Гіпотезо-орієнтована симуляція як компас для навігації в невизначеному майбутньому

Недавні досягнення в галузі даних та штучного інтелекту (ШІ) відкрили потенціал прогнозування за допомогою ШІ. Однак прогнозування в невідомій території залишається викликом, де історичні дані можуть бути недостатніми, як це видно з непередбачуваними подіями, такими як пандемії та нові технологічні порушення. У відповідь гіпотезо-орієнтована симуляція може бути цінним інструментом, який дозволяє приймаючим рішення досліджувати різні сценарії та приймати обґрунтовані рішення. Ключ до досягнення бажаного майбутнього в епоху невизначеності полягає в використанні гіпотезо-орієнтованої симуляції разом з даними та ШІ для посилення прийняття рішень людиною.

Чи можуть дані та аналіз прогнозувати майбутнє?

За останні роки ШІ пройшов трансформаційний шлях, сприяючи видатним, даних-орієнтованим досягненням. У центрі еволюції ШІ лежить здатність витягувати глибокі знання з величезних наборів даних. Розквіт моделей глибокого навчання та великих мовних моделей (LLM) змусив галузь увійти в невідому територію. Можливість використовувати дані для прийняття обґрунтованих рішень стала доступною організаціям усіх розмірів та галузей.

Розглянемо фармацевтичну галузь як приклад. У Astellas ми використовуємо дані та аналіз, щоб допомогти визначити, в які бізнес-портфелі варто інвестувати та коли. Якщо ви розробляєте бізнес-модель, орієнтовану на добре зрозумілу область захворювання, дані та аналіз дозволяють вам отримати знання про все, від відкриття ліків до маркетингу, що в кінцевому підсумку може привести до більш обґрунтованих бізнес-рішень.

Однак, хоча дані та аналіз добре працюють у встановлених галузях з великою кількістю історичних даних, прогнозування майбутнього в невідомих територіях залишається серйозним викликом. Дуже складно робити дані-орієнтовані прогнози в областях, де недостатньо даних, таких як області, де відбулися надзвичайні зміни або технологічні інновації (було б дуже складно передбачити вплив раптової пандемії інфекційної хвороби або зростання генеративного ШІ на певний бізнес на ранній стадії). Ці сценарії підкреслюють обмеження використання лише історичних даних для визначення курсу вперед.

Типовий приклад у фармацевтичній галузі, з яким Astellas регулярно зустрічається, – це оцінка інноваційних інновацій, таких як генно- та клітинні терапії. З такою малою кількістю даних спроба передбачити точну вартість цих інновацій та їх широкий вплив на портфель лише на основі історичних даних схожа на навігацію через густий туман без компаса.

Погляд у майбутнє: Гіпотезо-орієнтована симуляція

Одним з перспективних підходів до навігації в невизначеному майбутньому є гіпотезо-орієнтована симуляція, яка імітує реальні процеси. Якщо ви бізнес, який виходить у невідомі області, вам потрібно прийняти гіпотезо-орієнтований підхід, коли історичні дані недоступні. Модель представляє, як ключові фактори в процесах впливають на результати, тоді як симуляція представляє, як модель розвивається з часом під різними умовами. Це дозволяє приймаючим рішення тестувати різні сценарії в віртуальному “паралельному світі”.

На практиці це означає розміщення ряду ключових сценаріїв на приймальній таблиці, кожен з яких має свій власний аналіз ймовірності та впливу. Приймаючі рішення можуть потім оцінити критичні сценарії та сформулювати стратегії для майбутнього на основі цих симуляцій. У фармацевтичній галузі це вимагає припущень про ряд факторів, таких як показники успіху клінічних випробувань, ринкова адаптивність та населення пацієнтів. Десять тисяч симуляцій проводяться для освітлення неясного шляху вперед та надання цінних знань для керування курсом.

У Astellas ми розробили гіпотезо-орієнтовану симуляцію, яка створює сценарії та робить логічний висновок, щоб допомогти інформувати стратегічне прийняття рішень. Ми можемо це зробити, оновлюючи гіпотезу симуляції в режимі реального часу (на приймальній таблиці), що допомагає покращити якість стратегічних рішень. Оцінка проекту – одна з тем, де метод симуляції застосовується. Спочатку ми будемо створювати можливі гіпотези про різні фактори, включаючи, але не обмежуючись, ринкові потреби та ймовірність успіху клінічних випробувань. Потім, на основі цих гіпотез, ми симулюємо події, які відбуваються під час клінічних випробувань або після запуску продукту, щоб згенерувати можливі результати та очікувану вартість проекту. Розрахункова вартість використовується для визначення того, які варіанти ми повинні вибрати, включаючи розподіл ресурсів та планування проекту.

Щоб глибше зрозуміти, розглянемо випадок, коли цей метод застосовується до оцінки проекту на ранній стадії. Ураховуючи внутрішньо високу невизначеність, яка супроводжує проекти на ранній стадії, є багато можливостей для мінімізації ризиків невдачі та максимізації нагород успіху. Просто кажучи, чим раніше проект знаходиться у своєму життєвому циклі, тим більший потенціал для гнучкого прийняття рішень (наприклад, стратегічних коригувань, розширення ринку, оцінки можливості відмови тощо). Оцінка вартості гнучкості є важливою для захоплення всіх цінностей проектів на ранній стадії. Це можна зробити, поєднавши теорію реальних опціонів та модель симуляції.

Вимірювання впливу гіпотезо-орієнтованої симуляції вимагає оцінки з точки зору процесу та результатів. Типові індикатори, такі як зниження витрат, підвищення ефективності часу та зростання доходів, можна використовувати для вимірювання ROI. Однак вони можуть не охоплювати всю сферу прийняття рішень, особливо коли деякі рішення включають бездіяльність. Крім того, важливо визнати, що результати бізнес-рішень можуть не бути негайно очевидними. У фармацевтичному бізнесі, наприклад, середній час від клінічних випробувань до запуску продукту на ринок становить понад 10 років.

Тобто вартість гіпотезо-орієнтованої симуляції можна виміряти, побачивши, як вона інтегрована в процес прийняття рішень. Чим більше результати симуляції впливають на прийняття рішень, тим вища її вартість.

Майбутнє даних та аналізу

Дані та аналіз мають розділитися на три основні тенденції: (1) індуктивний підхід, який шукає закономірності у великих даних, який працює під припущенням, що закономірності, знайдені в даних, можна застосувати до майбутнього, яке ми хочемо передбачити (наприклад, генеративний ШІ); (2) аналітичний підхід, який фокусується на інтерпретації та розумінні явищ, де достатньо даних не можна використати (наприклад, каузальна інференція); і (3) дедуктивний підхід, який спирається на бізнес-правила, принципи чи знання для прогнозування майбутніх результатів. Він працює навіть тоді, коли даних недостатньо (наприклад, гіпотезо-орієнтована симуляція).

LLM та інші дані-орієнтовані методи аналізу мають потенціал суттєво розширити свої практичні застосування. Вони мають потенціал революціонізувати роботу, прискорюючи, покращуючи якість та в деяких випадках навіть виконуючи людську роботу. Ця трансформаційна зміна дозволить людям зосередитися на більш важливих аспектах своєї роботи, таких як критичне мислення та прийняття рішень, а не на більш трудомістких діяльності, таких як збір, організація, аналіз та візуалізація даних у випадку з аналітиками даних. Коли це відбувається, важливість вибору напрямку руху зростатиме, а фокус буде зроблений на посиленні прийняття рішень людиною. Зокрема, тенденція буде полягати в тому, щоб використовувати дані та аналіз для стратегічного прийняття рішень, керуючи майбутньою невизначеністю з точки зору середньо- та довгострокової перспективи.

У підсумку досягнення гармонійного балансу між трьома підходами вище максимізує справжній потенціал даних та аналізу та дозволить організаціям процвітати в швидкозмінному ландшафті. Хоча історичні дані є величезним активом, важливо визнати обмеження. Щоб подолати це обмеження, прийняття гіпотезо-орієнтованої симуляції поряд з даними-орієнтованим підходом дозволяє організаціям готуватися до непередбачуваного майбутнього та забезпечувати, щоб їхні рішення були обґрунтовані передбаченням та обережністю.