Whitepaper
Introduzione alla Business Science di Tableau
Tableau mette le potenzialità della data science nelle mani dei business user
Andrew Beers, CTO, Tableau
Sintesi
Questo whitepaper illustrerà la Business Science di Tableau, una nuova categoria di analisi basata sull'IA che mette i vantaggi della data science a disposizione degli esperti di settore.
Applicare tecniche di IA, apprendimento automatico e altri metodi statistici per risolvere i problemi aziendali è stato a lungo appannaggio dei data scientist. Molte organizzazioni hanno piccoli team di data science che si occupano di problemi specifici, di importanza cruciale, con un'elevata scalabilità. Tante decisioni aziendali vengono sì prese in base ai dati, ma anche in base a esperienza e conoscenza.
La Business Science consente agli analisti e ai business user che conoscono il contesto dei dati di addestrare e distribuire modelli di apprendimento automatico spiegabili per quei problemi che i piccoli team di data science non riescono ad affrontare, per mancanza di tempo o risorse.
Per noi di Tableau, l'analisi è sempre stata una questione di libertà: libertà per le persone di porre nuove domande, esplorare nuove ipotesi, testare nuove idee. Siamo andati oltre in questo senso, in modo che più persone migliorino le proprie capacità di giudizio e possano prevedere oggi i problemi aziendali con l'aiuto di un'intelligenza artificiale pratica ed etica. In questo modo le diverse funzioni aziendali all'interno di un'organizzazione possono prendere decisioni più affidabili, più rapidamente, applicando l'analisi a nuovi ambiti e offrendo una comprensione più approfondita dei dati in loro possesso.
Gli ostacoli a un processo decisionale migliore basato sull'IA
Gli insiemi di dati raccolti dalle organizzazioni si fanno sempre più disparati e, di pari passo, gli ambiti di applicazione dell'analisi per trasformarli in informazioni utili aumentano molto rapidamente. Ad oggi esistono vari strumenti e team specializzati di analisi dei dati per agevolare il processo decisionale, ma le organizzazioni faticano a trovare il giusto equilibrio tra le elevate competenze tecniche dei data scientist e le esperienze e conoscenze pratiche degli altri team aziendali. Non tutte le aziende si appoggiano a un team di data science o soluzioni di intelligenza artificiale (IA); in quelle che lo fanno, spesso è un team ristretto e molto tecnico, oberato di lavoro.
Di solito, i business user e gli analisti che conoscono bene il settore e i dati aziendali non hanno gli strumenti o le competenze tecniche per eseguire analisi statistiche avanzate o gestire progetti di apprendimento automatico (ML) in autonomia. Perciò si rivolgono ai data scientist o agli specialisti di ML per creare e distribuire modelli personalizzati secondo un processo ripetuto di raccolta dei requisiti, che però non offre l'agilità e la rapidità di iterazione richieste. Alla fine, i dati usati per addestrare il modello risultano spesso obsoleti e il processo deve ricominciare daccapo. Nel frattempo, vengono prese ogni giorno decisioni aziendali importanti che non rientrano nella sfera di priorità di un team di data science centralizzato.
Molti dei nostri clienti riconoscono i vantaggi offerti da data science, IA e ML applicati a un maggior numero di problemi, tuttavia si sentono limitati per via delle risorse e del processo. In base a quanto ci hanno riferito le organizzazioni dai settori più disparati, ecco quali sono le loro esigenze più comuni:
- Ridurre il lavoro di preparazione ed esplorazione dei dati
- Aiutare gli analisti a realizzare output di data science, in particolare previsioni, a costi inferiori
- Lasciare che i data scientist si concentrino sulla preparazione e gestione di dati complessi per i problemi più cruciali, che richiedono la massima precisione
- Aumentare la probabilità di produrre modelli efficaci consentendo agli esperti di settore di esplorare più casi d'uso
- Ampliare, automatizzare e accelerare l'analisi per i vari gruppi aziendali ed esperti di settore
- Ridurre tempi e costi per la distribuzione e l'integrazione dei modelli
- Promuovere un uso responsabile dei dati e dell'IA con una migliore trasparenza e avere istruzioni su come limitare le distorsioni
È qui che, secondo noi, si crea una grande opportunità per le organizzazioni di applicare la data science a più problemi, con la possibilità di agire in base alle informazioni ottenute mentre sono ancora valide, trovando un compromesso tra l'esigenza di estrema precisione e massimo controllo e la velocità dell'analisi. Prendendo in prestito da Salesforce la tecnologia di IA di Einstein Discovery, abbiamo creato una nuova categoria di analisi basata sull'IA con l'obiettivo di mettere le tecniche di data science alla portata di tutti e prendere così decisioni più affidabili, più rapidamente. Si tratta di un ambito fondamentale, che richiede una continua innovazione.
Tableau ha reso democratica l'analisi visiva e vogliamo fare lo stesso con l'IA self-service. La Business Science farà emergere il potenziale di tutti i professionisti che lavorano ogni giorno con i dati. Questi esperti di BI potranno passare da analisi descrittive ad analisi, previsioni e consigli più avanzati, applicando tecniche più sofisticate a un maggior numero di casi, più velocemente e con una collaborazione più ampia.
Introduzione alla Business Science di Tableau
Che cos'è la Business Science di Tableau?
La Business Science è un nuovo tipo di analisi basata sull'IA che consente alle persone con competenze settoriali di prendere decisioni migliori più velocemente e con maggiore sicurezza, riconoscendo che non tutti i problemi richiedono la massima precisione a scapito di velocità e contesto aziendale. Le soluzioni di Business Science offrono rigore e precisione, ma anche il controllo e la flessibilità necessari per scremare gli elementi utili al caso d'uso analizzato. Ad esempio, per avere tutto sotto controllo, gli utenti possono scegliere i dati di input, selezionare le variabili o impostare i valori di soglia. Gli esperti di settore possono automatizzare l'intero processo di creazione del modello o apportare modifiche guidate. Mettendo a disposizione di più persone un'IA controllata, senza codice, con strumenti di previsione, pianificazione di scenari di simulazione e creazione guidata di modelli, i team aziendali possono eseguire più analisi in autonomia e creare modelli applicabili a più casi reali.
La Business Science rende democratica la data science, alla portata di tutti, aiutando gli esperti di settore a capire quali sono i fattori fondamentali di un modello, senza dover imparare a usare gli strumenti tradizionali di data science. Facendo un uso guidato dell'intelligenza artificiale, i team possono applicare l'analisi avanzata a più problemi aziendali e prendere decisioni importanti in modo più rapido e rigoroso, tenendo sempre conto delle loro valutazioni. La questione non è affinare modelli di precisione, ma avvicinare le persone al problema nella direzione giusta.
Per chi è pensata la Business Science di Tableau?
L'andamento di un'azienda è di per sé complicato e imprevedibile, perciò l'esperienza e le conoscenze di chi sa come funzionano le dinamiche di settore sono essenziali. I dati storici, per quanto utili, non sempre sono sufficienti per capire l'impatto dei cambiamenti delle condizioni di mercato sulla tua organizzazione. Per guidare l'azienda in un panorama in continua evoluzione servono persone con competenze settoriali e capaci di adattarsi e reagire in tempi rapidi. Se vuoi creare il tuo team di esperti che lavorano con i dati, lascia i professionisti del settore e gli analisti liberi di sfruttare le previsioni e le informazioni derivate dai modelli di apprendimento automatico, tanto non serve che ne sappiano di Python, statistica o di come si regolano i parametri per un algoritmo.
La Business Science non fa altro che unire l'esperienza e le conoscenze concrete con i dati storici e le informazioni ricavate dall'analisi. In genere, è più importante sapere qual è la domanda giusta da porre e come agire una volta ottenuta la risposta, e non altri fattori, tipo l'algoritmo da selezionare. Spesso si tratta di problemi complicati, che richiedono decisioni articolate. Per le domande su come allocare le risorse, definire le priorità, gestire il personale e la logistica, la Business Science spesso offre la risposta giusta per prendere le decisioni migliori, basate sui dati.
Gli scenari in cui la Business Science è l'approccio giusto per ottenere i risultati aziendali migliori sono infiniti:
- Nel marketing e nelle vendite, la Business Science si può applicare al lead scoring, all'opportunity scoring, alla previsione dei tempi per la chiusura di un contratto e a molti altri casi d'uso legati al CRM che i team di data science non riescono a mettere al primo posto, ma che sono molto rilevanti.
- Nella produzione e nella distribuzione, può rivelarsi utile per ottimizzare la supply chain, prevedere la domanda o esplorare scenari per ampliare l'offerta di prodotti.
- Nelle Risorse umane, invece, potrebbe essere usata per valutare la probabilità che un candidato accetti un'offerta, analizzando gli schemi storici e formando i recruiter su come possono adeguare salario, benefit, pari opportunità e altri parametri a seconda dei valori del candidato.
- Nell'ambito degli immobili aziendali, potrebbe essere applicata per pianificare dove acquistare nuovi uffici e valutare i costi legati al trasferimento del personale da una sede a un'altra. In questo caso, è utile una valutazione umana per bilanciare i criteri di budget con le dinamiche di lavoro, come le possibili conseguenze dovute al trasferimento di determinati team o persone.
Perché scegliere la Business Science di Tableau?
Il successo dei progetti di IA dipende dalla conoscenza dei dati e del settore
Malgrado i timori e i fraintendimenti sul fatto che l'IA sostituirà l'uomo, sono tantissimi i problemi aziendali in cui i computer più intelligenti non sono capaci di eguagliare il giudizio umano. Ad esempio, un'organizzazione che si occupa di vendite potrebbe utilizzare la modellazione predittiva per determinare le opportunità di upselling/cross-selling più proficue. Un algoritmo può restituire delle previsioni sulle probabilità di acquisto, ma non ha le stesse conoscenze di chi gestisce i rapporti tra l'azienda e i clienti. Quest'ultimo saprebbe quali sono gli obiettivi dei clienti e con quali prodotti possono raggiungerli oppure potrebbe aver imparato sul campo che una certa soluzione probabilmente non avrà successo.
Tutte queste sfumature richiedono una capacità di giudizio che va oltre le possibilità di un algoritmo. L'esperienza personale, la capacità di valutazione e la conoscenza del contesto, unite al rigore, all'automazione e alla scalabilità delle informazioni generate tramite algoritmi, portano a risultati migliori. Oppure, prendiamo il caso di un venditore che voglia scoprire quali prodotti aggiungere nei punti vendita per aumentare i profitti in una determinata area. Un professionista di settore sa quali fattori potrebbero incidere sulla decisione, tipo i rapporti con i fornitori, i trend regionali e altre implicazioni qualitative importanti, mentre una macchina non sarebbe mai capace di individuarli o applicarli correttamente.
Anche con l'automazione, le persone devono essere in grado di capire e spiegare i risultati. La maggior parte dell'automazione basata sull'IA implica l'utilizzo di algoritmi matematici per la modellazione e le previsioni, ma i consigli ottenuti dovrebbero essere sempre testati dalle persone.
Le organizzazioni sono molto impegnate nella ricerca di "unicorni", ovvero di persone esperte di data science e con competenze settoriali, ma profili del genere sono rarissimi. Per tanti problemi cruciali, la data science è la risorsa più valida, ma è grazie alla Business Science che queste tecniche diventano accessibili per un maggior numero di persone e consentono di sfruttare le previsioni nelle analisi senza avere un bagaglio tecnico approfondito.
La Business Science consiste infatti nell'abbinare il metodo e la persona giusta al problema. Quando i team di data science si dedicano a nuovi progetti, spesso lamentano la mancanza di contesto e conoscenze pratiche. Senza il giusto contesto, ci vuole tanto per individuare i dati corretti per risolvere il problema, e poi per selezionarli, ripulirli e prepararli per l'analisi. Dal momento che l'IA e l'ML sono strettamente legati ai dati, in pratica è tutta una questione di dati, perciò è importante che il problema da risolvere sia abbinato a quelli giusti, nella forma giusta.
Più gli esperti di settore sono consapevoli dei problemi unici che le aziende si trovano ad affrontare e hanno una conoscenza approfondita dei dati e del loro ambito di lavoro, più sono in grado di sviluppare, convalidare e distribuire modelli predittivi in maniera più tempestiva, efficiente e risolutiva.
Un approccio iterativo di revisione e distribuzione fa risparmiare tempo, ridurre i costi ed emergere competenze uniche
I cicli tradizionali di data science e ML possono essere lunghi e le fasi finali sono spesso quelle più difficili, con un notevole dispendio di tempo, lavoro e denaro. Distribuire e integrare i modelli personalizzati tradizionali è un processo complesso, che vede statistici e data scientist impegnati a rendere le soluzioni fruibili per gli utenti finali. Quando il time-to-market è un fattore essenziale, aiutando le persone a creare e iterare modelli predittivi nel giro di giorni o settimane, e non di mesi, è possibile ottimizzare l'uso delle risorse con un migliore ritorno sugli investimenti.
Molte organizzazioni fanno fatica a scalare i prototipi e i progetti pilota di IA alla produzione e per un uso più ampio, e tendono a sottovalutare le difficoltà derivate dalla distribuzione e integrazione dell'IA in altri sistemi. Secondo il sondaggio 2020 di Gartner sull'adozione dell'IA nelle organizzazioni, alla fine viene distribuito solo il 53% dei prototipi.
Per gli esperti di settore che hanno bisogno di affidarsi a dati e previsioni per prendere decisioni più efficaci, è di vitale importanza poter controllare i diversi aspetti nell'intero processo di creazione dei modelli e avere la certezza dell'affidabilità dei dati per ciascun caso d'uso. Questo vale in particolar modo quando, per creare i modelli, si segue un approccio iterativo e incentrato sul miglioramento continuo dell'accuratezza delle previsioni. Grazie a un approccio del genere, è possibile prendere decisioni e agire mentre i dati sono ancora validi. A volte, è possibile che un team ottenga dei risultati semplicemente dai test dei dati per la creazione di un modello.
Con la Business Science, l'obiettivo è spostare un KPI, non perfezionare un modello affinché sia il più preciso. Facilitando un processo più iterativo di revisione e ridistribuzione, invece dei tradizionali cicli di data science, la Business Science abbatte gli ostacoli e consente a chi conosce bene il contesto aziendale di creare i modelli e applicare le previsioni rapidamente. Così, un maggior numero di persone potrà trarre subito vantaggio da queste tecniche di analisi avanzata e prendere decisioni più efficaci quando e dove servono, ottenendo di conseguenza notevoli risparmi o profitti per un caso d'uso specifico.
Pensiamo all'assegnazione delle quote ai team di vendita: le assegnazioni geografiche e gli obiettivi cambiano in continuazione. Lo stesso modello per assegnare le quote per un anno non sarà valido per l'anno successivo, perché nel frattempo i dati di input sono cambiati. E se un responsabile regionale si oppone al modello suggerito perché il suo team ha un obiettivo più ambizioso nell'area geografica di competenza? In tal caso è davvero utile saper trasformare o iterare il modello per trovare eventualmente nuove opportunità e generare nuove entrate.
Consentendo ad analisti e business user di sfruttare l'apprendimento automatico in autonomia e sicurezza, la Business Science fa emergere le competenze e conoscenze uniche di una platea di utenti più vasta. In più va a rafforzare il ruolo dei team di data science, lasciando che si concentrino su progetti ad ampio spettro e di importanza cruciale. Questa categoria di soluzioni basata sull'IA crea un ambiente sperimentale per gli analisti e i business user esperti dove esplorare nuovi casi d'uso che non sono prioritari per i team di data science. Nel momento in cui più persone analizzano un numero maggiore di casi e fattori per raggiungere determinati obiettivi, aumenta la probabilità di trovare modelli efficaci. Gli esperti di settore possono creare modelli basati sull'ML, senza codice, per le proprie esigenze, dando vita ad analisi utili e mirate che non richiedono lo stesso livello di approfondimento dei data scientist.
Vale la pena notare che mentre le soluzioni di Business Science possono rivelarsi utili per colmare il divario di competenze tra analisti e data scientist, comunque non possono sostituirle. Gli esperti di data science continueranno a fornire modelli personalizzati, analisi statistiche e così via, collaborando sempre più spesso con chi conosce il settore per convalidare i dati utilizzati nei modelli ML. La maggiore collaborazione tra i diversi team è l'elemento cruciale per il successo e l'efficacia di queste soluzioni.
La diffusione della data science richiede linee guida per individuare e ridurre le distorsioni e l'uso non etico
Mettere l'analisi basata sull'IA nelle mani di più persone comporta tanti vantaggi, ma anche dei rischi. Le distorsioni sono intrinseche nei dati e nelle tecnologie e se non vengono affrontate in modo adeguato possono propagarsi nelle previsioni e nei consigli, causando danni. La tecnologia di riconoscimento facciale è un noto esempio della confluenza di vari errori, dove le distorsioni presenti nei dati di addestramento, nella tecnologia e nelle previsioni hanno danneggiato enormemente le comunità di colore. Per inciso, questo è uno dei motivi per cui non ammettiamo le tecnologie di riconoscimento facciale nella nostra politica d'uso accettabile.
Gli addetti ai lavori di solito non si preoccupano di questi aspetti nelle loro analisi. Per iniziare, una documentazione ben fatta sui modelli può fornire una maggiore trasparenza alla base di previsioni e consigli, oltre a facilitare la tracciabilità dei vari elementi. Capire chi ha contribuito alla previsione, quali colonne di dati sono state usate e dove sono i fattori può aiutare a identificare le eventuali distorsioni negli insiemi di dati e nei modelli.
Non esiste una soluzione automatica o generale che garantisca un uso etico dei dati e dell'IA: bisogna conoscere i dati da vicino. Ma nei confronti dei clienti abbiamo la responsabilità di mettere dei paletti nella nostra tecnologia, lì dove possono esserci dei pericoli, per aiutarli a non perpetrare nelle previsioni le distorsioni presenti nei dati e ad applicare questo approccio ai dati reali man mano che vengono inseriti.
Il rilevamento integrato delle distorsioni, il monitoraggio dei modelli e le spiegazioni in linguaggio naturale delle variabili che incidono sulle previsioni rappresentano altri modi per aiutare le persone a creare modelli più etici. Con Einstein Discovery, agli utenti viene chiesto di selezionare variabili e campi sensibili che potrebbero includere eventuali distorsioni, come l'etnia, l'età, lo stato coniugale e il luogo di residenza. Tramite un rilevamento proxy, vengono cercati anche i campi correlati nell'insieme di dati che potrebbero restituire delle distorsioni laddove si elimina un campo piuttosto che un altro. Un'altra metrica utile è data dall'impatto differenziato, come la possibilità di vedere se il risultato di un modello cambia a seconda del genere o del codice postale. Per molti settori regolamentati, questa metrica viene utilizzata per controllare l'attendibilità dei modelli di apprendimento automatico.
La diffusione di IA e ML è accompagnata da considerazioni e responsabilità importanti
Trattandosi di un campo emergente, non sappiamo come si evolverà il panorama man mano che verranno scoperti nuovi casi d'uso e tecnologie e applicati nuovi standard e regolamenti etici. La tecnologia dell'IA sarà modellata ulteriormente in base alle prossime normative emesse dall'Unione europea e all'adozione di nuovi controlli sull'intelligenza artificiale da parte di sempre più autorità statali e federali degli Stati Uniti. Considerati il panorama in evoluzione e il cambiamento epocale dello scorso anno, le organizzazioni sono state messe alla prova. La trasformazione digitale non è più un miraggio lontano, ma è già realtà. Le aziende stanno trovando nuovi modi per gestire i volumi attuali di dati e l'innovazione relativa all'IA, incluse le applicazioni effettive, tra cui come usare l'IA per essere più agili e resilienti.
La Business Science favorisce un maggiore uso dell'apprendimento automatico, ma spetta alle organizzazioni gestire lo sviluppo e l'uso dell'IA in modo sicuro ed etico. Tableau e Salesforce mettono a disposizione dei singoli utenti e delle organizzazioni la piattaforma e le linee guida per prendere decisioni più informate e responsabili. I clienti potranno così capire meglio i dati e il contesto aziendale a cui applicare le soluzioni di IA e ML. Secondo noi, il modo più efficace e solido per ottenere il giusto equilibrio di collaborazione tra i diversi team, uso e applicazione etici dell'IA e rapida iterazione sta nel connubio tra la potenza delle soluzioni di IA e ML e l'esperienza umana. Solo mettendo le persone al centro è possibile migliorare l'efficacia e l'utilità di modelli predittivi, pianificazione degli scenari, simulazioni e altre tecniche di data science.
Man mano che continuiamo il nostro cammino verso l'innovazione e i nostri clienti affrontano le sfide del presente e ne incontrano di nuove, le tecniche di Business Science si faranno sempre più strada. Per questo abbiamo individuato alcuni punti importanti, in linea con i nostri valori, da considerare nel momento in cui si adottano e sviluppano soluzioni di Business Science. Per trovare il giusto equilibrio tra le diverse esigenze di collaborazione, rapida iterazione e uso etico, crediamo che sia essenziale per le organizzazioni:
- Definire e assegnare chiaramente ruoli e processi
- Stabilire metodi per una collaborazione efficace
- Integrare punti di contatto umani per l'uso e lo sviluppo etici dell'IA
Definire e assegnare chiaramente ruoli e processi
Gli esperti di settore e i data scientist sono chiamati a regolare questo nuovo ambiente di IA self-service. Quando si applicano soluzioni di Business Science, è importante per analisti, business user e team di data science definire e distinguere i ruoli, i compiti da svolgere, i nuovi processi che necessitano di scambi regolari e produttivi, il livello di coinvolgimento e convalida previsto da parte di ogni gruppo, insieme ad altre considerazioni. Come qualunque nuovo strumento o processo, ci sarà un periodo di adeguamento durante il quale verranno testati i processi e ruoli appena definiti. Sarà essenziale mantenere un dialogo aperto affinché il lavoro di tutti i team vada a buon fine.
Stabilire metodi per una collaborazione efficace
Per favorire il dialogo tra i diversi team, bisogna stabilire le modalità di comunicazione. I canali possono esserci già, ma per standardizzare e adottare effettivamente questi canali serve uno sforzo consapevole durante l'implementazione delle soluzioni di ML per un gruppo più ampio di persone. Per migliorare la collaborazione tra i team, è utile fissare degli incontri regolari per fare domande, consultarsi, convalidare e condividere apertamente il proprio parere.
Integrare punti di contatto umani per l'uso e lo sviluppo etici dell'IA
I controlli basati sulla tecnologia contro le distorsioni sono utili e permettono a più persone di trovare informazioni e previsioni per migliorare il processo decisionale, ma non dovrebbero essere l'unico metodo di verifica su cui contare. Bisognerebbe anche creare dei punti di contatto per consentire alle persone di rivedere ogni singola fase. Gli analisti e i business user hanno le competenze per capire i dati contestualizzati. Inoltre possono prevedere gli effetti potenziali dovuti a una gestione non etica dei dati sensibili, ma questo è possibile solo con una platea di persone diversificata, capace di identificare le lacune o le pratiche discriminatorie nei dati e di parlare per le parti poco rappresentate, che sono le più colpite dai sistemi di IA distorti. Per applicare le soluzioni di IA in modo etico e sicuro, le organizzazioni devono basarsi su un mix di apprendimento automatico ed esperienza umana, uniti agli strumenti necessari, a una revisione fatta dalle persone, alla trasparenza e al monitoraggio delle distorsioni.
Se ti accorgi che i dati sono distorti in partenza e che il modello risultante potrebbe causare danni, meglio evitare di distribuire il modello o di affidarsi a processi decisionali automatici. È essenziale risolvere le distorsioni presenti nei dati, per vari motivi. Oltre ai danni che possono causare, le distorsioni nei dati indicano che i dati contengono errori, il che porta a sua volta a modelli, previsioni e processi decisionali fuorvianti. Se la tua organizzazione non ha un gruppo interno dedicato all'etica né sa come affrontare i pregiudizi nei dati, l'ideale sarebbe collaborare con esperti esterni per esaminare attentamente e ridurre le distorsioni nei dati o modelli. Così facendo si possono portare alla luce le eventuali conseguenze derivate da distorsioni rimaste nascoste. Il team di data science può offrire il suo contributo ai consulenti esterni per completare questo lavoro di revisione dell'IA.
Noi di Tableau e Salesforce ci impegniamo a fornire strumenti ai clienti, partner e dipendenti per lo sviluppo e l'uso dell'IA in modo etico, preciso e responsabile. Scopri di più sull'iniziativa dell'Office of Ethical and Humane Use di Salesforce a dimostrazione del nostro impegno per un'IA etica. Per rimuovere le distorsioni dai dati e dagli algoritmi e avere sistemi di IA più etici nella tua azienda, compila il modulo di Salesforce Trailhead, " Responsible Creation of Artificial Intelligence".
Conclusioni
La domanda di competenze in analisi dei dati non fa che crescere e, di pari passo, anche l'opportunità per le persone e le organizzazioni di imparare a risolvere i problemi in modo più efficace. Per quanto alcuni approcci possano concentrarsi sullo sviluppo o sull'implementazione di soluzioni di IA completamente automatiche, potrebbero risultare limitati e non restituire il valore atteso. Sottovalutare e trascurare l'intelligenza umana, la conoscenza del contesto e l'esperienza quando si mettono l'IA e le tecniche di data science a disposizione di tutti non è solo controproducente, è irresponsabile.
Tableau ha sempre creduto nella forza del potenziale umano. Lasciare il potenziale umano libero di esprimersi è nel DNA di Tableau e alla base della nostra piattaforma di analisi visiva all'avanguardia. Ora, con la Business Science di Tableau, un nuovo tipo di innovazione che sfrutta l'IA e l'ML, vogliamo portare avanti la nostra tradizione, offrendo alle persone le funzionalità e gli strumenti giusti per trovano le risposte che cercano, scoprire nuove informazioni e risolvere i problemi. Con l'introduzione di Einstein Discovery in Tableau, una soluzione di Business Science, abbiamo messo l'apprendimento automatico nelle mani di più persone in modo sicuro, favorendo una maggiore adozione delle tecniche di data science per prendere decisioni migliori, più velocemente.
Ulteriori risorse