Гипотезно-ориентированное моделирование как компас для навигации в неопределенном будущем

Гипотезно-ориентированное моделирование компас в неопределенном будущем

Недавние достижения в технологиях, основанных на данных, открыли потенциал прогнозирования через искусственный интеллект (ИИ). Однако прогнозирование в неизведанных территориях остается вызовом, где исторических данных может не хватать, как показывают непредсказуемые события, такие как пандемии и новые технологические нарушения. В ответ на это гипотезно-ориентированное моделирование может быть ценным инструментом, позволяющим принимающим решения исследовать разные сценарии и делать обоснованные решения. Ключ к достижению желаемого будущего в эпоху неопределенности заключается в использовании гипотезно-ориентированного моделирования вместе с данными, основанными на ИИ, для усиления принятия решений человеком.

Может ли аналитика, основанная на данных, предсказать будущее?

В последние годы ИИ прошел трансформационный путь, питаемый замечательными, основанными на данных прорывами. В основе эволюции ИИ лежит потрясающая способность извлекать глубокие понимания из огромных наборов данных. Возникновение моделей глубокого обучения и больших языковых моделей (БЯМ) вывело область в неизведанную территорию. Возможность использования данных для принятия обоснованных решений стала доступной для организаций любого размера и во всех отраслях.

Возьмем фармацевтическую отрасль в качестве примера. В Astellas мы используем данные и аналитику, чтобы помочь определить, в какие портфели бизнеса стоит инвестировать и когда. Если вы создаете бизнес-модель, сосредоточенную на распространенной и хорошо понятной области заболеваний, сила данных, основанных на аналитике, позволяет получить инсайты во всё – от поиска лекарств до маркетинга, что в конечном итоге может привести к более обоснованным бизнес-решениям.

Однако, несмотря на то, что аналитика, основанная на данных, превосходит в установленных областях с изобилием исторических данных, прогнозирование будущего в неизведанных территориях остается серьезным испытанием. Сложно делать прогнозы, основанные на данных, в областях, где пока недостаточно данных, таких как области, где произошли невероятные изменения или технологические инновации (очень сложно предсказать влияние внезапной пандемии инфекционного вируса или развитие генеративного ИИ на конкретный бизнес на ранних стадиях). Эти сценарии подчеркивают ограничения полаганиясь только на исторические данные для определения курса развития.

Один из типичных примеров в фармацевтической отрасли, с которым регулярно сталкивается компания Astellas, – оценка нарушающих инноваций, таких как генетическая и клеточная терапии. С таким небольшим количеством данных сложно точно предсказать стоимость этих инноваций и их далеко идущее влияние на портфель, исходя только из исторических данных – это как передвигаться в густом тумане без компаса.

Взгляд в будущее: гипотезно-ориентированное моделирование

Один из многообещающих подходов к навигации в условиях неопределенности – это гипотезно-ориентированное моделирование, которое имитирует процессы реального мира. Если вы предприятие, которое занимается неизведанными областями, вам необходимо принять гипотезно-ориентированный подход, когда исторические данные недоступны. Модель представляет, как ключевые факторы влияют на результаты, в то время как симуляция показывает, как модель развивается со временем в различных условиях. Это позволяет принимающим решения тестировать разные сценарии в виртуальных “параллельных мирах”.

На практике это означает выставление на решение столов сморгасборда ключевых сценариев, каждый со своей вероятностью и оценкой влияния. Принимающие решения могут затем оценить критические сценарии и разработать стратегии для будущего на основе этих симуляций. В фармацевтической отрасли это требует сделать предположения о ряде факторов, таких как успех клинических испытаний, адаптируемость на рынке и пациентская аудитория. Затем выполняется десятки тысяч симуляций, чтобы осветить затуманенный путь вперед и предоставить бесценные понимания для управления курсом.

В Astellas мы разработали гипотезно-ориентированную симуляцию, которая создает сценарии и делает дедуктивное предположение, чтобы помочь информированному стратегическому принятию решений. Мы можем делать это, обновляя гипотезу симуляции в режиме реального времени (за решением на столе), что помогает улучшить качество стратегических решений. Оценка проектов – одна из тем, где используется симуляционный метод. Сначала мы создаем возможные гипотезы о различных факторах, включая, но не ограничиваясь, потребностями рынка и вероятностью успеха клинических испытаний. Затем, на основе этих гипотез, мы симулируем события, которые происходят во время клинических испытаний или после выпуска продукта, чтобы сгенерировать возможные результаты и предполагаемую стоимость проекта. Рассчитанная стоимость используется для определения того, какие варианты следует выбрать, включая распределение ресурсов и планирование проекта.

Для более глубокого погружения давайте рассмотрим пример использования этого метода для оценки проекта на ранних стадиях. Учитывая высокий уровень неопределенности, связанный с проектами на ранних стадиях, существует множество возможностей смягчить риски неудачи и максимизировать преимущества успеха. Проще говоря, чем раньше находится проект на своем жизненном цикле, тем больше потенциала для гибкого принятия решений (например, стратегические корректировки, расширение на рынке, оценка возможности отказа и т. д.). Оценка стоимости гибкости, следовательно, является ключевой для захвата всех ценностей проектов на ранних стадиях. Для этого можно объединить теорию реальных опционов и симуляционную модель.

Измерение воздействия гипотезно-ориентированного моделирования требует оценки с точки зрения процесса и результатов. Типичные показатели, такие как сокращение затрат, повышение эффективности времени и рост выручки, могут быть использованы для измерения ROI. Однако они могут не отразить всю полноту принятия решений, особенно когда некоторые решения включают бездействие. Кроме того, важно понимать, что результаты бизнес-решений могут не быть немедленно очевидными. В фармацевтическом бизнесе, например, среднее время от клинических исследований до запуска на рынок составляет более 10 лет.

То есть ценность гипотезно-ориентированного моделирования можно измерить, посмотрев, как оно интегрируется в процесс принятия решений. Чем большее влияние оказывают результаты моделирования на принятие решений, тем выше его ценность.

Будущее аналитики данных

Аналитика данных ожидается, что разделится на три основных тенденции: (1) Индуктивный подход, который ставит своей задачей выявление закономерностей в больших объемах данных, которые можно применить для предсказания будущего (например, генеративный искусственный интеллект); (2) Аналитический подход, который сосредоточен на интерпретации и понимании феноменов, когда недостаточно данных (например, причинно-следственная связь); и (3) Дедуктивный подход, который опирается на бизнес-правила, принципы или знания для прогнозирования будущих результатов. Он работает даже при наличии меньшего количества данных (например, гипотезно-ориентированное моделирование).

Аналитика данных и другие на основе данных аналитические методы находятся в состоянии значительно расширить свои практические применения. Они имеют потенциал изменить работу, ускоряя, улучшая качество и в некоторых случаях даже выполняя работу, ранее выполнявшуюся человеком. Этот трансформационный сдвиг позволит людям сосредоточить свои усилия на более важных аспектах работы, таких как критическое мышление и принятие решений, а не на более времязатратных действиях, таких как сбор/подготовка/анализ/визуализация данных, в случае аналитиков данных. Когда это произойдет, увеличится важность выбора направления движения, и акцент будет сделан на расширении человеческого принятия решений. В частности, тенденция будет заключаться в использовании аналитики данных и моделирования для стратегического принятия решений при управлении будущими неопределенностями с точки зрения VoAGI (агентство по искусственному обобщенному интеллекту)-на долгосрочной перспективе.

В заключение, достижение гармоничного баланса между перечисленными выше тремя подходами максимизирует истинный потенциал аналитики данных и позволяет организациям процветать в быстро меняющейся среде. Хотя исторические данные являются огромным активом, важно понимать их ограничения. Чтобы преодолеть это ограничение, важно внедрить гипотезно-ориентированное моделирование вместе с основанным на данных подходом, что позволит организациям готовиться к непредсказуемому будущему и обеспечить, чтобы их решения основывались на предвидении и благоразумии.