top of page

Πώς μπορεί η τεχνητή νοημοσύνη να χρησιμοποιηθεί σε περιβάλλοντα Software as a Service

AI, Big Data and SaaS data bases

 Πριν από μερικά χρόνια, η λογική του Software as a Service «αγωνιζόταν» να κερδίσει μερίδιο αγοράς και έπρεπε να απαντήσει σε βασικά ερωτήματα όπως η ασφάλεια των δεδομένων, η πρόσβαση σε αξιόπιστο internet, η τεχνολογική επάρκεια των προμηθευτών και των προϊόντων τους. Σήμερα, αυτά τα ερωτήματα έχουν απαντηθεί. Κανείς δεν διστάζει να υιοθετήσει μια τέτοια λύση, αν του ταιριάζει λειτουργικά και κοστολογικά, ενώ η τεχνολογία «από κάτω» (underlying technology) δεν αποτελεί θέμα συζήτησης, εφόσον ικανοποιούνται οι όροι service level.


Από την άλλη, μόλις πρόσφατα αρχίσαμε να παρατηρούμε μια έκρηξη (boom) στις δυνατότητες και εφαρμογές τεχνητής νοημοσύνης τύπου chatGPT, Google Gemini κ.α.



Τί θα μπορούσε όμως να συμβεί εάν εργαλεία Τεχνητής Νοημοσύνης είχαν πρόσβαση σε Βάσεις Δεδομένων καλά οργανωμένων SaaS υπηρεσιών.

Και δεν μπορεί κανείς παρά να αναρωτηθεί τί θα μπορούσε να συμβεί εάν εργαλεία Τεχνητής Νοημοσύνης είχαν πρόσβαση σε Βάσεις Δεδομένων καλά οργανωμένων SaaS υπηρεσιών.

Σε πρώτη φάση οι δύο «κόσμοι» (SaaS & A.I.) συναντιούνται στη διάσταση των big data: Μπορούμε να θεωρήσουμε ότι μια υπηρεσία SaaS έχει big data και από πλευράς volume και από πλευράς velocity. Από την άλλη, η «τροφή» του A.I. είναι ακριβώς αυτό: τα big data. Δεν μπορεί να δουλέψει τόσο καλά με μικρές, τοπικές και απομονωμένες Βάσεις Δεδομένων.


Εφαρμογές A.I. πάνω σε αυτά τα big data μπορεί κανείς να φανταστεί πολλές:

  • Αυτοματοποίηση διαδικασιών, όπως π.χ. chatbots που θα μπορούσαν να απαντούν σε συνήθειες ερωτήσεις των χρηστών.

  • Personalization προσφορών στους πελάτες των χρηστών SaaS. Βάσει του αγοραστικού προφίλ τί καμπάνιες cross-sales θα μπορούσαν να προταθούν στον κάθε μεμονωμένο πελάτη; Φανταστείτε μια A.I. που έχει πρόσβαση π.χ σε πληροφορίες πωλήσεων ενός e-marketplace.

  • Risk management: Εξετάζοντας στοιχεία (καλής και κακής) συμπεριφοράς, να κατατάσσεται ένας πελάτης σε επίπεδα κινδύνου για την εταιρεία. Εδώ πολλές μπορεί να είναι οι τραπεζικές εφαρμογές, με τις οποίες η E-ON έχει ήδη πειραματιστεί.

  • Βασικά ερωτήματα της καθημερινότητας του μεσαίου και του υψηλού management: Π.χ. Ποιο προϊόν μου πουλάει περισσότερο; Ποιο προϊόν μου έχει το μεγαλύτερο περιθώριο κέρδους; Κ.λπ. Αυτά τα ερωτήματα, μέχρι σήμερα, τα απαντούμε μέσα από τις ERP βάσεις με συγκεκριμένα ερωτήματα (queries, reports ίσως και dashboards για το top management). Όμως πώς απαντώνται γρήγορα και αξιόπιστα όταν προκύπτουν ad-hoc? Σε αυτό το γρήγορα εξελισσόμενο και πολύ ανταγωνιστικό περιβάλλον, μπορούμε να λέμε στον CEO «περίμενε για να πούμε στο I.T. να φτιάξει το report που ζήτησες…» ;!


Φυσικά, δεν μπορεί κανείς να αγνοήσει ζητήματα intellectual property που υπάρχουν πάνω σε μια βάση SaaS, multitenant. Ομοίως, υπάρχει θέμα governance σε αυτές τις διαδικασίες: Πώς προστατεύονται προσωπικά δεδομένα, ποιος έχει πρόσβαση σε αυτά, πού ξεκινάει και πού σταματάει το profiling ιδιωτών, υπάρχει κανονιστικό πλαίσιο για αυτό που αποπειρόμαστε να κάνουμε κ.λπ. Απλά, σε αυτό το άρθρο δεν ανοίγουμε αυτό το θέμα, καθώς εξετάζουμε την τεχνική δυνατότητα και σκοπιμότητα, μόνον.


Με προσοχή και σεβασμό στο governance που πρέπει να διέπει οποιοδήποτε A.I. initiative, κοιτάμε πώς θα εκμεταλλευτούμε την Τ.Ν. στις υπάρχουσες SaaS πλατφόρμες μας, προς όφελος του τελικού πελάτη.


Ταυτόχρονα, η πρόβλεψη του μακροπρόθεσμου μέλλοντος είναι για εμάς ένα ζητούμενο, τόσο στο πεδίο του Risk Management λόγω Κλιματικής αλλαγής όσο και στο γενικότερο πεδίο της Επιχειρησιακής Ανάλυσης που εκτελεί το Board of Directors. Και αυτό είναι δύσκολο να επιτευχθεί μέσα από κλασσικές τεχνικές reporting ή modelling.

Комментарии


bottom of page