Η επαναστατική χρήση της τεχνητής νοημοσύνης (Τ.Ν.) φαίνεται στις προτάσεις που κάνουν πλατφόρμες όπως το Netflix για το τι να παρακολουθήσουμε στη συνέχεια, στα chatbots που εμφανίζονται ως υπάλληλοι εξυπηρέτησης πελατών στο Διαδίκτυο και στη δυναμική εμφάνιση τιμών των ξενοδοχείων. Οι προσπάθειες αυτές αποτελούν μηχανισμούς δημιουργίας αξίας για μεγάλες και επιτυχημένες εταιρείες. Ωστόσο, και οι επιχειρήσεις μπορούν κι αυτές να υιοθετήσουν μια εκ πρώτης όψεως λιγότερο εντυπωσιακή και πιο πεζή χρήση της Τ.Ν. – για την ταχύτερη επεξεργασία εγγράφων και την απλοποίηση λειτουργικών διαδικασιών.
Αν και η χρήση αυτή στοχεύει περισσότερο στη μείωση του κόστους παρά στον μετασχηματισμό των κλάδων, η «βαρετή Τ.Ν.» είναι στην πραγματικότητα ιδιαίτερα συναρπαστική – καθώς είναι σε θέση να επιλύει ζητήματα που αντιμετωπίζουν οι περισσότερες εταιρείες, αλλά και επειδή το όφελος για την παραγωγικότητα είναι πραγματικό. Σύμφωνα με πρόσφατη έρευνα της PwC (Digital intelligence: How to make your analytics functions more efficient and cost-effective) σχετικά με την αυτοματοποίηση των ενεργειών της εκπόνησης αναλύσεων, ακόμα και οι πιο βασικές τεχνικές για την άντληση πληροφοριών με βάση την Τ.Ν. μπορούν να εξοικονομήσουν για τις επιχειρήσεις το 30%-40% του χρόνου που συνήθως αφιερώνουν σε σχετικές διαδικασίες.
Για παράδειγμα, τα στοιχεία που χρησιμοποιούνται στους ελέγχους (τιμολόγια, καταστάσεις λογαριασμών, αποδείξεις) συνήθως εμφανίζονται με τη μορφή PDF και μπορεί να αποτελούνται από χιλιάδες σελίδες. Στην περίπτωση αυτή οι πληροφορίες πρέπει να εισάγονται σε λογιστικά φύλλα με το χέρι. Για μια εταιρεία μεσαίου μεγέθους που επεξεργάζεται 100.000 σελίδες εγγράφων ετησίως με ρυθμό τρία λεπτά ανά σελίδα, θα χρειάζονταν περίπου 5.000 ανθρωποώρες για την ολοκλήρωση του έργου αυτού – αν υποθέσουμε αμοιβή 50 δολάρια την ώρα, αυτό αντιστοιχεί σε 250.000 δολάρια.
Τι θα γινόταν όμως αν η εταιρεία χρησιμοποιούσε Τ.Ν. για να «διαβάσει» το κείμενο σε κάθε τιμολόγιο και έκανε αναζήτηση σχεσιακών δεδομένων ώστε να εντοπίσει γρήγορα τα έγγραφα που η επιχείρηση είχε επισημάνει στο παρελθόν ως σημαντικά; Αν και τα έντυπα τιμολόγια μπορεί να είναι μοναδικά για κάθε προμηθευτή, οι τεχνικές της Τ.Ν. έχουν τη δυνατότητα να αναγνωρίζουν τα σημαντικά πεδία στα διαφορετικά τιμολόγια, όπως κόστος μονάδας και ποσότητα, και να υπολογίζουν αυτόματα τα ισοζύγια καθολικού. Με την υλοποίηση μιας λύσης Τ.Ν. και την παραπάνω εκτίμηση του 40%, η μεσαίου μεγέθους εταιρεία θα μπορούσε να εξοικονομήσει 2.000 ώρες για κάθε 100.000 σελίδες που επεξεργάζεται.
Η εξαγωγή πληροφοριών μέσω Τ.Ν. μπορεί να καλύψει ανεπάρκειες, αλλά ταυτόχρονα προϋποθέτει μια σειρά πολύπλοκων τεχνικών της επιστήμης δεδομένων με πολλαπλές δυναμικές παραμέτρους. Για παράδειγμα, η οπτική αναγνώριση χαρακτήρων (OCR) αφορά στη χρήση προηγμένων αλγορίθμων μηχανικής μάθησης δίνοντας τη δυνατότητα αυτόματης ανάγνωσης τυπωμένων χαρακτήρων σε μια σελίδα, ανεξαρτήτως γραμματοσειράς, μεγέθους, κατεύθυνσης και φωτεινότητας – ακόμα και χειρόγραφων χαρακτήρων. Αυτή τη στιγμή συναντάμε συχνά το OCR κατά την αυτοματοποιημένη κατάθεση επιταγών με τη χρήση του τηλεφώνου μας. Πρόκειται για παλαιότερη τεχνολογία, η οποία όμως εξακολουθεί να παραμένει ουσιαστική ως το πρώτο βήμα της διαδικασίας συγκέντρωσης των σχετικών δεδομένων από τα εν λόγω έγγραφα.
Η εξαγωγή πληροφοριών μέσω Τ.Ν. μπορεί επίσης να αξιοποιήσει μερικές από τις πρόσφατες εξελίξεις στην επεξεργασία φυσικής γλώσσας (natural language processing) για την αναγνώριση του πραγματικού «νοήματος» ενός εγγράφου, μέσω της αναγνώρισης των συμφραζομένων, του συντακτικού κ.λπ. Η ίδια η Τ.Ν. δεν κατανοεί το νόημα (αν και μπορεί να φαίνεται έτσι), αλλά οι αλγόριθμοι είναι σε θέση να δημιουργήσουν περιλήψεις εγγράφων, να αναγνωρίσουν θεματικούς άξονες, να κρίνουν τη διάθεση (θετική ή αρνητική) του κειμένου, να εντοπίσουν όρους-κλειδιά ή όρους εντός εγγράφων και να αναγνωρίσουν ομάδες εγγράφων που απαιτούν παρόμοια δράση.
Με αυτοματοποιημένες ή επαυξημένες λύσεις, οι επιχειρήσεις έχουν τη δυνατότητα να βελτιστοποιήσουν διαδικασίες που παραδοσιακά ήταν χρονοβόρες και επιρρεπείς σε σφάλματα, να αναγνωρίσουν ευκαιρίες για τη βελτίωση της ταχύτητας και της αποδοτικότητας και να ξεκλειδώσουν χρήσιμες πληροφορίες που μπορούν να συμβάλουν στη μακροπρόθεσμη ανάπτυξη. Το βαρετό δεν έχει υπάρξει ποτέ τόσο συναρπαστικό.
* Ο κ. Robert N. Bernard είναι Director, Products & Technology, PwC HΠΑ.
** O κ. Anand Raο είναι Global AI Lead, PwC.