Verslo procesų analizė PDF

Prasti procesai sudaro 85 procentus problemų, su kuriomis susiduria organizacijos, aptarnaudamos savo klientus W. E. Deming 2 Verslo procesai Struktūrizuota v...

Prasti procesai sudaro 85 procentus problemų, su kuriomis susiduria organizacijos, aptarnaudamos savo klientus W. E. Deming 2 Verslo procesai Struktūrizuota veikla, kurią organizacijos vykdo siekdamos savo tikslų ir vykdydamos veiklą Užduočių seka ir darbo žingsniai Nuoseklūs arba lygiagretūs 3 Verslo procesų elementai Input | Resources Monitoring and control Operational steps | Course of activity Output | Product, service, result Feedback 4 Verslo procesų tipologija PAGRINDINIAI PAGALBINIAI VALDYMO Užsakymų valdymo procesas Personalo valdymo procesas Strateginio planavimo procesas Gamybos procesas Finansų valdymo procesas Projektų valdymo procesas Viešųjų pirkimų valdymo IT palaikymo procesas Rizikos valdymo procesas procesas Tiekimo valdymo procesas Personalo valdymo procesas Finansų valdymo procesas Rinkodaros ir reklamos Finansų valdymo procesas Klientų aptarnavimo procesas procesas Kokybės valdymo procesas Rinkodaros ir pardavimo Teisinio valdymo procesas procesas Pokyčių valdymo procesas Kokybės valdymo procesas Produktų ar paslaugų kūrimo procesas Žmogiškųjų išteklių valdymo procesas 5 Diskusija Kodėl tie patys verslo procesai patenka į skirtingas ankstesnės skaidrės kategorijas? 6 Verslo procesų modeliavimo ir žymėjimo standartas (angl. Business process model and notation (BPMN)) ▪ Procesų modeliavimo standartas ▪ Kai kurioms suinteresuotosioms šalims sunkiau suprantama ▪ Turi vaidmenis ▪ Gausu sudėtingų sprendimų ir kilpų simbolių Galima naudoti paprastiems ir sudėtingiems procesų srautams. Paprastai naudojamas tik BPMN pogrupis. 7 Unified modelling language (UML) ▪ Standartizuota vizualizavimo ir modeliavimo kalba, kuri naudojama sistemų kūrimui ir analizei ▪ Kai kurioms suinteresuotosioms šalims sunkiau suprantama ▪ Gali turėti vaidmenis ▪ Ne tiek daug simbolių sudėtingiems sprendimams ir kilpoms Paprastai naudojamas sistemos srautui, o ne verslo procesų sekoms Klasės, veiklos, sekos, būsenos, komponento, naudojimo atvejo ir kt. diagramos, pvz.: UML Use Case Diagram Tutorial – YouTube How ChatGPT Can Help You Create Complex Use Case Diagrams (Beware Analysts!) - YouTube 8  Cross-functional Process Map - Web Site Changes (rff.com) Struktūrinės schemos forma, vaizduojanti procesų sekas ir sprendimų medžius (angl. flowchart). Procesų žemėlapiai (angl. processmaps) yra vaizdinės diagramos, vaizduojančios verslo ar organizacijos procesus ir jų seką. Šie žemėlapiai yra naudinga procesų analizės, supratimo ir dokumentavimo priemonė. 9  Data Flow Diagram | Enterprise Architect User Guide (sparxsystems.com) Objektų sąryšių diagrama (angl. entity- relationshipdiagram-ERD) paprastai naudojama kuriant duomenų bazę, norint modeliuoti ryšius tarp duomenų bazės objektų. Duomenų srauto (angl. data flow–DFD) diagrama vizualizuoja duomenų srautus, procesus, duomenų saugyklas ir išorines sąsajas. 10  Swimlane Process Maps: A Complete Guide (+ Templates) - Venngage Vertės srauto žemėlapis (angl. ValueStream Mapping-VSM) yra vaizdinė technika, skirta verslo procesų srautams ir vertės srautams rodyti. Jis dažnai naudojamas procesų tobulinimo metodikose, tokiose kaip "Lean" ar "SixSigma". Juostų (angl. swimlane) diagrama padeda vizualizuoti veiklos procesus ir atlikėjus, nurodant, kas yra atsakingas už kiekvieną proceso žingsnį ar užduotį. 11  DI ALGORITMAS AR VERSLO PROCESŲ DIAGRAMA? DI ALGORITMAS AR VERSLO PROCESŲ DIAGRAMA? 12  Dirbtinio intelekto (DI) konceptas Mašinų mokymosi ir sprendimų priėmimo sritis, skirta modeliuoti žmogaus intelektą ir gebėjimą atlikti intelektualias užduotis. Plataus spektro technologijos ir metodai, kurie įgalina mašinas atlikti įvairias užduotis, kurias paprastai atlieka žmonės. Svarbiausios DI savybės: Savarankiškumas Gebėjimas atlikti užduotis sudėtingoje aplinkoje be nuolatinių naudotojo nurodymų. Prisitaikomumas Gebėjimas pagerinti rezultatus mokantis iš patirties. 13 DI istorija trumpai Johnas McCarthy, MarvinasMinsky, AllenasNewellasir Herbertas Simonas yra dirbtinio intelekto "įkūrėjai". Dirbtinį intelektą 1955 m. sukūrė Johnas McCarthy. Tada 1956 m. jis surengė gerai žinomą Dartmutokonferenciją, kurioje atsirado dirbtinio intelekto disciplina. Nuo to laiko jis įgijo didžiulę reikšmę. https://www.ask ingm inds.com /artif icial-intelligence-guide-to-absolutely- intriguing-f acts/ 14  Skaitmeninis dvynys Dirbtinio intelekto Skaitmeninė integravimas su Dirbtiniu intelektu inovacijų ir Kartotinis Skaitmeninio grįsto skaitmeninio mokymasis ir skaitmeniniu sprendimų Vertė dvynio koncepcija dvynio privalumai tobulinimas dvyniu priėmimo erdvė Koncepcijos Dinaminis grįžtamojo Proaktyvusįrankis. Apibrėžimas. išplėtimas. Dirbtinis ryšio ciklas. Neapsiriboja proceso Reprezentuoja fizinius Kliūčių nustatymas. Bandymų poligonas. intelektas perkelia Tiksliai nurodo darbo Palengvina naujų Simuliacijų duomenys replikacija, kad procesus skaitmeniniu skaitmeninį dvynį į grąžinami į dirbtinio aktyviai formuotų ir eigų neefektyvumą. metodikų tyrinėjimą. būdu. naują lygį. intelekto algoritmus. tobulintų. Strateginis Strateginis požiūris. Taikymas. Atspindi Funkcionalumą. Optimizavimas. tobulinimas. Tobulina Nuolatinis mokymasis. Sumažina riziką, realaus pasaulio Įgalina aktyvų Padidina bendrą strategijas, pagrįstas Užtikrina adaptyvius padidina efektyvumą veiklą, struktūras ir modeliavimą, efektyvumą naudojant virtualaus vaizdavimo verslo procesus, ir skatina nuolatinį funkcijas. stebėjimą ir analizę. modeliavimą. suderintus su tikslais. įžvalgomis. tobulėjimą. Rizikos mažinimas. Sumažina netikrumą, susijusį su proceso pakeitimais. 15 Mašininis mokymasis Prižiūrimas Mašininis Neprižiūrimas mokymasis Skatinamasis 18 Gilieji neuroniniai tinklai (DNN) MLP CNN RNN LSTM DNN GRU LLM GAN Transformeriai … 19 Natūralios kalbos apdorojimas(NLP) Teksto klasifikavimas Automatinis teksto išgavimas Kalbos generavimas NLP Kalbos vertimas Sentimentų analizė … 20  Prognozavimas ir optimizavimas Prognozuojama klientų elgsena Poreikio prognozavimas Prognozavimas ir Numatomas defektų optimizavimas skaičius Optimalios išteklių paskirstymo strategijos Tiekimo grandinės optimizavimas Vincent Granville, Machine Learning Cloud Regression: The Swiss Army Knife of Optimization. 2022. https://vincentgranville.medium.com/machine-learning-cloud-regression-the-swiss-army-knife-of-optimization-45490d5ea67b 21 Kompiuterinis regėjimas Vaizdo atpažinimas Objektų aptikimas Veido atpažinimas Gestų atpažinimas Kompiuterinis regėjimas Vaizdo segmentavimas Optinis simbolių atpažinimas (OCR) Judesio analizė 3D rekonstrukcija 22 Evoliuciniai algoritmai Genetiniai algoritmai Evoliuciniai Evoliucijos algoritmai strategijos Genetinis programavimas 23 Rekomendacijų sistemos Kolaboratyvinis filtravimas Rekomendacijų sistemos Filtravimas pagal turinį 24 Simbolinės sistemos Ekspertinės sistemos Simbolinės sistemos Taisyklėmis grindžiamos sistemos 25 Procesų pridėtinė vertė Pridėtinės vertės procesas turi tris dimensijas: Veikla keičia produktą ar paslaugą taip, kad ji atitiktų kliento lūkesčius. Tai atliekama teisingai iš pirmo karto. Klientas pasiruošęs už tai sumokėti arba to dėka sumažinami kaštai. Neturinčios pridėtinės vertės darbo veiklos: Verslo reikalavimai (pavyzdžiui, saugumas ir sveikata, personalo atranka ir kt.). Ištekliųšvaistymas, perdarymas/pakartojimas, nereikalingi patvirtinimo lygiai Ataskaitų rengimas, kurios niekada nėra skaitomos Neproduktyvūs susitikimai 27  Dirbtinio intelekto vaidmuo verslo procesuose ▪ Procesų modeliavimas Automatizavimas ir ▪ efektyvumas Duomenų analizė ir ▪ sprendimų priėmimas Asmeninė patirtis ir ▪ klientų aptarnavimas Prognozavimas ir ▪ planavimas Rizikos valdymas Kokybės ▪ kontrolė ▪ Proceso tobulinimas ▪ ▪ Inovacijos ir kūrybiškumas 28 Iššūkiai (1) ▪ Iššūkiai diegiant naujas technologijas: ▪ Dirbtinio intelekto taikymas verslo procesuose gali kelti iššūkių, susijusių su naujų technologijų diegimu ir pritaikymu organizacijos poreikiams. Tam gali prireikti investicijų į specializuotą IT infrastruktūrą, mokymo procesus, taip pat keisti įmonės ▪ Saugumas ir privatumas: kultūrą ir procesus. ▪ Dirbtinio intelekto taikymas gali sukelti saugumo ir privatumo problemų, ypač jei jame yra asmeninės informacijos. Tai kelia susirūpinimą dėl duomenų apsaugos ir galimo pažeidžiamumo, kai DI sistemos gali tapti kenkėjų taikiniais arba būti pažeidžiamos netinkamo elgesio atveju. ▪ Patikimumo ir skaidrumo stoka ▪ DI sistemų veikimas gali būti sudėtingas ir netikslus, ypač naudojant pažangias mašininio mokymosi technologijas. Tai gali sukelti pasitikėjimo stoką, ypač jei įmonės vadovai ir darbuotojai negali visiškai suprasti, kaip veikia tokios sistemos ir kaip jos priima sprendimus. 29 Persimokymas (overfitting) Persimokymas yra dažna mašininio mokymosi problema, kai modelis išmoksta fiksuoti triukšmą ar atsitiktinius mokymo duomenų svyravimus, o ne pagrindinį modelį. Iš esmės modelis gerai veikia su mokymo duomenimis, tačiau nesugeba apibendrinti iki tol nematytų duomenų. Taip gali atsitikti, kai modelis yra per daug sudėtingas, palyginti su mokymo duomenų kiekiu ir kokybe. https://data-m ining.philippe-f ournier-viger.com /f unny-pictures-about-data-m ining-m achine-learning/ 30 Moritz Schroder | AI Strategy Team Lead @ Merantix Momentum 31 Moritz Schroder | AI Strategy Team Lead @ Merantix Momentum 32 Paaiškinamas DI (angl. ExplainableAI -XAI) ▪ XAI: ▪ Daugiausia dėmesio skiriama tam, kad DI sistemos būtų skaidrios ir suprantamos žmonėms. Siekiama ▪ suteikti įžvalgų apie tai, kaip dirbtinio intelekto modeliai priima sprendimus, kad vartotojai galėtų pasitikėti rezultatais ir juos interpretuoti. ▪ XAI svarba: ▪ Didina pasitikėjimą Įgalina ▪ atskaitomybę ▪ Atitiktis ▪ Technikos ir etika. ir metodai: ▪ Modelio skaidrumas: ▪ Tokie metodai kaip funkcijų svarba, sprendimų taisyklės ir modelio vizualizavimas suteikia įžvalgų apie DI modelių vidinį veikimą. ▪ Post-hoc paaiškinimai: ▪ Tokie metodai kaip LIME (LocalInterpretableModel-AgnosticExplanations) ir SHAP (SHapleyAdditive exPlanations) sukuria paaiškinimus konkrečioms prognozėms, kurias atlieka juodosios dėžės modeliai. ▪ Taisyklėmis pagrįsti modeliai: ▪ Naudojant interpretuojamus modelius, tokius kaip sprendimų medžiai ar tiesinė regresija, padidėja paaiškinamumas, bet tam tikros prognozavimo galios sąskaita. 33 XAI ▪ XAI naudojimas: ▪ Sveikatos priežiūra: XAI padeda gydytojams suprasti dirbtiniu intelektu pagrįstas diagnozes ir ▪▪ gydymo rekomendacijas, pagerinti pacientų priežiūrą ir saugumą. Finansai: paaiškinami DI modeliai padeda finansų įstaigoms paaiškinti skolinimo sprendimus, aptikti sukčiavimą ir laikytis reguliavimo reikalavimų. Autonominės transporto priemonės: XAI užtikrina, kad savavaldžių automobilių priimami sprendimai būtų suprantami, o tai didina visuomenės pritarimą ir saugumą. ▪ Iššūkiai ir ateities kryptys: ▪ Balansas tarp tikslumo ir interpretuojamumo: kompromisas tarp modelio sudėtingumo ir ▪▪ interpretuojamumo, kurį reikia atidžiai apsvarstyti. Mastas: XAI metodų, kurie pritaikomi prie sudėtingų giliojo mokymosi modelių, kūrimas, tebėra iššūkis. Švietimas ir informuotumas: informuotumo didinimas ir suinteresuotųjų šalių švietimas apie XAI svarbą yra labai svarbus jo plačiam pritaikymui ir supratimui. 34 Persimokymo įveikimas Cross-validation Regularization Data Augmentation Feature Selection Early Stopping Ensemble Methods Simplifying the Model Dropout Cross-domain Generalization Pruning 35 Iššūkiai (2) ▪ Darbo jėgos poreikio sumažėjimas: ▪ Dirbtinio intelekto taikymas verslo procesuose gali sumažinti darbo jėgos poreikį tam tikroms užduotims, kurias anksčiau atliko žmonės. Dėl to gali kilti socialinių ir ekonominių problemų, susijusių su darbo vietų praradimu ir darbo jėgos restruktūrizavimu. ▪ Etiniai klausimai: ▪ Dirbtinis intelektas taip pat kelia daug etinių klausimų. Pavyzdžiui, kaip elgtis priimant etinius sprendimus, kai mašinų mokymasis grindžiamas duomenimis, kuriuose yra diskriminacijos, stereotipų ar neteisybės? Taip pat gali kilti klausimų dėl DI sistemų atsakomybės suvokimo. 36 Etiniai iššūkiai 37 Etiniai iššūkiai „Amerikiečiai atsivežė visą savo sistemą, vertimus darė dirbtinis intelektas“ J. Morkūnas. https://zmones.15min.lt/naujiena/kodel-joe-bideno-kalbos-titruose-atsirado-sventoji-skumbre-paaiskino-ten-dirbes-jogaila-morkunas-pL5Adlp2VYZ 38 Moritz Schroder | AI Strategy Team Lead @ Merantix Momentum 39 40 Ar dirbtinis intelektas yra praeinanti mados banga? Antradienis, 2000m. gruodžio 5 d. https://dessenter.ghost.io/ 42 43 Ateities technologijos: gairės Pramonės 5.0 metodas padeda įgyvendinti 3 Europos Komisijos prioritetus: Europos žaliasis kursas Žmonėms tarnaujanti ekonomika Europos žaliasis kursas Į žmogų orientuoto požiūrio į skaitmenines technologijas, įskaitant dirbtinį intelektą, taikymas Europos darbuotojų kvalifikacijos kėlimas ir perkvalifikavimas Modernios, efektyviai išteklius naudojančios ir tvarios pramonės šakos ir perėjimas prie žiedinės ekonomikos Pasauliniu mastu konkurencinga ir pasaulyje pirmaujanti pramonė, spartinanti investicijas į mokslinius tyrimus ir inovacijas 44