Flex.bi pieredze EUHubs4Data projektā: Iespēja brīvi eksperimentēt

🗣 Kāds ir jūsu projekta stāsts?

WASHAI projekta pamatā bija vēlme piedāvāt mazā un vidējā segmenta klientam tehnoloģijas, kas nav tik viegli aizsniedzamas un integrēt tās flex.bi datu analītikas platformā vienkāršā, ērtā un saprotamā veidā. Projekta mērķauditorija sākotnēji bija pašapkalpošanās nozare, un mūsu sadarbības partneris šī projekta ietvaros bija AS PUTO, kas nodrošina pašapkalpošanās automazgātavas. Pieņēmām izaicinājumu risināt šīs specifiskās pašapkalpošanās nozares izaicinājumus.

Veicot biznesa prasību analīzi secinājām, ka sarežģītākā problēma ir klientu plūsmas analīze, klienta profila veidošana, kā arī klientu paradumu analīze atkarībā no laikapstākļiem. Laikapstākļu ietekmes analīzi apgrūtina fakts, ka finanšu analīzes sistēmās nav pieejama laikapstākļu informācija, turklāt sakarības nav primitīvas, līdz ar to nav ērta rīka, kas ļautu prognozēt rezultātus laikapstākļu kontekstā, kā arī analizēt vēsturiskos rezultātus un skaidrot tos.

Otra problēma, kas iezīmējās skaidri: klientu plūsmas analīzei nepietiek ar informāciju par klientu veikto transakciju skaitu no iekārtām, svarīgi ir, cik klientu ir veikuši šīs transakcijas. Tā pati pašapkalpošanās specifika arī apgrūtina klienta profila izveidi, jo reālo klientu neviens nesatiek. Nav skaidrs ne apmeklētāja dzimums, ne vecums, ne auto zīmols. Bez iespējas skaidri redzēt nozarei būtiskos darbības rādītājus un plānot uzņēmuma vadība ir apgrūtināta un izaicinoša, tāpēc izlēmām izmantot dažādus tehnoloģiskos rīkus, lai ievāktu trūkstošos datus, tos apstrādātu un kombinētu, veidojot pārskatu par uzņēmumam svarīgo no visiem šiem aspektiem.

EUHubs4Data projekts sniedza iespēju šo problēmu risināšanai izmēģināt mašīnmācīšanās un mākslīgā intelekta (AI) tehnoloģijas, tostarp vizuālo sensoru risinājumus, kā arī sadarbības partneru zināšanas gan no Latvijas, gan Itālijas.

🗣 Kas ir gala rezultāts?

Gala rezultāts ir visaptverošs, klienta vajadzībām pielāgots AI datu analīzes risinājums, kura pamatā ir flex.bi platforma. Šajā risinājumā ir apkopoti klientam svarīgie dati no dažādiem datu avotiem, tostarp grāmatvedības sistēmas un pašapkalpošanās iekārtām. Šie dati ir bagātināti ar vēsturisko laikapstākļu informāciju konkrētajās iekārtu atrašanās vietās, kā arī ar laikapstākļu prognozēm nākamajām dienām. Mēs izmantojām ar AI tehnoloģiju aprīkotus sensorus, kas palīdzēja uzskaitīt klientu plūsmu, kā arī noteikt klientu profilu vecuma un dzimuma kontekstā. Savukārt mašīnmācīšanās modeļi ļāva mums ar pietiekamu precizitāti prognozēt klientu plūsmu un apgrozījumu atkarībā no turpmāko dienu laika prognozes un citiem papildu faktoriem.

Klients šo risinājumu lieto dinamisku atskaišu un informācijas paneļu formā, kas palīdz ātri pieņemt datos pamatotus lēmumus, kā arī ar faktiem pamatot jau sasniegtos rezultātus. Mēs izmantojām ar AI tehnoloģiju aprīkotus sensorus, kas palīdzēja uzskaitīt klientu plūsmu, kā arī noteikt klientu profilu vecuma un dzimuma kontekstā. Savukārt mašīnmācīšanās modeļi ļāva mums ar pietiekamu precizitāti prognozēt klientu plūsmu un apgrozījumu atkarībā no turpmāko dienu laika prognozes un citiem papildu faktoriem. Projekta ietvaros izstrādāto mašīnmācīšanās modeļu prognozēšanas precizitāte ir aptuveni 85%, taču ar lielāku sākotnējai apmācībai izmantoto datu kopu varētu iegūt vēl precīzākus rezultātus. Ne mazāk svarīga ir arī prognozētās klientu plūsmas komponente, jo tā sniedz iespēju izvērtēt, kad labāk veikt iekārtu apkopes un uzturēšanas darbus.

Šajā projektā svarīgi bija nodrošināt atskaites, kas viegli saprotamā veidā atspoguļo uzņēmuma rezultātus ar visu kontekstu, kas nepieciešams vadībai, lai veiksmīgi skaidrotu un sekotu līdzi operatīvajai darbībai un plānotu nākamos soļus. Šobrīd redzam, ka izstrādātais risinājums ir pielietojams jebkurā nozarē, kuras darbības rezultātus ietekmē laikapstākļi un piedāvājam to arī citiem klientiem - mazumtirdzniecībā, transporta un tūrisma nozarē.

🗣 Kāda loma ir mašīnmācīšanās un AI komponentēm projektā?

Tehnoloģijas sniedz iespējas, kuras tradicionālajiem līdzekļiem nebūtu pa spēkam - tas prasītu daudz laika vai arī nebūtu iespējams vispār. Mūsdienās veikt cilvēku skaitīšanu un profilēšanu, blociņā velkot strīpiņas, nav lietderīgi - rezultātiem jābūt dinamiskiem un redzamiem tiešsaistē. Risinot uzņēmumu datu analīzes problēmas, ir jautājumi, uz kuriem atbildes iegūt nav triviāli - tas prasa apkopot gan iekārtu, gan sistēmu datus un no tā nevajag baidīties.

Projekta ietvaros bija jāizstrādā risinājuma pilotversija, kuras galvenais mērķis bija parādīt, ka AI tehnoloģijas var risināt konkrētos uzdevumus kvalitatīvi un rezultatīvi. AI vizuālie sensori tika uzstādīti vienā izmēģinājuma stacijā, rezultāti tika kalibrēti, lai sasniegtu maksimālu precizitāti. Galvenais sensoru pienesums ir padziļināta izpratne par klientu un klienta paradumiem, kā arī šīs informācijas ieguves automatizēšana. Izstrādātie prognozes modeļi tika testēti, dažādu rādītāju kontekstā un dažādām datu kopām, lai izprastu mašīnmāscīšanās pielietojuma jēgu, ne tikai prognozējot precīzu rezultātu, bet arī skaidrojot algoritma darbības principus un nozīmīgākos faktorus. Sakarības, kuras spēj ieraudzīt mašīnmācīšanās algoritms, cilvēka prātam ir nojaušamas, taču ne precīzi aptveramas.

Mēs esam iepazīstinājuši klientu ar risinājumu un rezultātiem viņa biznesa kontekstā, un tagad klients pats var izvērtēt, vai vēlēsies šo risinājumu paplašināt, uzstādot papildus sensorus arī citās stacijās.

🗣 Ko projekts ir devis flex.bi komandai?

Šis projekts mums sniedza brīvību eksperimentēt. Mums tas bija pilnīgi jauns virziens, jo mūsu klienti pārsvarā ir no mazā un vidējā segmenta un nevar atļauties ieguldīt laiku un līdzekļus tik inovatīvos risinājumos kā mākslīgais intelekts un mašīnmācīšanās. Ja vien klients nav jauns uzņēmums, kas sāk darbu ar iekārtām, kurās jau ir iebūvēti dažādi sensori, viņiem šāds papildinājums izmaksā ļoti dārgi. Kopā šī projekta ietvaros mēs saņēmām atbalstu 60 000 EUR apmērā, kas mums ļāva ieguldīt ļoti daudz laika gan mūsu, gan mūsu klienta izaugsmē.

Projekta laikā mēs apguvām mašīnmācīšanās pamatus un ar to saistītās iespējas kopā ar ekspertiem, ko mums nodrošināja mūsu mentors Latvijas IT klasteris. Mums izveidojās ļoti laba sadarbība ar Rīgas Tehniskās Universitātes profesori Inesi Polaku, kas specializējas tieši mašīnmācīšanās jomā. Inese mums palīdzēja izprast izstrādātos mašīnmācīšanās modeļus, kas tapa sadarbībā ar mūsu partneri CINECA no Itālijas, un pārnest gūtās zināšanās uz reālo klientam paredzēto risinājumu, automatizēt rezultātu ieguvi. Tāpat mēs ieguvām padziļinātu ieskatu ar GDPR saistītajos jautājumos, jo šis projekts ir saistīts ar sensitīviem datiem.

Liels paldies visai projekta komandai: Mikam Valeram, Inesei Poļakai, Inesei Mūrniecei, Kasparam Veģerim, Laurai Moriselli un Eleonorai Bergamaschi, kuri neatlaidīgi strādāja visu 9 mēnešu garumā.

🗣 Kādas ir iegūtās mācībstundas?

Viena no galvenajām atziņām ir, ka ir svarīgi izvēlēties uzticamus partnerus, kas ir vēlas un ir spējīgi dinamiski strādāt, lai kopīgiem spēkiem realizētu projektu labākajā iespējamajā veidā.

Mūsu projekts bija sarežģīts, jo tajā bija iesaistīti pieci partneri: Latvijas IT klasteris, EUHubs4Data, Cineca, PUTO un TD Trusted Decisions. Projektā bija sarežģījumi ar AI sensoru nodrošinājumu - dažādu tehnisku iemeslu dēļ sensoru uzstādīšana aizkavējās, un problēmas netika risinātas pietiekami strauji. Lai gan sensori ir tikai viena daļa no kopējā projekta, taču gala risinājumā ir svarīgas visas komponentes, tāpēc pat it kā neliela viena partnera kavēšanās būtiski ietekmē kopējo projekta izpildi.

Savukārt, veiksmes stāsts bija mūsu sadarbība ar Latvijas IT klastera piesaistīto eksperti, RTU profesori Inesi Poļaku. Viņa ne tikai palīdzēja mums apgūt mašīnmācīšanās pamatus, bet arī praktiski iesaistījās komunikācijā ar digitālo inovāciju centru Cineca, kas arī bija ļoti akurāts partneris. Es ļoti priecājos par šo partneru izvēli, jo veiksmīgā sadarbība ļāva mums laicīgi pabeigt ar mašīnmācīšanās modeļu izstrādi saistītos projekta uzdevums.

🗣 Ko Tu ieteiktu citiem uzņēmumiem, kas vēlas pieteikties šādiem uzsaukumiem?

Ieteiktu rūpīgi iedziļināties projekta prasībās un atskaites punktos. Sākotnēji mums ar EUHUBS4DATA pārraudzības komandu bija lielas diskusijas par atskaites punktiem (Milestones), kas projektam jāsasniedz. Tobrīd bija daudz nezināmo, taču jau bija jāpasaka, ko tu sasniegsi beigās. Par to mums bija jāvienojas, slēdzot līgumu, pašā projekta sākumā. Mēs, piemēram, vēl nezinājām, kāda ir mašīnmācīšanās precizitāte, bet nācās mācīties un saprast, ko drīkstam solīt. Atskaites punktiem ir jābūt izmērāmiem, šim ir jāpieiet skrupulozi, taču tajā pašā laikā jābūt uzmanīgiem, lai var uzstādīto izpildīt. Nevajag tos arī pārlieku pazemināt, jo tad pašiem nebūs interesanti.

Mēs ar komandu diskutējām. Daudz. Es to arī ieteiktu – runāt un vērtēt, lai pašiem būtu vieglāk ar izpildi. Eksperiments paliek eksperiments, un precizitāti un plānoto rezultātu mums izdevās sasniegt, bet, ja rādītāji būtu augstāki, būtu jautājums, ko darīt, jo konkrētajā pilota projektā bija objektīvi ierobežojumi datu apmēra dēļ. Tāpat arī datu integrāciju automatizācijas jautājumā bija no mums neatkarīgu apstākļu ietekme, kas varēja mainīt un aizkavēt projekta rezultātu. Protams, ka visu paredzēt nevar, taču ir jāmodelē plānotais process diezgan detalizēti un regulāri, lai nav pārsteigumu.

🗣 Kā Tu vērtē projektu kopumā? 

Domāju, ka projekts ir bijis veiksmīgs, jo esam ieguvuši jaunas zināšanas un pieredzi mākslīgā intelekta un mašīnmācīšanās jomās, kam citādi, iespējams, nebūtu varējuši pievērsties. Kā galvenos panākumus es gribētu izcelt ar risinājumu apmierinātu klientu, jaunas zināšanas guvušu komandu, iedvesmojošu sadarbību ar speciālistiem un mentoriem, unikālu pieredzi un apstiprinātu pieņēmumu, ka arī klientiem mūsu segmentā var būt noderīgas tādas modernās tehnoloģijas kā AI un mašīnmācīšanās.

Manuprāt, šis projekts ir ļoti vērtīga smilšu kaste, kur brīvā formā izmēģināt savas idejas, jo galu galā paši projekta organizatori to visu sauc par eksperimentu.

Projekts EUHubs4Data ir saņēmis Eiropas Savienības Horizon 2020 Izpētes un inovāciju programmas finansējumu. Līguma Nr.951771. Rakstā paustie uzskati un viedokļi ir tikai autora(-u) uzskati un viedokļi un ne vienmēr atspoguļo Eiropas Savienības vai Eiropas Komisijas uzskatus un viedokļus. Par tiem nav atbildīga ne Eiropas Savienība, ne Eiropas Komisija.