Kognitiv databehandling

Hva er kognitiv databehandling?

Kognitiv databehandling refererer til teknologiplattformer som er påvirket av kognitiv vitenskap for å simulere den menneskelige tankeprosessen og omfatter kunstig intelligens og signalbehandling.Dette kan omfatte funksjoner som maskinlæring, resonnering, naturlig språkbehandling (NLP), tale- og synsgjenkjenning, menneske-datamaskin-interaksjon (HCI) og mer.

Hva er forretningsfordelene med kognitiv databehandling?

1. Forbedret datainnsamling og tolkning: Kognitive databehandlingsprogrammer analyserer mønstre og bruker maskinlæring for å gjenskape menneskelige evner som deduksjon, læring, persepsjon og resonnering. Både strukturerte og ustrukturerte data kan samles inn fra ulike kilder, og dyptgående kognitive analyser brukes til å tolke dataene. Denne informasjonen kan deretter brukes til å forbedre oversikten over interne prosesser, hvordan produktene og tjenestene dine blir mottatt, hvilke preferanser kundene har, og hvordan du best kan bygge opp lojaliteten deres. 
2. Feilsøking og feildeteksjon: Ved å bruke kognitive konsepter i et robust teknologisk miljø kan kognitiv databehandling hjelpe deg med å identifisere problemer i forretningsprosesser raskere og mer nøyaktig og avdekke muligheter for løsninger.
3. Mer informert beslutningstaking: Gjennom datainnsamling og analyse kan kognitiv databehandling bidra til mer informerte, strategiske beslutninger og business intelligence. Dette kan føre til mer effektive forretningsprosesser, smartere økonomiske beslutninger og generelt bedre effektivitet og kostnadsbesparelser.
4. Forbedret kundelojalitet: Kognitiv databehandling legger grunnlaget for en nyttigere, mer informert kunde-til-teknologi-opplevelse, og forbedrer kundeinteraksjoner. Dens evne til å samhandle med og forstå og lære av mennesker forbedrer generelt kundelojalitet og tilfredshet.

Hvordan forbedrer kognitiv databehandling den menneskelige ekspertisen?

Kognitive systemer kan simulere menneskelig hjerneaktivitet for å løse de mest komplekse problemene innen styring av forretningsprosesser. Det kan akselerere, forbedre og skalere menneskelig ekspertise ved å:

• Forstå naturlig språk (eller sensoriske data) og samhandle naturlig med mennesker, og gi upartiske råd på egen hånd  
• Resonnere – det vil si danne hypoteser, argumentere og planlegge – og hjelpe brukerne ved å analysere både innhold og kontekst
• Lære, sanse og anvende mening som skaper ny innsikt og verdi 
• Tilbyr progressiv støtte for å forbedre den operasjonelle effektiviteten

Hvordan kan en organisasjon gå fra tradisjonell forretningsbehandling til kognitiv forretningsbehandling?

Overgangen fra tradisjonell forretningsbehandling til kognitiv forretningsbehandling krever systematisk gjennomføring og tilpasning. For å være kognitiv må prosessen tenke og lære på toppen av det tradisjonelle rammeverket. Denne prosessen innebærer å berike den tradisjonelle prosessen med kunnskap, forbedre systemet med beslutningstaking og utvide virksomheten med innsikt.

Den overordnede tilnærmingen kan deles inn i fire faser på høyt nivå:

1. Oppdag: På et overordnet nivå starter reisen mot kognitiv prosessering med en felles oppdagelsesreise for å lære og definere eksisterende forretningsprosesser i en lanseringsworkshop. Dette krever en vurdering av organisasjonens beredskap og identifisering av prosesskandidater gjennom en kognitiv mulighetsvurdering. 
2. Definer: Den neste fasen er å definere handlingskraftig innsikt hentet fra faktisk prosessbruk og forretningsmessige smertepunkter. Disse funnene vil bidra til å katalogisere potensielle områder for kognitive evner, noe som fører til planer basert på listen og tilhørende teknologibehov.
3. Utforming: I designfasen identifiseres den fremtidige kognitive prosessmodellen sammen med en strategi for å hente ut innsikt fra ustrukturerte data.
4. Utvikle: Til slutt implementeres de identifiserte, anerkjente og utforskede mulighetene ved hjelp av prototyper som testes i reelle brukstilfeller.

Hva er noen eksempler på kognitiv databehandling i den virkelige verden?

I helsevesenet kan sykehusenes styringssystemer utnytte data fra sosiale medier til å undersøke spredningen av sykdommer og spore utbrudd av pandemier. Under et utbrudd av denguefeber i en by kan sykehusene for eksempel overvåke Twitter-feeds for å identifisere symptomer som oppleves av publikum. Teknologier som geolokalisering kan identifisere lokale tweets, og naturlig språkbehandling kan brukes til å finne ut hvilke tweets som omhandler en bestemt sykdom. Slike sanntidsanalyser kan hjelpe helseforsikringsselskaper med å spore og forutsi utbrudd og iverksette proaktive tiltak, for eksempel å oppfordre folk i lokalsamfunnet til å vaksinere seg eller hamstre forsyninger.

I bankvesenet brukes kognitiv styring av forretningsprosesser (BPM) i stor utstrekning til å fastslå kundetilfredshet. Når en kunde for eksempel får innvilget et lån, blir han eller hun sendt videre til bankens låneavdeling, som sørger for korrekt innkreving av betaling og eventuelle endringer i betalingsplanen. Dette innebærer innkommende og utgående samtaler som genererer samtaleutskrifter. Ved å bruke kognitiv analyse i denne prosessen kan banken finne ut om de ansatte stiller de riktige spørsmålene, hvor høflige de er, og om de jobber effektivt. Nettoresultatet blir uunngåelig en bedre opplevelse for både kunden og banken.

I kundeservice kan bedrifter bruke kognitiv teknologi til å analysere informasjon fra kunder i form av brev, e-post eller annen kommunikasjon. For eksempel kan bedrifter bruke sentimentanalyse når de håndterer kunder med sterke negative følelser. På den måten kan de lede kundene til de medarbeiderne som best kan betjene dem, noe som i sin tur vil øke kundetilfredsheten.

I rekrutteringsbransjen bruker ledere som står overfor hundrevis av søknader til dusinvis av stillinger, vanligvis enormt mye tid på å finne frem til de beste kandidatene ved hjelp av enkel intuisjon og andre begrensede verktøy. Kognitiv databehandling kan endre alt dette, ettersom den ser utover kandidatenes formelle egenskaper (som utdannelse eller antall år med arbeidserfaring) og tar i bruk mer moderne datainnsamlingsteknikker.