Гипотезо-ориентированное моделирование как компас для навигации в неопределенном будущем

Недавние достижения в области технологий, основанных на данных, открыли потенциал прогнозирования с помощью искусственного интеллекта (ИИ). Однако прогнозирование в неисследованной территории остается проблемой, где исторические данные могут быть недостаточными, как видно на примере непредсказуемых событий, таких как пандемии и новые технологические нарушения. В ответ гипотезо-ориентированное моделирование может быть ценным инструментом, который позволяет лицам, принимающим решения, исследовать различные сценарии и принимать обоснованные решения. Ключ к достижению желаемого будущего в эпоху неопределенности заключается в использовании гипотезо-ориентированного моделирования вместе с данными, основанными на ИИ, для дополнения принятия решений человеком.

Могут ли данные, основанные на аналитике, предсказать будущее?

В последние годы ИИ прошел трансформационное путешествие, стимулированное замечательными, основанными на данных, достижениями. В сердце эволюции ИИ лежит удивительная способность извлекать глубокие прозрения из огромных наборов данных. Возникновение моделей глубокого обучения и больших языковых моделей (LLM) продвинуло эту область в неисследованную территорию. Возможность использовать данные для принятия обоснованных решений стала доступной организациям всех размеров и отраслей.

Взяв в качестве примера фармацевтическую промышленность. В Astellas мы используем данные и аналитику, чтобы помочь информировать, в какие бизнес-портфели инвестировать и когда. Если вы разрабатываете бизнес-модель, ориентированную на обычную и хорошо понятую область заболеваний, сила данных, основанных на аналитике, позволяет вам получить прозрения во все, от открытия лекарств до маркетинга, что в конечном итоге может привести к более обоснованным бизнес-решениям.

Однако, хотя данные, основанные на аналитике, превосходно справляются с установленными доменами с обилием исторических данных, предсказание будущего в неисследованной территории остается грозной проблемой. Трудно сделать данные, основанные на прогнозах, в областях, где достаточных данных еще нет, таких как области, где произошли необычные изменения или технологические инновации (было бы очень трудно предсказать влияние внезапной пандемии инфекционного вируса или возникновение генеративного ИИ на определенную бизнес в его ранних стадиях). Эти сценарии подчеркивают ограничения полагания исключительно на исторические данные для определения курса вперед.

Типичный пример в фармацевтической промышленности, и тот, с которым Astellas регулярно сталкивается, – это оценка инновационных технологий, таких как генные и клеточные терапии. С таким небольшим количеством доступных данных попытка предсказать точную стоимость этих инноваций и их далеко идущее влияние на портфель исключительно на основе исторических данных подобна навигации через густой туман без компаса.

Взгляд в будущее: Гипотезо-ориентированное моделирование

Одним из перспективных подходов к навигации в водах неопределенности является гипотезо-ориентированное моделирование, которое имитирует реальные процессы. Если вы бизнес, который входит в неизвестные области, вам нужно принять гипотезо-ориентированный подход, когда исторические данные недоступны. Модель представляет, как ключевые факторы в процессах влияют на результаты, а моделирование представляет, как модель развивается во времени в разных условиях. Это позволяет лицам, принимающим решения, тестировать различные сценарии в виртуальных “параллельных мирах”.

На практике это означает представление на столе принятия решений разнообразных ключевых сценариев, каждый со своей вероятностью и оценкой воздействия. Лица, принимающие решения, могут затем оценить критические сценарии и разработать стратегии для будущего на основе этих симуляций. В фармацевтической промышленности это требует предположений о ряде факторов, таких как показатели успеха клинических испытаний, адаптивность рынка и популяции пациентов. Десятки тысяч симуляций затем запускаются для освещения неясного пути вперед и предоставления бесценных прозрений для управления курсом.

В Astellas мы разработали гипотезо-ориентированное моделирование, которое создает сценарии и делает вывод, чтобы помочь информировать стратегическое принятие решений. Мы можем делать это, обновляя гипотезу моделирования в реальном времени (на столе принятия решений), что помогает улучшить качество стратегических решений. Оценка проекта – это одна из тем, где метод моделирования применяется. Сначала мы строим возможные гипотезы на различных факторах, включая, но не ограничиваясь, потребности рынка и вероятность успеха клинических испытаний. Затем, на основе этих гипотез, мы моделируем события, которые происходят во время клинических испытаний или после запуска продукта, для генерации возможных результатов проекта и ожидаемой стоимости. Расчетная стоимость используется для определения того, какие варианты мы должны выбрать, включая распределение ресурсов и планирование проекта.

Чтобы глубже изучить, давайте рассмотрим случай, когда метод применяется к оценке проекта на ранней стадии. Учитывая, что ранние проекты имеют высокий уровень неопределенности, существует множество возможностей для смягчения рисков неудачи и максимизации наград успеха. Проще говоря, чем раньше проект находится в своем жизненном цикле, тем больше потенциал для гибкого принятия решений (например, стратегических корректировок, расширения рынка, оценки возможности отказа и т. д.). Оценка гибкости имеет, поэтому, первостепенное значение для захвата всех ценностей ранних проектов. Это можно сделать, объединив теорию реальных вариантов и модель симуляции.

Измерение воздействия гипотезо-ориентированного моделирования требует оценки как с точки зрения процесса, так и результатов. Типичные показатели, такие как снижение затрат, повышение эффективности и рост доходов, можно использовать для измерения ROI. Однако они могут не охватить всю суть принятия решений, особенно когда некоторые решения включают бездействие. Кроме того, важно признать, что результаты бизнес-решений могут не быть сразу очевидными. В фармацевтическом бизнесе, например, среднее время от клинических испытаний до запуска на рынок превышает 10 лет.

То есть ценность гипотезо-ориентированного моделирования можно измерить, увидев, как оно интегрируется в процесс принятия решений. Чем больше результаты моделирования влияют на принятие решений, тем выше его ценность.

Будущее аналитики данных

Аналитика данных ожидается, что будет делиться на три основных направления: (1) Индуктивный подход, который стремится выявить закономерности в больших данных, который работает под предположением, что закономерности, найденные в данных, могут быть применены к будущему, которое мы хотим предсказать (например, генеративный ИИ); (2) Аналитический подход, который фокусируется на интерпретации и понимании явлений, где достаточных данных не может быть использовано (например, каузальная вывод); и (3) Дедуктивный подход, который полагается на бизнес-правила, принципы или знания, чтобы увидеть будущие результаты. Он работает даже тогда, когда доступно меньше данных (например, гипотезо-ориентированное моделирование).

LLM и другие данные, основанные на аналитике, готовы значительно расширить свои практические применения. У них есть потенциал революционизировать работу, ускоряя, улучшая качество и в некоторых случаях даже выполняя человеческую работу. Этот трансформационный сдвиг позволит людям сосредоточить свои усилия на более важных аспектах своей работы, таких как критическое мышление и принятие решений, а не на более трудоемких занятиях, таких как сбор/организация/анализ/визуализация данных, в случае аналитиков данных. Когда это произойдет, важность того, в каком направлении двигаться, увеличится, и фокус будет на дополнении принятия решений человеком.

В заключение, достижение гармоничного баланса между тремя подходами выше максимизирует истинный потенциал аналитики данных и позволит организациям процветать в быстро меняющемся ландшафте. Хотя исторические данные являются огромным активом, важно признать их ограничения. Чтобы преодолеть это ограничение, принятие гипотезо-ориентированного моделирования вместе с данными, основанными на подходе, позволяет организациям подготовиться к непредсказуемому будущему и обеспечить, чтобы их решения были информированы предвидением и осторожностью.