Гипотезо-ориентированное моделирование как компас для навигации в неопределенном будущем

Недавние достижения в области данных и технологий 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, управляемыми ИИ, для дополнения принятия решений человеком.

Могут ли данные, управляемые аналитикой, предсказать будущее?

В последние годы ИИ прошел трансформационное путешествие, обусловленное замечательными, данными, управляемыми достижениями. В сердце эволюции ИИ лежит удивительная способность извлекать глубокие идеи из огромных наборов данных. Возникновение моделей глубокого обучения и больших языковых моделей (LLM) привели поле в неисследованную территорию. Возможность использовать данные для принятия обоснованных решений стала доступной организациям всех размеров и во всех отраслях.

Возьмем, например, фармацевтическую промышленность. В Astellas мы используем данные и аналитику, чтобы помочь нам определить, в какие бизнес-портфели стоит инвестировать и когда. Если вы разрабатываете бизнес-модель, ориентированную на хорошо понятую область заболеваний, сила данных, управляемых аналитикой, позволяет вам получить идеи о всем, от открытия лекарств до маркетинга, что может привести к более обоснованным бизнес-решениям.

Однако, хотя данные, управляемые аналитикой, превосходно справляются с установленными областями с обильными историческими данными, предсказание будущего в неисследованных территориях остается сложной задачей. Трудно делать данные, управляемые прогнозами, 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 возникновения генеративного ИИ на определенный бизнес на ранних стадиях). Эти сценарии подчеркивают ограничения полагания исключительно на исторические данные для определения курса вперед.

Типичный пример в фармацевтической промышленности, с которым Astellas регулярно сталкивается, – это оценка инноваций, 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 эволюционирует во времени в разных условиях. Это позволяет лицам, принимающим решения, проверить различные сценарии в виртуальных “параллельных мирах”.

На практике это означает представление на столе принятия решений разнообразия ключевых сценариев, каждый из которых имеет свою вероятность и оценку воздействия. Лица, принимающие решения, могут затем оценить критические сценарии и разработать стратегии для будущего на основе этих симуляций. В фармацевтической промышленности это требует сделать предположения о ряде факторов, таких как показатели успеха клинических испытаний, адаптивность рынка и популяции пациентов. Десятки тысяч симуляций затем запускаются, чтобы осветить неясный путь вперед и предоставить бесценные идеи для управления курсом.

В Astellas мы разработали гипотезо-ориентированное моделирование, которое создает сценарии и делает дедуктивную догадку, чтобы помочь обосновать стратегические решения. Мы можем сделать это, обновляя гипотезу моделирования в реальном времени (на столе принятия решений), что помогает улучшить качество стратегических решений. Оценка проекта – это тема, где метод моделирования приходит на помощь. Сначала мы строим возможные гипотезы о 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, чтобы сгенерировать возможные результаты и ожидаемую стоимость проекта. Расчетная стоимость используется для определения того, какие варианты мы должны выбрать, включая распределение ресурсов и планирование проекта.

Чтобы глубже понять, давайте рассмотрим случай, когда метод применяется к оценке проекта на ранней стадии. Учитывая неотъемлемо высокий уровень неопределенности, который возникает с проектами на более ранних стадиях, существует множество возможностей для смягчения рисков неудачи и максимизации наград успеха. Проще говоря, чем раньше проект находится на стадии своего жизненного цикла, тем больше потенциал для гибкого принятия решений (например, стратегических корректировок, расширения рынка, оценки возможности отказа и т. д.). Оценка стоимости гибкости поэтому имеет первостепенное значение для захвата всех ценностей ранних проектов. Это можно сделать, объединив теорию реальных опционов и модель симуляции.

Измерение воздействия гипотезо-ориентированного моделирования требует оценки с точки зрения процесса и результатов. Типичные показатели, такие как снижение затрат, эффективность использования времени и рост доходов, могут быть использованы для измерения ROI. Однако они могут не охватить всю сферу 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.

Это означает, что ценность гипотезо-ориентированного моделирования можно измерить, увидев, как оно интегрируется в процесс принятия решений. Чем больше результаты моделирования влияют на процесс принятия решений, тем выше их ценность.

Будущее аналитики данных

Аналитика данных должна разделиться на три основных направления: (1) Индуктивный подход, который стремится выявить закономерности в больших данных, что 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 нельзя использовать достаточные данные (например, причинное 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).

Большие языковые модели и другие данные, управляемые аналитикой, 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 деятельности, 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 человеческого принятия решений. В частности, тенденция будет использовать аналитику данных и моделирование для стратегического принятия решений, управляя будущими неопределенностями с точки зрения среднесрочной и долгосрочной перспективы.

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 ограничения. Чтобы преодолеть это ограничение, принятие гипотезо-ориентированного моделирования вместе с данными, управляемыми подходом, позволяет организациям подготовиться к непредсказуемому будущему и обеспечить, чтобы их решения были обоснованы дальновидностью и осторожностью.