Co sprawia, że systemy sztucznej inteligencji skutecznie optymalizują procesy zarządzania gotówką?

W ostatnich latach nastąpił znaczący postęp w metodach analizy skomplikowanych procesów biznesowych, optymalizacji i kontroli procesów. Stało się tak dzięki użyciu różnych metodologii z dziedziny sztucznej inteligencji. Do metod tych  zaliczają się sieci neuronowe, systemy logiki rozmytej, systemy zbierające dane z wielu źródeł, przetwarzanie ewolucyjne,  inteligencja roju czy paradygmat wirtualnej fabryki. Zastosowanie tych metodologii  pozwala  stworzyć rozwiązania klasy “systemów inteligentnych”.

Autorem artykułu jest Krzysztof Trojak, prezes BSS Poland SA, ekspert z wieloletnim doświadczeniem w dostarczaniu rozwiązań usługowych i informatycznych dla sektora bankowego.

Co wyróżnia systemy inteligentne?

Cechą wyróżniającą systemy inteligentne jest zdolność do nauki i adaptacji do nowej rzeczywistości, uogólniania, odkrywania a także wykrywania związków. Systemy te dostarczają zaawansowane rozwiązania analityczne, monitorujące, prognozujące, wspierające podejmowanie decyzji i kontrolę procesów. Ich zastosowanie ułatwia podejmowanie działań w skomplikowanym i zmieniającym się środowisku. System inteligentny musi prawidłowo pracować w nowym otoczeniu i dlatego jedną z kluczowych jego cech jest zdolność do „uogólniania”.

Systemy inteligentne są zasilane  danymi liczbowymi lub informacjami pochodzącymi ze specjalizowanych czujników. Na „wyjściu” pojawiają się rekomendacje lub polecenia wykonania konkretnych racjonalnych działań. Dodatkowo takie rozwiązania mogą dostarczać wstępnie przeprocesowane dane, dane statystyczne lub też wykonywać analizę zachowań danych procesów. Uzyskane rezultaty można użyć do adaptacji modeli działania, analizy i oceny procesów.

Najważniejszymi technikami stosowanymi w takich systemach są metody data miningu, sztucznych sieci neuronowych, rozmytej logiki, przetwarzania ewolucyjnego i inteligencji roju. Niektóre z tych technik mają początek w systemach biologicznych. Sztuczne sieci neuronowe modelują zachowanie biologicznych systemów nerwowych. Przetwarzanie ewolucyjne odwzorowuje ewolucję naturalną, włączając w to ewolucję zachowań i ewolucję genetyczną.  Inteligencja roju modeluje zachowania społeczne organizmów żyjących w dużych grupach, koloniach. Systemy logiki rozmytej wzięły swój początek od studiów nad wzajemnym oddziaływaniem organizmów i ich otoczenia.

Obecne trendy w zastosowaniach systemów sztucznej inteligencji

Indywidualne modele biologicznej i naturalnej inteligencji z sukcesem używa się już do rozwiązywania realnych zagadnień. Aktualnym trendem jest budowa rozwiązań hybrydowych, będących połączeniem wspomnianych wyżej technik. W takich rozwiązaniach używa się silnych stron wybranych algorytmów lub modeli a jednocześnie eliminuje się słabe strony innych komponentów. 

Niestety, poziom skomplikowania używanych narzędzi sprawia, że  systemy inteligentne stosuje się w niewielkiej skali do usprawniania procesów biznesowych.  Dzieje się tak mimo znaczących sukcesów w wielu zastosowaniach przemysłowych. Jedną z dziedziną gdzie metody te mogą przynieść zaskakująco pozytywne rezultaty, jest prognozowanie i optymalizacja zapotrzebowania na dobra o  zużyciu i kosztach zależących od wielu stale zmieniających się czynników.

 Jak sztuczna inteligencja optymalizuje procesy zarządzania gotówką?

Dobrym tego przykładem są procesy prognozowania i optymalizacji zaopatrzenia w gotówkę w bankach, u operatorów bankomatów, czy w firmach transportujących gotówkę . W większości przypadków stosowane obecnie narzędzia bazują na zgromadzonej przez lata wiedzy doświadczonych lokalnych analityków, ujętej w ramy systemów informatycznych. Tak zaprojektowane systemy są raczej odwzorowaniem pewnych istniejących procedur.  Bardziej koncentrują się na usprawnianiu istniejących procesów niż na stałym uczeniu się i doskonaleniu metod optymalizacyjnych.

Modele do prognozowania procesów biznesowych

Jednym z przykładów rozwiązania do zarządzania i optymalizacji gotówki jest system firmy Fobiss. Firma wykorzystała własny schemat użycia innowacyjnych metod sztucznej inteligencji i algorytmów optymalizacyjnych procesy biznesowe. Dane i strumienie informacji pochodzące z realnych bądź symulowanych procesów zbierają zaawansowane systemy “wielo-agentowe”.

Informacja ta używana jest do budowy modeli predykcyjnych procesu. Modele predykcyjne służą następnie do znajdowania optymalnych decyzji i działań optymalizujących procesy zarządzania gotówką.

Do znalezienia najlepszych rozwiązań problemów używane są zaawansowane narzędzia optymalizacyjne. Jest to konieczne z uwagi na skomplikowane modele procesów i wiele uwarunkowań.  Do uwarunkowań tych należą koszt gotówki, koszty zasileń, rodzaje punktów gotówkowych (stanowiska kasjerskie, bankomaty, recyklery, wpłatomaty), możliwe godziny zasileń, uwarunkowania kalendarzowe czy limity.

 „Wirtualne narzędzia biznesowe” zawarte w schemacie ogólnym, pozwalają użytkownikom na testowanie wielu algorytmów analitycznych i optymalizacyjnych. Mogą też testować scenariusze typu “co się stanie gdy…”, zanim dokonają kosztownych i ryzykownych eksperymentów w świecie rzeczywistym. Rozwiązanie wyposażono także w narzędzia do inteligentnego  monitorowania i analizowania danych procesów biznesowych w czasie rzeczywistym . Narzędzia te przewidują i analizują błędy i nieoczekiwane zachowania procesów.

 Co charakteryzuje inteligentne modele predykcyjne?

 Najważniejszymi elementami schematu ogólnego są narzędzia służące do budowy modeli predykcyjnych, narzędzia optymalizacji oraz modele umożliwiające inteligentną analizę procesów.

Dotychczasowe doświadczenia pokazują, że dużej części ilościowej wiedzy dotyczącej  procesów biznesowych nie można zobrazować za pomocą fundamentalnych modeli matematycznych. Dlatego obecnie poszukuje się  możliwości włączenia tej wiedzy do alternatywnych modeli procesów numerycznych i modeli predykcyjnych opartych na pozyskiwanych danych. Bazą takich procesów jest wiedza ekspercka dotycząca procesów biznesowych.

Z tych powodów schemat ogólny powinien zawierać techniki  logiki rozmytej, pozwalające na łatwe formułowanie podstawowych reguł modeli predykcyjnych procesów. Także dane z pochodzące codziennych procesów biznesowych zawierają dużo ukrytych informacji o ich dynamice. Dzięki użyciu sieci neuronowych do budowania modeli predykcyjnych, modelowanie hybrydowe pozwala na wykorzystywanie tej informacji w bardzo efektywny sposób.  Do dyspozycji jest więcej informacji dotyczących procesów biznesowych, co stwarza możliwość budowy dokładniejszych modeli predykcyjnych.

Realne procesy biznesowe nie są statyczne. Dlatego parametry modeli hybrydowych powinny być aktualizowane w czasie rzeczywistym, w momencie gdy nowe informacje docierają do bazy danych.

Jakie możliwości dają inteligentne narzędzia optymalizacyjne?

Opracowane modele predykcyjne są podstawą optymalizacji różnych procesów biznesowych. Ponieważ modele predykcyjne, funkcje obiektywne i zależności optymalizacyjne zwykle są bardzo skomplikowane, stosowanie tradycyjnych metod w optymalizacji procesów nie jest łatwe. Lepsze rezultaty daje schemat ogólny doposażony w nowe metody optymalizacyjne. Metody te pozwalają połączyć metody programowania ewolucyjnego, algorytmy genetyczne, optymalizację mrowisk i metodyki inteligencji roju.  Wiele zakończonych sukcesem wdrożeń potwierdza, że zaawansowane metody optymalizacyjne badają szeroki zakres problemów optymalizacyjnych w realnych procesach biznesowych.

Do tej pory takie metody nie były powszechnie stosowane w bankach do optymalizacji zapotrzebowania na gotówkę. Dostępne na rynku rozwiązania skupiały się raczej na odwzorowaniu istniejących procesów organizacyjnych i metod prognozowania zapotrzebowania niż na zaprzęgnięciu nowoczesnych algorytmów do usprawniania procesów ”gotówkowych”.

Inteligentne narzędzia analityczne

Badania rozwojowe i techniki sztucznej inteligencji w analizie danych, łączą w sobie obszary wizualizacji danych, pre-procesowania danych  i eksploracji baz danych (data mining). Korzystne jest skoncentrowanie się na metodach, które mogą wspierać selekcję i ekstrakcję najbardziej odpowiednich ‘cech szczególnych”, czy też wskaźników stanu zawierających najwięcej użytecznej informacji. Takie wskaźniki prezentują okrojoną wersję oryginalnych danych, przy zachowaniu charakterystycznych cech procesu.   

Stworzone wskaźniki mogą być użyte do wykrycia nieoczekiwanych stanów procesów i identyfikacji błędów. Do dyspozycji jest wiele  algorytmów do eksploracji danych. Najbardziej użyteczne są metody bazujące na analizie głównych składników (Principal Component Analysis – PCA) , na analizie nieliniowej (kernel) PCA, sieciach samo-organizujących (Self-Organizing Networks), sieciach „Deep-belief” i na logice rozmytej.   

Systemy do optymalizacji procesów gotówkowych

Obecnie banki mogą wybierać wśród wielu systemów do prognozowania i optymalizacji potrzeb gotówkowych.  Aktywne są takie firmy jak Asseco, Camasoft, Fiserv, Fobiss, Transoft czy Visiona. W zależności od historii powstania firmy czy potrzeb, które przyczyniły się do  stworzenie systemu, oferowane rozwiązania w różnym stopniu wykorzystują nowoczesne techniki wspomagające procesy analityczne i decyzyjne.

Ogólną strukturę aplikacji wspomagającą zarządzanie gotówką można przeanalizować na poniższym  schemacie systemu Fobiss CM. Rozwiązanie to przeznaczone jest do monitorowania „punktów gotówkowych”, planowania zasobów, zarządzania i optymalizacji procesu dostaw gotówki oraz analizy procesów biznesowych.

Ogólna struktura systemu FOBISS Cash Management

Podsumowując

Bank, który planuje zastosować sztuczną inteligencję w procesach gotówkowych , przy wyborze systemu powinien kierować się jego zaawansowaniem technicznym a także możliwością sprawdzenia w realnym otoczeniu funkcji prognozowania i optymalizacji procesów. Bez wątpienia zarządzania gotówką to obszar gdzie sztuczna inteligencja ma wiele do zaoferowania. Od banków tylko zależy czy będą z tej oferty powszechnie korzystać.

Październik 2013

 

Dodaj komentarz