Hüpoteesile orienteeritud simulatsioon kui kompass ebakindlas tulevikus navigeerimiseks

Hiljutised edusammud andmepõhistes tehnoloogiates on avanud tehisintellekti (AI) kaudu ennustamise potentsiaali. Kuid prognoosimine kaardistamata territooriumil on endiselt väljakutse, kus ajaloolised andmed ei pruugi olla piisavad, nagu on näha ettearvamatute sündmuste, näiteks pandeemiate ja uute tehnoloogiliste häirete puhul. Vastuseks võib hüpoteesile orienteeritud simulatsioon olla väärtuslik tööriist, mis võimaldab otsustajatel uurida erinevaid stsenaariume ja teha teadlikke otsuseid. Soovitud tuleviku saavutamise võti ebakindluse ajastul seisneb hüpoteesile orienteeritud simulatsiooni kasutamises koos andmepõhise tehisintellektiga, et suurendada inimeste otsuste tegemist.

Kas andmepõhine analüüs võib tulevikku ennustada?

Viimastel aastatel on tehisintellekt läbinud muutliku teekonna, mida õhutavad märkimisväärsed andmepõhised edusammud. Tehisintellekti evolutsiooni keskmes on hämmastav võime saada tohututest andmekogumitest põhjalikke teadmisi. Süvaõppe mudelite tõus ja suured keelemudelid (LLM-id) on surunud välja kaardistamata territooriumile. Võime kasutada andmeid teadlike otsuste tegemiseks on muutunud kättesaadavaks igas suuruses ja kõigis tööstusharudes asuvatele organisatsioonidele.

Võtke näiteks ravimitööstus. Kell Astellas, kasutame andmeid ja analüüse, et aidata teavitada, millistesse äriportfellidesse ja millal investeerida. Kui töötate välja ärimudelit, mis keskendub ühisele ja hästi mõistetavale haigusvaldkonnale, võimaldab andmepõhise analüütika võimsus saada teavet kõige kohta alates ravimite avastamisest kuni turustamiseni, mis võib lõpuks viia teadlikumate äriotsuste tegemiseni.

Kuigi andmepõhine analüüs paistab silma juba väljakujunenud valdkondades, kus on palju ajaloolisi andmeid, on tuleviku ennustamine kaardistamata aladel endiselt suur väljakutse. Raske on teha andmepõhiseid prognoose piirkondades, kus pole veel piisavalt andmeid, näiteks piirkondades, kus on toimunud erakorralised muutused või tehnoloogiline uuendus (nakkusviiruse äkilise pandeemia mõju või generatiivse tehisintellekti tõus konkreetses ettevõttes selle varajases staadiumis). Need stsenaariumid rõhutavad piiranguid, mis tulenevad ainult ajaloolistest andmetest, et kujundada edasiminek.

Tüüpiline näide farmaatsiatööstuses, millega Astellas regulaarselt silmitsi seisab, on murranguliste uuenduste, nagu geeni- ja rakuteraapia, väärtustamine. Kuna saadaval on nii vähe andmeid, on katse ennustada nende uuenduste täpset väärtust ja nende kaugeleulatuvat mõju portfellile üksnes ajalooliste andmete põhjal nagu navigeerimine läbi tiheda udu ilma kompassita.

Tulevikku vaatamine: hüpoteesile orienteeritud simulatsioon

Üks paljutõotav lähenemisviis ebakindluse vetes navigeerimiseks on hüpoteesile orienteeritud simulatsioon, mis jäljendab reaalse maailma protsesse. Kui olete ettevõte, mis seikleb tundmatutes valdkondades, peate kasutama hüpoteesile orienteeritud lähenemisviisi, kui ajaloolised andmed pole saadaval. Mudel näitab, kuidas protsesside võtmetegurid mõjutavad tulemusi, samas kui simulatsioon näitab, kuidas mudel aja jooksul erinevates tingimustes areneb. See võimaldab otsustajatel katsetada erinevaid stsenaariume virtuaalsetes "paralleelmaailmades".

Praktikas tähendab see võtmestsenaariumide komplekti paigutamist otsustuslauale, millest igaühel on oma tõenäosus ja mõjuhinnang. Seejärel saavad otsustajad hinnata kriitilisi stsenaariume ja sõnastada nende simulatsioonide põhjal tulevikustrateegiaid. Farmaatsiatööstuses nõuab see eelduste tegemist mitmete tegurite kohta, nagu kliiniliste uuringute edukuse määr, turu kohanemisvõime ja patsientide populatsioon. Seejärel käivitatakse kümneid tuhandeid simulatsioone, et valgustada eesolevat hämarat rada ja anda hindamatuid teadmisi kursi juhtimiseks.

Astellas on välja töötanud hüpoteesile orienteeritud simulatsiooni, mis loob stsenaariume ja teeb deduktiivseid oletusi, et aidata teha strateegilisi otsuseid. Seda saame teha simulatsioonihüpoteesi uuendamisega reaalajas (otsustuslauas), mis aitab parandada strateegiliste otsuste kvaliteeti. Projekti hindamine on üks teema, kus simulatsioonimeetod tuleb kasutusele. Esiteks ehitame võimalikud hüpoteesid erinevatele teguritele, sealhulgas, kuid mitte ainult, turuvajadustele ja kliiniliste uuringute õnnestumise tõenäosusele. Seejärel simuleerime nende hüpoteeside põhjal sündmusi, mis toimuvad kliiniliste uuringute käigus või pärast toote turuletoomist, et luua projekti võimalikud tulemused ja eeldatav väärtus. Arvutatud väärtust kasutatakse selleks, et teha kindlaks, milliseid valikuid peaksime kasutama, sealhulgas ressursside jaotamine ja projekti planeerimine.

Süvenemiseks vaatleme kasutusjuhtumit, kus meetodit rakendatakse projekti varajases staadiumis hindamisel. Võttes arvesse varasemate projektidega kaasnevat loomupäraselt suurt ebakindlust, on edust saadava kasu maksimeerimiseks palju võimalusi, kuidas maandada ebaõnnestumise riske. Lihtsamalt öeldes, mida varasem on projekt oma elutsüklis, seda suurem on potentsiaal paindlikuks otsuste tegemiseks (nt strateegilised kohandused, turu laiendamine, loobumisvõimaluse hindamine jne). Paindlikkuse väärtuse hindamine on seetõttu esmatähtis, et hõlmata kõik varajases etapis projektide väärtused. Seda saab teha reaaloptsioonide teooria ja simulatsioonimudeli kombineerimisega.

Hüpoteesile orienteeritud simulatsiooni mõju mõõtmine nõuab hindamist nii protsessi kui ka tulemuste vaatenurgast. ROI mõõtmiseks saab kasutada tüüpilisi näitajaid, nagu kulude vähendamine, aja tõhusus ja tulude kasv. Siiski ei pruugi need hõlmata kogu otsustusprotsessi, eriti kui mõned otsused hõlmavad tegevusetust. Lisaks on oluline mõista, et äriotsuste tulemused ei pruugi olla kohe nähtavad. Näiteks ravimiäris kulub kliinilistest uuringutest turule tulekuni keskmiselt üle 10 aasta.

See tähendab, et hüpoteesipõhise simulatsiooni väärtust saab mõõta, nähes, kuidas see on otsustusprotsessi integreeritud. Mida rohkem simulatsiooni tulemused mõjutavad otsuste tegemist, seda suurem on selle väärtus.

Andmeanalüüsi tulevik

Andmete analüüs Eeldatakse, et see jaguneb kolmeks peamiseks suundumuseks: (1) induktiivne lähenemine, mis püüab tuvastada suurtes andmetes mustreid, mis töötab eeldusel, et andmetes leiduvaid mustreid saab rakendada tulevikus, mida me tahame ennustada (nt generatiivne tehisintellekt ); (2) analüütiline lähenemine, mis keskendub selliste nähtuste tõlgendamisele ja mõistmisele, mille puhul ei ole võimalik kasutada piisavalt andmeid (nt põhjuslik järeldus); ja (3) deduktiivne lähenemine, mis tugineb ärireeglitele, põhimõtetele või teadmistele, et näha tulevasi tulemusi. See töötab isegi siis, kui andmeid on vähem (nt hüpoteesile orienteeritud simulatsioon).

LLM-id ja muud andmepõhised analüüsid on valmis oma praktilisi rakendusi märkimisväärselt laiendama. Neil on potentsiaal muuta tööd revolutsiooniliseks, kiirendades, parandades selle kvaliteeti ja mõnel juhul isegi tehes seda. See transformatiivne nihe võimaldab inimestel suunata oma jõupingutused oma töö olulisematele aspektidele, nagu kriitiline mõtlemine ja otsuste tegemine, mitte aeganõudvamatele tegevustele, nagu andmete kogumine/korraldus/analüüs/visualiseerimine. analüütikud. Kui see juhtub, suureneb liikumise suuna tähtsus ja keskendutakse inimeste otsuste tegemise suurendamisele. Eelkõige on suundumus kasutada andmeanalüütikat ja simulatsiooni strateegiliste otsuste tegemisel, hallates samal ajal tuleviku ebakindlust keskpikas ja pikaajalises perspektiivis.

Kokkuvõtteks võib öelda, et harmoonilise tasakaalu saavutamine kolme ülaltoodud lähenemisviisi vahel maksimeerib andmeanalüütika tegelikku potentsiaali ja võimaldab organisatsioonidel kiiresti areneval maastikul areneda. Kuigi ajaloolised andmed on tohutu vara, on oluline tunnistada piiranguid. Selle piirangu ületamiseks võimaldab hüpoteesile orienteeritud simulatsiooni kasutamine koos andmepõhise lähenemisviisiga organisatsioonidel valmistuda ettearvamatuks tulevikuks ja tagada, et nende otsused põhinevad ettenägelikkusel ja ettenägelikkusel.