Մտքի առաջնորդներ
Հիպոթեզի վրա հիմնված սիմուլյացիա՝ որպես կողմնացույց անորոշ ապագայում նավարկելու համար
Տվյալների վրա հիմնված տեխնոլոգիաների վերջին զարգացումները բացել են արհեստական ինտելեկտի (AI) միջոցով կանխատեսման ներուժը: Այնուամենայնիվ, չբացահայտված տարածքում կանխատեսումները մնում են մարտահրավեր, որտեղ պատմական տվյալները կարող են բավարար չլինել, ինչպես երևում է անկանխատեսելի իրադարձությունների, ինչպիսիք են համաճարակները և նոր տեխնոլոգիական խափանումները: Ի պատասխան՝ հիպոթեզի վրա հիմնված սիմուլյացիան կարող է արժեքավոր գործիք լինել, որը որոշում կայացնողներին թույլ է տալիս ուսումնասիրել տարբեր սցենարներ և կայացնել տեղեկացված որոշումներ: Անորոշության դարաշրջանում ցանկալի ապագայի հասնելու բանալին գտնվում է հիպոթեզի վրա հիմնված սիմուլյացիայի օգտագործման մեջ, ինչպես նաև տվյալների վրա հիմնված AI-ն՝ մարդկանց որոշումների կայացումը մեծացնելու համար:
Կարո՞ղ է արդյոք տվյալների վրա հիմնված վերլուծությունը կանխատեսել ապագան:
Վերջին տարիներին արհեստական ինտելեկտը փոխակերպման ճանապարհ է անցել՝ սնուցված տվյալների վրա հիմնված ուշագրավ առաջընթացներով: AI-ի էվոլյուցիայի հիմքում ընկած է տվյալների զանգվածային հավաքածուներից խորը պատկերացումներ կորզելու զարմանալի ունակությունը: խորը ուսուցման մոդելների վերելքը և մեծ լեզվի մոդելներ (LLM-ները) դաշտը մղել են չբացահայտված տարածք: Տեղեկացված որոշումներ կայացնելու համար տվյալների օգտագործման ուժը հասանելի է դարձել բոլոր չափերի կազմակերպություններին և բոլոր ոլորտներում:
Որպես օրինակ բերեք դեղագործական արդյունաբերությունը: ժամը Աստելլաս, մենք օգտագործում ենք տվյալներ և վերլուծություններ՝ օգնելու տեղեկացնել, թե որ բիզնես պորտֆելներում և երբ ներդրումներ կատարել: Եթե դուք մշակում եք բիզնես մոդել, որը կենտրոնացած է հիվանդության ընդհանուր և լավ հասկացված տարածքի վրա, տվյալների վրա հիմնված վերլուծության ուժը թույլ է տալիս ձեզ պատկերացում կազմել ամեն ինչի մասին՝ սկսած դեղերի հայտնաբերումից մինչև շուկայավարում, ինչը, ի վերջո, կարող է հանգեցնել ավելի տեղեկացված բիզնես որոշումների:
Այնուամենայնիվ, թեև տվյալների վրա հիմնված վերլուծությունը գերազանցում է ստեղծված տիրույթներում՝ հարուստ պատմական տվյալներով, չբացահայտված տարածքներում ապագայի կանխատեսումը մնում է ահռելի մարտահրավեր: Տվյալների վրա հիմնված կանխատեսումներ անելը դժվար է այն տարածքներում, որտեղ դեռևս բավարար տվյալներ չկան, ինչպիսիք են այն տարածքները, որտեղ տեղի են ունեցել արտասովոր փոփոխություններ կամ տեխնոլոգիական նորարարություններ (շատ դժվար կլինի կանխատեսել վարակիչ վիրուսի կամ վարակիչ վիրուսի հանկարծակի համաճարակի ազդեցությունը։ որոշակի բիզնեսի վրա գեներատիվ AI-ի աճը վաղ փուլերում): Այս սցենարները ընդգծում են հետագա ընթացքը գծելու համար բացառապես պատմական տվյալների վրա հենվելու սահմանափակումները:
Դեղագործական արդյունաբերության տիպիկ օրինակը, որը Astellas-ին պարբերաբար բախվում է, խանգարող նորարարությունների գնահատումն է, ինչպիսիք են գենային և բջջային թերապիաները: Այսքան քիչ տվյալների առկայությամբ՝ փորձելով գուշակել այս նորամուծությունների ճշգրիտ արժեքը և դրանց հեռահար ազդեցությունը պորտֆելի վրա՝ հիմնված բացառապես պատմական տվյալների վրա, նման է խիտ մառախուղի միջով առանց կողմնացույցի նավարկելուն:
Հայացք դեպի ապագա. հիպոթեզի վրա հիմնված սիմուլյացիա
Անորոշության ջրերում նավարկելու խոստումնալից մոտեցումներից մեկը հիպոթեզի վրա հիմնված մոդելավորումն է, որը նմանակում է իրական աշխարհի գործընթացները: Եթե դուք բիզնես եք, որը ներխուժում է անհայտ տարածքներ, դուք պետք է որդեգրեք հիպոթեզի վրա հիմնված մոտեցում, երբ պատմական տվյալներ չկան: Մոդելը ներկայացնում է, թե ինչպես են գործընթացների հիմնական գործոնները ազդում արդյունքների վրա, մինչդեռ մոդելավորումը ներկայացնում է, թե ինչպես է մոդելը զարգանում ժամանակի ընթացքում տարբեր պայմաններում: Այն հնարավորություն է տալիս որոշում կայացնողներին փորձարկել տարբեր սցենարներ վիրտուալ «զուգահեռ աշխարհներում»:
Գործնականում սա նշանակում է որոշումների սեղանի վրա դնել առանցքային սցենարների մի շարք, որոնցից յուրաքանչյուրն ունի իր հավանականության և ազդեցության գնահատումը: Որոշումներ կայացնողներն այնուհետև կարող են գնահատել կարևոր սցենարները և այս մոդելավորումների հիման վրա ձևակերպել ապագայի ռազմավարություններ: Դեղագործական արդյունաբերությունում դա պահանջում է ենթադրություններ անել մի շարք գործոնների վերաբերյալ, ինչպիսիք են կլինիկական փորձարկումների հաջողության մակարդակը, շուկայի հարմարվողականությունը և հիվանդների բնակչության թիվը: Այնուհետև իրականացվում են տասնյակ հազարավոր սիմուլյացիաներ՝ լուսավորելու առջևի մշուշոտ ուղին և ապահովելու անգնահատելի պատկերացումներ՝ ուղղությունը ղեկավարելու համար:
Astellas-ում մենք մշակել ենք հիպոթեզի վրա հիմնված սիմուլյացիա, որը ստեղծում է սցենարներ և կատարում դեդուկտիվ գուշակություն՝ օգնելու տեղեկացնել ռազմավարական որոշումների կայացմանը: Մենք ի վիճակի ենք դա անել՝ թարմացնելով սիմուլյացիայի վարկածը իրական ժամանակում (որոշումների կայացման սեղանի շուրջ), որն օգնում է բարելավել ռազմավարական որոշումների որակը: Ծրագրի գնահատումն այն թեման է, որտեղ ի հայտ է գալիս մոդելավորման մեթոդը: Նախ, մենք կառուցում ենք հնարավոր վարկածներ տարբեր գործոնների վրա, ներառյալ, բայց չսահմանափակվելով շուկայի կարիքներով և կլինիկական փորձարկումների հաջողության հավանականությամբ: Այնուհետև, հիմնվելով այդ վարկածների վրա, մենք մոդելավորում ենք իրադարձություններ, որոնք տեղի են ունենում կլինիկական փորձարկումների ընթացքում կամ արտադրանքի մեկնարկից հետո՝ նախագծի հնարավոր արդյունքները և ակնկալվող արժեքը առաջացնելու համար: Հաշվարկված արժեքը օգտագործվում է որոշելու համար, թե որ տարբերակները պետք է ձեռնարկենք, ներառյալ ռեսուրսների բաշխումը և ծրագրի պլանավորումը:
Ավելի խորը փորելու համար եկեք դիտարկենք օգտագործման դեպք, որտեղ մեթոդը կիրառվում է նախագծի վաղ փուլի գնահատման համար: Հաշվի առնելով անորոշության բարձր մակարդակը, որն առաջանում է ավելի վաղ փուլերի նախագծերի հետ, կան բազմաթիվ հնարավորություններ՝ մեղմելու հաջողության օգուտները առավելագույնի հասցնելու ձախողման ռիսկերը: Պարզ ասած, որքան շուտ է նախագիծն իր կյանքի ցիկլում, այնքան մեծ է ճկուն որոշումների կայացման ներուժը (օրինակ՝ ռազմավարական ճշգրտումներ, շուկայի ընդլայնում, լքման հավանականության գնահատում և այլն): Հետևաբար, ճկունության արժեքի գնահատումը առաջնային է վաղ փուլի նախագծերի բոլոր արժեքները գրավելու համար: Դա կարելի է անել իրական տարբերակների տեսության և մոդելավորման մոդելի համատեղմամբ:
Հիպոթեզի վրա հիմնված սիմուլյացիայի ազդեցության չափումը պահանջում է գնահատում ինչպես գործընթացի, այնպես էլ արդյունքների տեսանկյունից: Տիպիկ ցուցանիշները, ինչպիսիք են ծախսերի կրճատումը, ժամանակի արդյունավետությունը և եկամուտների աճը, կարող են օգտագործվել ROI-ն չափելու համար: Այնուամենայնիվ, նրանք չեն կարող ընդգրկել որոշումների կայացման ամբողջությունը, հատկապես, երբ որոշ որոշումներ ներառում են անգործություն: Ավելին, կարևոր է գիտակցել, որ բիզնես որոշումների արդյունքները կարող են անմիջապես ակնհայտ չլինել: Դեղագործական բիզնեսում, օրինակ, կլինիկական փորձարկումներից մինչև շուկայի մեկնարկը միջին ժամանակը 10 տարուց ավելի է:
Այսինքն՝ հիպոթեզի վրա հիմնված սիմուլյացիայի արժեքը կարելի է չափել՝ տեսնելով, թե ինչպես է այն ինտեգրվում որոշումների կայացման գործընթացին: Որքան ավելի շատ մոդելավորման արդյունքներն են ազդում որոշումների կայացման վրա, այնքան բարձր է դրա արժեքը:
Տվյալների վերլուծության ապագան
Տվյալների վերլուծություն Ակնկալվում է, որ կտարանջատվի երեք հիմնական միտումների մեջ. (1) Ինդուկտիվ մոտեցում, որը ձգտում է բացահայտել օրինաչափությունները մեծ տվյալների մեջ, որն աշխատում է այն ենթադրության ներքո, որ տվյալների մեջ հայտնաբերված օրինաչափությունները կարող են կիրառվել ապագայի համար, որը մենք ցանկանում ենք կանխատեսել (օրինակ՝ գեներատիվ AI ); (2) Վերլուծական մոտեցում, որը կենտրոնանում է երևույթների մեկնաբանման և ըմբռնման վրա, որտեղ բավարար տվյալներ չեն կարող օգտագործվել (օրինակ՝ պատճառահետևանքային եզրակացություն). և (3) դեդուկտիվ մոտեցում, որը հենվում է բիզնեսի կանոնների, սկզբունքների կամ գիտելիքների վրա՝ ապագա արդյունքները տեսնելու համար: Այն աշխատում է նույնիսկ այն դեպքում, երբ առկա են ավելի քիչ տվյալներ (օրինակ՝ հիպոթեզի վրա հիմնված սիմուլյացիա):
LLM-ները և տվյալների վրա հիմնված այլ վերլուծությունները պատրաստվում են զգալիորեն ընդլայնել իրենց գործնական կիրառությունները: Նրանք ունեն աշխատանքը հեղափոխելու ներուժ՝ արագացնելով, բարելավելով աշխատանքի որակը և որոշ դեպքերում նույնիսկ ձեռնարկելով մարդկային աշխատանքը: Այս փոխակերպիչ տեղաշարժը անհատներին թույլ կտա կենտրոնացնել իրենց ջանքերը իրենց աշխատանքի ավելի կարևոր ասպեկտների վրա, ինչպիսիք են քննադատական մտածողությունը և որոշումների կայացումը, այլ ոչ թե ավելի ժամանակատար գործողությունները, ինչպիսիք են տվյալների հավաքագրումը/կազմակերպումը/վերլուծությունը/տեսողականացումը տվյալների դեպքում: վերլուծաբաններ. Երբ դա տեղի ունենա, կարևորությունը, թե որ ուղղությամբ շարժվելը կմեծանա, և ուշադրությունը կկենտրոնանա մարդկային որոշումների կայացման ավելացման վրա: Մասնավորապես, միտումը լինելու է տվյալների վերլուծության և մոդելավորման օգտագործումը ռազմավարական որոշումների կայացման համար՝ միաժամանակ կառավարելով ապագա անորոշությունները միջնաժամկետից երկարաժամկետ հեռանկարից:
Ամփոփելով, վերը նշված երեք մոտեցումների միջև ներդաշնակ հավասարակշռության ձեռքբերումը առավելագույնի կհասցնի տվյալների վերլուծության իրական ներուժը և կազմակերպություններին հնարավորություն կտա զարգանալ արագ զարգացող լանդշաֆտում: Թեև պատմական տվյալները հսկայական արժեք են, կարևոր է ճանաչել սահմանափակումները: Այս սահմանափակումը հաղթահարելու համար տվյալների վրա հիմնված մոտեցման հետ մեկտեղ վարկածների վրա հիմնված մոդելավորումը կազմակերպություններին հնարավորություն է տալիս պատրաստվել անկանխատեսելի ապագային և ապահովել, որ իրենց որոշումները տեղեկացված լինեն հեռատեսության և խոհեմության միջոցով:
