Datavitenskap er ikke et vitenskapelig prosjekt

Levert av SAS

I følge en undersøkelse fra 2018 fra New Vantage Partners, er 97 % av firmaene det investere i big data og kunstig intelligens (AI), og hovedmålet for de fleste er å distribuere avanserte analysefunksjoner for forretningsbeslutninger.

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

Men minst halvparten av analyser resultater kommer aldri i produksjon.

Det endelige målet med digital transformasjon gjennom datavitenskap er å forbedre organisasjonen. Enten fokus er på å øke inntektene, redusere kostnadene, øke produktiviteten eller lansere nye virksomheter, må organisasjoner gå lenger enn å samle data.

Analysemidlene og AI-modellene opprettet i oppdagelsesfasen er heller ikke sluttmålet. Hvis du ikke operasjonaliserer disse ressursene ved å sette dem i bruk for å drive forretningsresultater og administrere dem kontinuerlig, kan ikke datavitenskap oppfylle sitt potensial.

Oliver Schabenberger, konserndirektør, administrerende direktør og teknologisjef i SAS, taler på selskapets 2018 Analytics Experience-konferanse i San Diego. Steve Muir/SAS

Hvor skal du begynne med datavitenskap

Hvis du planlegger å investere i et datavitenskapsprogram, bør du være langt forbi hypotese- og datainnsamlingsfasen til et prosjekt. Du må ha et klart problem identifisert som du er klar til å takle med analyser, og du må vite hvilke data du vil bruke for å løse det problemet.

Det er mange hindringer for suksess i datadrevne tiltak. Den viktigste blant dem er vanskeligheten mange organisasjoner møter med å operasjonalisere analyser: distribuere, overvåke og administrere analyser og AI i forretningsprosesser.

Hvordan kan du overvinne denne utfordringen og flytte ideen din fra et vitenskapelig prosjekt til ekte datavitenskap?

1. Start i det små, med et prosjekt som tar for seg en kjernekompetanse i virksomheten. Sørg for at alle parter er enige om den forretningsmessige verdien og den tekniske gjennomførbarheten til prosjektet.
2. Velg et prosjekt som vil tilby en gevinst innen et år. Når du går inn i prosjektet, vet du hvordan en gevinst ser ut og hvordan den vil bli målt.
3. Se etter muligheter for å automatisere og utvide bruken av analyser. Automatisering kan multiplisere resultatene av prosjektet eksponentielt.

For å illustrere disse konseptene, la meg beskrive to nyere datavitenskapelige suksesshistorier. Det ene er et helsevesen som bruker datasyn for å hjelpe til med å behandle kreftpasienter. Den andre er et sosialbyrå som bruker maskinlæring for å beskytte sårbare barn. Til slutt vil du se hvordan disse prosjektene beveger seg ut av pilotfasen for å bli distribuert for langsiktige resultater.

Automatisering av tumordeteksjon i medisinske bilder

Amsterdam University Medical Center begynte nylig å bruke datasyn og prediktiv analyse for å forbedre omsorgen for kreftpasienter. Det første prosjektet bruker gjenstandsdeteksjon for å identifisere og måle svulster i CT-skanninger av lever.

Tidligere har radiologer målt størrelsen på svulster manuelt i skanningene før og etter behandling. Dette arbeidet tar ofte opptil en tredjedel av radiologens arbeidsdag, men det er kritisk arbeid. Hvis pasientens svulster reagerer på behandling, gjør det også pasienten til en god kandidat for operasjon.

Ledere så dette som et perfekt pilotprosjekt for å teste evnene til analyse og AI. Sykehuset bygde datasynsmodeller for å analysere de medisinske bildene på en brøkdel av tiden. Objektdeteksjon gjenkjenner svulster og tumorstørrelser nesten umiddelbart. Dessuten er modellene mer objektive og mer nøyaktige enn radiologene er.

Denne bruken av analyser frigjør ikke bare radiologer til å gjøre mer praktisk arbeid med pasienter, men redder også liv. Ved å finne resultater raskere og mer nøyaktig, kan datasyn bidra til å få flere pasienter til livreddende operasjoner raskere.

Hvordan gikk dette prosjektet fra vitenskapsprosjekt til datavitenskapelige resultater?

• AI brukes på ekte pasientdata for å ta beslutninger om pasientbehandling.
• Sykehuset valgte et prosjekt med stort potensial fordi dagens metode er manuell, tidkrevende og noe subjektiv. Ledere forsto tydelig fordelene med å automatisere med en mer objektiv og nøyaktig metode.
• Den opprinnelige prosjektstørrelsen var håndterbar fordi AI ble brukt for å hjelpe med ett aspekt ved behandling av en bestemt type kreft.
• Automatisering av målingene av svulstene er en repeterbar prosess som vil fortsette å spare tid og forbedre pasientbehandlingen.
• Suksessen til dette prosjektet kan gjentas for å hjelpe til med å behandle andre typer kreft og for å lese andre typer medisinske bilder.

Varsle saksbehandlere når barn er i faresonen

New Hanover County , North Carolina, er nullpunktet for opioidepidemien som herjer USA. Som et resultat har avdelingen for sosiale tjenester der sett skyhøye tilfeller av overgrep og omsorgssvikt.

Antall barn som blir varetektsfengslet på grunn av opioider har doblet seg i fylket siden 2013. Opioider utgjør nå nesten 30 % av intervensjonene fra DSS.

Byrået kjenner til faktorene som setter et barn i fare. Men når den ikke kan handle på frakoblede data til rett tid, kan barn lett falle gjennom sprekkene.

Wanda Marino, assisterende direktør for DSS på den tiden, visste at fylket kunne gjøre det bedre. Da hun hørte om en måte å takle barnemishandling med prediktiv analyse, søkte hun om en begavelse for å hjelpe til med å pilotere teknologien.

Det nye systemet samler ulike datakilder og genererer regelbaserte varsler når et barns risikonivå har økt. Det kan være 911-anrop fra hjemmet, arrestasjoner av familiemedlemmer, nye personer i hjemmet eller nye undersøkelser. Uavhengig av kilde, gjør den visuelle presentasjonen av dataene det enkelt for saksbehandlere å se hva som utløste et varsel, bore i saken for detaljer og finne ut hvilke inngrep som kan være nødvendige.

Resultatene av raskere intervensjoner inkluderer reduksjoner i barneskader og økte permanensrater – et permanent hjem for barnet. Marino sier at risikobarn er de virkelige fordelene. Dette partnerskapet har vært monumentalt. Det har vært den ene tingen som har hjulpet oss til å komme videre og forhindre barnemishandling i tide, og også redde liv til barn.

Hvordan gikk dette prosjektet fra vitenskapsprosjekt til datavitenskapelige resultater?

• Fylket valgte ut et prosjekt som har potensial til å redde liv og effektivisere saksbehandlere.
• Prosjektet hadde et klart mål om å hjelpe barn i et område med overbelastede ressurser.
• Maskinlæring brukes på flere datakilder for å hjelpe med å ta beslutninger om barns sikkerhet.
• Automatisering av varslene for saksbehandlere er en repeterbar prosess som vil fortsette å spare tid og forbedre barnas liv.
• Suksessen til dette prosjektet kan gjentas og utvides for å hjelpe andre fylker og annet personell som samhandler innenfor sosialtjenesten, som dommere og politifolk.

Går utover vitenskapsprosjektet

Analytics er ikke et vitenskapelig prosjekt, og det er ikke bare statistikere og dataforskeres domene – ikke lenger. Det vi ser i eksemplene i denne artikkelen er hvordan disse prinsippene manifesterer seg:

• Muliggjør innsikt og beslutningstaking basert på data.
• Jobber gjort enklere og mer produktive.
• Beslutninger tatt mer pålitelig og raskere ved å øke tilgangen til analyser.
• Sluttresultater som kommer pasienter, familier og samfunnet til gode.
• Analytics som går fra vitenskapelige prosjekter til drift for å hjelpe organisasjonen, dens ansatte og menneskene den betjener.

For begge disse prosjektene fører de første resultatene til utvidet bruk av analyser. Ved Amsterdam UMC forteller administratorer oss at de håper å utvide objektdeteksjonsmodellene for flere typer kreft og flere typer pasienter. I North Carolina kan det som fungerer i ett fylke utvides til andre fylker – og kan føre til et statlig program.

For at datavitenskap skal fungere, bør du være på et oppdrag for å fjerne barrierer for å produsere og konsumere analyser. Hvordan kan du ta et pilotprosjekt og gjøre det om til noe større? Hvordan kan du ta data du allerede har og gjøre dem til positive endringer for din organisasjon og dine interessenter?

Lære mer om datadrevne initiativer i SAS .

gjemme seg