Datavidenskab er ikke et videnskabeligt projekt

Leveret af SAS

Ifølge en undersøgelse fra 2018 fra New Vantage Partners er 97 % af virksomhederne investere i big data og kunstig intelligens (AI), og det primære mål for de fleste er at implementere avancerede analysefunktioner til forretningsbeslutningstagning.

Oliver Schabenberger er Executive Vice President, Chief Operating Officer og Chief Technology Officer hos SAS.

Dog mindst halvdelen af analyser resultater kommer aldrig i produktion.

Det ultimative mål med digital transformation gennem data science er at forbedre organisationen. Uanset om fokus er på at øge omsætningen, sænke omkostningerne, øge produktiviteten eller lancere nye virksomheder, er organisationer nødt til at gå videre end at indsamle data.

Analyseaktiverne og AI-modellerne skabt i opdagelsesfasen er heller ikke slutmålet. Hvis du ikke operationaliserer disse aktiver ved at sætte dem i værk for at drive forretningsresultater og administrere dem kontinuerligt, kan datavidenskab ikke opfylde sit potentiale.

Oliver Schabenberger, executive vice president, chief operating officer og chief technology officer hos SAS, taler ved virksomhedens 2018 Analytics Experience-konference i San Diego. Steve Muir/SAS

Hvor skal man starte med datavidenskab

Hvis du planlægger at investere i et datavidenskabsprogram, bør du være langt forbi hypotese- og dataindsamlingsfasen i et projekt. Du skal have identificeret et klart problem, som du er klar til at tackle med analyser, og du skal vide, hvilke data du vil bruge til at løse det problem.

Der er mange barrierer for succes i datadrevne initiativer. Den vigtigste blandt dem er de vanskeligheder, mange organisationer står over for med at operationalisere analyser: implementering, overvågning og styring af analyser og AI i forretningsprocesser.

Hvordan kan du overvinde denne udfordring og flytte din idé fra et videnskabeligt projekt til ægte datavidenskab?

1. Start i det små, med et projekt, der omhandler en kernekompetence i virksomheden. Sørg for, at alle parter er enige om projektets forretningsværdi og tekniske gennemførlighed.
2. Vælg et projekt, der vil tilbyde en gevinst inden for et år. Ved at gå ind i projektet, hvordan en gevinst ser ud, og hvordan den vil blive målt.
3. Se efter muligheder for at automatisere og udvide din brug af analyser. Automatisering kan multiplicere resultaterne af dit projekt eksponentielt.

For at illustrere disse begreber, lad mig beskrive to nyere datavidenskabelige succeshistorier. Den ene er et sundhedsvæsen, der bruger computersyn til at hjælpe med at behandle kræftpatienter. Den anden er et socialbureau, der bruger maskinlæring til at beskytte udsatte børn. Endelig vil du se, hvordan disse projekter bevæger sig ud af pilotfasen for at blive implementeret til langsigtede resultater.

Automatisering af tumordetektion i medicinske billeder

Amsterdam University Medical Center begyndte for nylig at bruge computersyn og prædiktiv analyse til at forbedre behandlingen af ​​kræftpatienter. Dets indledende projekt bruger objektdetektion til at identificere og måle tumorer i CT-scanninger af leveren.

Tidligere har radiologer målt størrelsen af ​​tumorer manuelt i scanningerne før og efter behandlingen. Dette arbejde tager ofte op til en tredjedel af radiologens arbejdsdag, men det er kritisk arbejde. Hvis patientens tumorer reagerer på behandlingen, gør det også patienten til en god kandidat til operation.

Ledere så dette som et perfekt pilotprojekt til at teste evnerne til analyse og kunstig intelligens. Hospitalet byggede computer-vision-modeller til at analysere de medicinske billeder på en brøkdel af tiden. Objektdetektion genkender tumorer og tumorstørrelser næsten øjeblikkeligt. Plus, modellerne er mere objektive og mere præcise end radiologerne er.

Denne brug af analyser frigør ikke kun radiologer til at udføre mere praktisk arbejde med patienter, men redder også liv. Ved at finde resultater hurtigere og mere præcist kan computersyn hjælpe med at få flere patienter i livreddende operationer hurtigere.

Hvordan flyttede dette projekt sig fra videnskabeligt projekt til datavidenskabelige resultater?

• AI bliver anvendt på rigtige patientdata for at træffe beslutninger om patientbehandling.
• Hospitalet valgte et projekt med stort potentiale, fordi den nuværende metode er manuel, tidskrævende og lidt subjektiv. Ledere forstod klart fordelene ved at automatisere med en mere objektiv og præcis metode.
• Den oprindelige projektstørrelse var overskuelig, fordi AI blev anvendt til at hjælpe med ét aspekt af behandlingen af ​​en bestemt type kræft.
• Automatisering af målingerne af tumorerne er en gentagelig proces, som vil fortsætte med at spare tid og forbedre patientbehandlingen.
• Succesen med dette projekt kan gentages for at hjælpe med at behandle andre former for kræft og for at læse andre typer medicinske billeder.

Alarmer sagsbehandlere, når børn er i fare

New Hannover County , North Carolina, er nul for den opioidepidemi, der hærger USA. Som følge heraf har afdelingen for social service dér set voldsomme tilfælde af misbrug og omsorgssvigt.

Antallet af varetægtsfængslede børn på grund af opioider er fordoblet i amtet siden 2013. Opioider udgør nu næsten 30 % af indsatsen fra DSS.

Agenturet kender de faktorer, der sætter et barn i fare. Men når den ikke kan handle på frakoblede data på det rigtige tidspunkt, kan børn nemt falde igennem sprækkerne.

Wanda Marino, assisterende direktør for DSS på det tidspunkt, vidste, at amtet kunne gøre det bedre. Da hun hørte om en måde at imødegå børnemishandling med prædiktiv analyse, ansøgte hun om en bevilling til at hjælpe med at afprøve teknologien.

Det nye system samler forskellige datakilder og genererer regelbaserede advarsler, når et barns risikoniveau er steget. Det kan være 911-opkald fra hjemmet, arrestationer af familiemedlemmer, nye personer i hjemmet eller nye undersøgelser. Uanset kilden gør den visuelle præsentation af dataene det nemt for sagsbehandlere at se, hvad der udløste en alarm, bore i sagen for detaljer og afgøre, hvilke indgreb der kan være nødvendige.

Resultaterne af hurtigere indgreb omfatter reduktioner i børneskader og øget varighed – et permanent hjem for barnet. Marino siger, at udsatte børn er de reelle fordele. Dette partnerskab har været monumentalt. Det har været den ene ting, der har hjulpet os med at komme videre og forhindre børnemishandling i tide, og også med at redde børns liv.

Hvordan flyttede dette projekt sig fra videnskabeligt projekt til datavidenskabelige resultater?

• Amtet udvalgte et projekt, der har potentiale til at redde liv og gøre sagsbehandlere mere effektive.
• Projektet havde et klart mål om at hjælpe børn i et område med overbebyrdede ressourcer.
• Maskinlæring anvendes på flere datakilder for at hjælpe med at træffe beslutninger om børns sikkerhed.
• Automatisering af advarsler til sagsbehandlere er en gentagelig proces, som vil fortsætte med at spare tid og forbedre børns liv.
• Succesen med dette projekt kan gentages og udvides for at hjælpe andre amter og andet personale, der interagerer inden for det sociale system, såsom dommere og politibetjente.

Bevæger sig ud over det videnskabelige projekt

Analytics er ikke et videnskabeligt projekt, og det er ikke kun statistikere og dataforskeres domæne – ikke længere. Det, vi ser i eksemplerne i denne artikel, er, hvordan disse principper manifesterer sig:

• Muliggør indsigt og beslutningstagning baseret på data.
• Jobs gjort nemmere og mere produktive.
• Beslutninger truffet mere pålideligt og hurtigere ved at øge adgangen til analyser.
• Slutresultater, der gavner patienter, familier og samfundet.
• Analyse, der bevæger sig fra videnskabelige projekter til drift for at hjælpe organisationen, dens medarbejdere og de mennesker, den betjener.

For begge disse projekter fører de første resultater til udvidet brug af analyser. På Amsterdam UMC fortæller administratorer os, at de håber at udvide objektdetektionsmodellerne til flere typer kræft og flere typer patienter. I North Carolina kan det, der fungerer i ét amt, udvides til andre amter – og det kan føre til et statsdækkende program.

For at datavidenskab skal fungere, bør du være på en mission for at fjerne barrierer for at producere og forbruge analyser. Hvordan kan man tage et pilotprojekt og gøre det til noget større? Hvordan kan du tage data, du allerede har, og gøre dem til positive forandringer for din organisation og dine interessenter?

Lær mere om datadrevne tiltag hos SAS .

skjule