægge en række nøgle-scenarier på beslutningstabelen, hver med sin egen sandsynlighed og indvirkningsvurdering. Beslutningstagerne kan derefter evaluere kritiske scenarier og formulere strategier for fremtiden baseret på disse simulationer. I lægemiddelindustrien kræver det at gøre antagelser om en række faktorer såsom kliniske forsøgsfrekvenser, markedssensitivitet og patientpopulationer. Tens of thousands of simulationer køres derefter for at belyse den uklare vej fremad og give uvurderlige indsighter til at styre kursen.

Hos Astellas har vi udviklet en hypotese-orienteret simulation, der skaber scenarier og gør en deduktiv gæt, for at hjælpe med at informere strategiske beslutninger. Vi kan gøre det ved at opdatere simulationshypotesen i realtid (ved beslutningstabelen), hvilket hjælper med at forbedre kvaliteten af strategiske beslutninger. Projektvurdering er et emne, hvor simulationsmetoden kommer ind. Først bygger vi mulige hypoteser på forskellige faktorer, herunder, men ikke begrænset til, markedets behov og succes sandsynlighed af kliniske forsøg. Derefter, baseret på disse hypoteser, simulerer vi begivenheder, der sker under kliniske forsøg eller efter produktlancering for at generere projektets mulige resultater og forventede værdi. Den beregnede værdi bruges til at bestemme, hvilke muligheder vi skal vælge, herunder ressourceallokering og projektplanlægning.

For at dykke dybere, lad os se på et eksempel, hvor metoden anvendes til tidlige projektvurderinger. Givet den indbyggede høje niveau af usikkerhed, der følger med tidlige projekter, er der en overflod af muligheder for at mindske risikoen for fiasko og maksimere succesens belønninger. Det kan gøres ved at kombinere virkelige options-teori og simulationsmodellen.

At måle indvirkningen af hypotese-orienteret simulation kræver en vurdering fra både proces- og resultatsynspunkter. Typiske indikatorer såsom omkostningsreduktion, tidsbesparelse og omsætningsvækst kan bruges til at måle ROI. Dog kan de måske ikke fange hele essensen af beslutningstagning, især når nogle beslutninger indebærer inaktion. Derudover er det vigtigt at erkende, at resultaterne af forretningsbeslutninger måske ikke er umiddelbart åbenlyse. I lægemiddelbranchen, for eksempel, er den gennemsnitlige tid fra kliniske forsøg til markedsintroduktion over 10 år.

Det er, værdien af hypotesedrevne simulation kan måles ved at se, hvordan den integreres i beslutningsprocessen. Jo mere simulationsresultaterne har indvirkning på beslutningstagning, jo højere er dens værdi.

Fremtiden for data-analytik

Data-analytik forventes at divergere i tre store trends: (1) En induktiv tilgang, der søger at identificere mønstre i store data, der fungerer under antagelsen, at mønstrene, der findes i data, kan anvendes på den fremtid, vi ønsker at forudsige (f.eks. generativ AI); (2) En analytisk tilgang, der fokuserer på fortolkning og forståelse af fænomener, hvor tilstrækkeligt data ikke kan anvendes (f.eks. årsagsinference); og (3) En deduktiv tilgang, der læner sig på forretningsregler, principper eller viden for at se fremtidige resultater. Det fungerer, selv når der er mindre data tilgængeligt (f.eks. en hypotese-orienteret simulation).

LLM’er og andre data-drevne analytikker er på vej til at udvide deres praktiske anvendelser betydeligt. De har potentialet til at revolutionere arbejde ved at accelerere, forbedre kvaliteten af og i nogle tilfælde endda overtage menneskeligt arbejde. Denne transformative skift vil tillade individer at fokusere deres indsats på mere vigtige aspekter af deres arbejde, såsom kritisk tænkning og beslutningstagning, snarere end mere tidskrævende aktiviteter, såsom dataindsamling/arrangement/analyse/visualisering, i tilfælde af data-analytikere. Når dette sker, vil vigtigheden af, hvilken retning at bevæge sig i, øge, og fokus vil være på at supplere menneskelig beslutningstagning. I særdeleshed vil trenden være at bruge data-analytik og simulation til strategisk beslutningstagning, mens man håndterer fremtidige usikkerheder fra et medium- til langtids-perspektiv.

Samlet set vil opnåelse af en harmonisk balance mellem de tre tilgange ovenfor maksimere det sande potentiale i data-analytik og enable organisationer til at trives i et hurtigt udviklende landskab. Mens historiske data er en enormt værdifuld ressource, er det vigtigt at erkende begrænsningerne. For at overvinde denne begrænsning giver det at omfavne hypotese-orienteret simulation sammen med en data-drevet tilgang organisationer mulighed for at forberede sig på en uforudsigelig fremtid og sikre, at deres beslutninger er informerede af forsigtighed og præcision.