Datavetenskap är inte ett vetenskapsprojekt

Tillhandahålls av SAS

Enligt en undersökning från 2018 av New Vantage Partners är 97 % av företagen det investera i big data och artificiell intelligens (AI), och det primära målet för de flesta är att distribuera avancerade analysfunktioner för affärsbeslut.

Oliver Schabenberger är Executive Vice President, Chief Operating Officer och Chief Technology Officer på SAS.

Dock minst hälften av analyser resultat kommer aldrig i produktion.

Det slutliga målet för digital transformation genom datavetenskap är att förbättra organisationen. Oavsett om fokus ligger på att öka intäkterna, sänka kostnaderna, öka produktiviteten eller lansera nya företag, måste organisationer gå längre än att samla in data.

Analystillgångarna och AI-modellerna som skapades i upptäcktsfasen är inte heller slutmålet. Om du inte operationaliserar dessa tillgångar genom att omsätta dem i handling för att driva affärsresultat och hantera dem kontinuerligt, kan datavetenskap inte uppfylla sin potential.

Oliver Schabenberger, vice vd, operativ chef och teknisk chef på SAS, talar vid företagets 2018 Analytics Experience-konferens i San Diego. Steve Muir/SAS

Var ska man börja med datavetenskap

Om du planerar att investera i ett datavetenskapsprogram bör du vara långt över hypotes- och datainsamlingsfasen i ett projekt. Du måste ha ett tydligt problem identifierat som du är redo att ta itu med med analys, och du måste veta vilken data du kommer att använda för att lösa det problemet.

Det finns många hinder för framgång i datadrivna initiativ. Den främsta bland dem är svårigheten som många organisationer möter med att operationalisera analyser: distribuera, övervaka och hantera analyser och AI i affärsprocesser.

Hur kan du övervinna denna utmaning och flytta din idé från ett vetenskapsprojekt till sann datavetenskap?

1. Börja smått, med ett projekt som tar upp en kärnkompetens i verksamheten. Se till att alla parter är överens om projektets affärsvärde och tekniska genomförbarhet.
2. Välj ett projekt som kommer att erbjuda en vinst inom ett år. Vet att gå in i projektet hur en vinst ser ut och hur den kommer att mätas.
3. Leta efter möjligheter att automatisera och utöka din användning av analyser. Automatisering kan multiplicera resultaten av ditt projekt exponentiellt.

För att illustrera dessa begrepp, låt mig beskriva två nya framgångshistorier inom datavetenskap. Det ena är ett hälso- och sjukvårdssystem som använder datorseende för att behandla cancerpatienter. Den andra är en socialtjänst som använder maskininlärning för att skydda utsatta barn. Slutligen kommer du att se hur dessa projekt går ut ur pilotfasen för att implementeras för långsiktiga resultat.

Automatisera tumördetektering i medicinska bilder

Amsterdam University Medical Center började nyligen använda datorseende och prediktiv analys för att förbättra vården för cancerpatienter. Dess initiala projekt använder objektdetektion för att identifiera och mäta tumörer i CT-skanningar av lever.

Tidigare har radiologer mätt storleken på tumörer manuellt i skanningarna före och efter behandling. Detta arbete tar ofta upp till en tredjedel av radiologens arbetsdag, men det är kritiskt arbete. Om patientens tumörer svarar på behandlingen gör det också patienten till en bra kandidat för operation.

Ledare såg detta som ett perfekt pilotprojekt för att testa förmågan hos analys och AI. Sjukhuset byggde datorseende modeller för att analysera de medicinska bilderna på en bråkdel av tiden. Objektdetektion känner igen tumörer och tumörstorlekar nästan omedelbart. Dessutom är modellerna mer objektiva och mer exakta än vad radiologerna är.

Denna användning av analyser frigör inte bara radiologer att göra mer praktiskt arbete med patienter utan räddar också liv. Genom att hitta resultat snabbare och mer exakt kan datorseende hjälpa fler patienter att gå in i livräddande operationer snabbare.

Hur gick det här projektet från vetenskapsprojekt till datavetenskapliga resultat?

• AI tillämpas på riktig patientdata för att fatta beslut om patientvård.
• Sjukhuset valde ett projekt med stor potential eftersom den nuvarande metoden är manuell, tidskrävande och något subjektiv. Ledare förstod tydligt fördelarna med att automatisera med en mer objektiv och korrekt metod.
• Den ursprungliga projektstorleken var hanterbar eftersom AI användes för att hjälpa till med en aspekt av att behandla en viss typ av cancer.
• Att automatisera mätningarna av tumörerna är en repeterbar process som kommer att fortsätta att spara tid och förbättra patientvården.
• Framgången med detta projekt kan upprepas för att hjälpa till att behandla andra typer av cancer och för att läsa andra typer av medicinska bilder.

Att larma handläggare när barn är i riskzonen

New Hannover County , North Carolina, är noll för opioidepidemin som härjar i USA. Som ett resultat av detta har avdelningen för socialtjänst där sett skyhöga fall av övergrepp och vanvård.

Antalet barn som omhändertas på grund av opioider har fördubblats i länet sedan 2013. Opioider står nu för nästan 30 % av insatserna från DSS.

Myndigheten känner till de faktorer som utsätter ett barn för risker. Men när den inte kan agera på frånkopplad data vid rätt tidpunkt kan barn lätt falla mellan stolarna.

Wanda Marino, assisterande direktör för DSS vid den tiden, visste att länet kunde göra bättre ifrån sig. När hon hörde talas om ett sätt att ta itu med barnmisshandel med prediktiv analys, ansökte hon om en donation för att hjälpa till att pilotera tekniken.

Det nya systemet samlar olika datakällor och genererar regelbaserade varningar när ett barns risknivå har ökat. Det kan vara 911-samtal från hemmet, arresteringar av familjemedlemmar, nya individer i hemmet eller nya utredningar. Oavsett källa gör den visuella presentationen av data det enkelt för handläggare att se vad som utlöste en varning, borra i ärendet för detaljer och avgöra vilka ingrepp som kan behövas.

Resultaten av snabbare insatser inkluderar minskningar av barnskador och ökad varaktighet – ett permanent hem för barnet. Marino säger att barn i riskzonen är de verkliga förmånstagarna. Detta partnerskap har varit monumentalt. Det har varit det enda som har hjälpt oss att gå framåt och förebygga övergrepp mot barn i tid, och även att rädda barns liv.

Hur gick det här projektet från vetenskapsprojekt till datavetenskapliga resultat?

• Länet valde ut ett projekt som har potential att rädda liv och effektivisera handläggare.
• Projektet hade ett tydligt mål att hjälpa barn i ett område med överbelastade resurser.
• Maskininlärning tillämpas på flera datakällor för att hjälpa till att fatta beslut om barns säkerhet.
• Att automatisera varningarna för handläggare är en återkommande process som kommer att fortsätta att spara tid och förbättra livet för barn.
• Framgången med detta projekt kan upprepas och utökas för att hjälpa andra län och annan personal som interagerar inom socialtjänstsystemet, som domare och poliser.

Går bortom det vetenskapliga projektet

Analytics är inte ett vetenskapsprojekt, och det är inte bara statistiker och datavetares område – inte längre. Det vi ser i exemplen i den här artikeln är hur dessa principer visar sig:

• Möjliggör insikter och beslutsfattande baserat på data.
• Jobb görs enklare och mer produktiva.
• Beslut fattas mer tillförlitligt och snabbare genom att öka tillgången till analyser.
• Slutresultat som gynnar patienter, familjer och samhället.
• Analys som går från vetenskapsprojekt till verksamhet för att hjälpa organisationen, dess anställda och de människor den betjänar.

För båda dessa projekt leder de första resultaten till utökad användning av analyser. På Amsterdam UMC berättar administratörer att de hoppas kunna utöka objektdetekteringsmodellerna för fler typer av cancer och fler typer av patienter. I North Carolina kan det som fungerar i ett län utökas till andra län – och kan leda till ett statligt program.

För att datavetenskap ska fungera bör du ha ett uppdrag att ta bort hinder för att producera och konsumera analyser. Hur kan man ta ett pilotprojekt och göra det till något större? Hur kan du ta data du redan har och omvandla den till positiv förändring för din organisation och dina intressenter?

Lära sig mer om datadrivna initiativ på SAS .

Dölj