Datawetenschap is geen wetenschappelijk project

Geleverd door SAS

Volgens een onderzoek van New Vantage Partners uit 2018 is 97% van de bedrijven: investeren in big data en kunstmatige intelligentie (AI), en het primaire doel voor de meesten is om geavanceerde analysemogelijkheden in te zetten voor zakelijke besluitvorming.

Oliver Schabenberger is Executive Vice President, Chief Operating Officer en Chief Technology Officer bij SAS.

Maar minstens de helft van analyses resultaten komen nooit in productie.

Het uiteindelijke doel van digitale transformatie door middel van data science is het verbeteren van de organisatie. Of de focus nu ligt op het verhogen van de omzet, het verlagen van de kosten, het verhogen van de productiviteit of het starten van nieuwe bedrijven, organisaties moeten verder gaan dan het verzamelen van gegevens.

De analysemiddelen en AI-modellen die in de ontdekkingsfase zijn gemaakt, zijn ook niet het einddoel. Als u deze activa niet operationaliseert door ze in actie te brengen om bedrijfsresultaten te stimuleren en continu te beheren, kan datawetenschap zijn potentieel niet waarmaken.

Oliver Schabenberger, executive vice president, chief operating officer en chief technology officer bij SAS, spreekt op de 2018 Analytics Experience-conferentie van het bedrijf in San Diego. Steve Muir/SAS

Waar te beginnen met datawetenschap

Als u van plan bent te investeren in een datawetenschapsprogramma, moet u de hypothese- en gegevensverzamelingsfase van een project ver voorbij zijn. U moet een duidelijk probleem hebben geïdentificeerd dat u met analyse wilt aanpakken, en u moet weten welke gegevens u gaat gebruiken om dat probleem op te lossen.

Er zijn veel belemmeringen voor succes bij datagestuurde initiatieven. De belangrijkste daarvan is de moeilijkheid waarmee veel organisaties worden geconfronteerd bij het operationaliseren van analytics: het implementeren, monitoren en beheren van analytics en AI in bedrijfsprocessen.

Hoe kunt u deze uitdaging aangaan en uw idee van een wetenschappelijk project naar echte datawetenschap brengen?

1. Begin klein, met een project dat een kerncompetentie van het bedrijf aanpakt. Zorg ervoor dat alle partijen het eens zijn over de bedrijfswaarde en technische haalbaarheid van het project.
2. Selecteer een project dat binnen een jaar winst oplevert. Weet wanneer u aan het project begint hoe een overwinning eruitziet en hoe deze wordt gemeten.
3. Zoek naar mogelijkheden om uw gebruik van analyses te automatiseren en uit te breiden. Automatisering kan de resultaten van uw project exponentieel vermenigvuldigen.

Om deze concepten te illustreren, wil ik twee recente succesverhalen over datawetenschap beschrijven. Een daarvan is een gezondheidszorgsysteem dat computervisie gebruikt om kankerpatiënten te helpen behandelen. De andere is een sociale dienst die machine learning gebruikt om kwetsbare kinderen te beschermen. Ten slotte ziet u hoe deze projecten uit de pilotfase komen om te worden ingezet voor langetermijnresultaten.

Tumordetectie in medische beelden automatiseren

Amsterdam Universitair Medisch Centrum onlangs begonnen met het gebruik van computervisie en voorspellende analyses om de zorg voor kankerpatiënten te verbeteren. Het eerste project maakt gebruik van objectdetectie om tumoren in CT-scans van levers te identificeren en te meten.

Voorheen maten radiologen handmatig de grootte van tumoren in de scans voor en na de behandeling. Dit werk neemt vaak tot een derde van de werkdag van de radioloog in beslag, maar het is cruciaal werk. Als de tumoren van de patiënt reageren op de behandeling, maakt dat de patiënt ook een goede kandidaat voor een operatie.

Leiders zagen dit als een perfect proefproject om de mogelijkheden van analytics en AI te testen. Het ziekenhuis bouwde computervisiemodellen om de medische beelden in een fractie van de tijd te analyseren. Objectdetectie herkent vrijwel onmiddellijk tumoren en tumorgroottes. Bovendien zijn de modellen objectiever en nauwkeuriger dan de radiologen.

Dit gebruik van analyses maakt niet alleen radiologen vrij om meer hands-on met patiënten te werken, maar redt ook levens. Door sneller en nauwkeuriger resultaten te vinden, kan computervisie ertoe bijdragen dat meer patiënten sneller levensreddende operaties ondergaan.

Hoe is dit project overgegaan van een wetenschappelijk project naar datawetenschapsresultaten?

• AI wordt toegepast op echte patiëntgegevens om beslissingen te nemen over patiëntenzorg.
• Het ziekenhuis koos voor een project met veel potentie omdat de huidige methode handmatig, tijdrovend en enigszins subjectief is. Leiders begrepen duidelijk de voordelen van automatisering met een objectievere en nauwkeurigere methode.
• De aanvankelijke projectomvang was beheersbaar omdat AI werd toegepast om te helpen bij één aspect van de behandeling van één bepaald type kanker.
• Het automatiseren van de metingen van de tumoren is een herhaalbaar proces dat tijd zal blijven besparen en de patiëntenzorg zal verbeteren.
• Het succes van dit project kan worden herhaald om andere soorten kanker te helpen behandelen en om andere soorten medische beelden te lezen.

Betrokkenen waarschuwen wanneer kinderen risico lopen

New Hanover County , North Carolina, is ground zero voor de opioïde-epidemie die de VS teistert. Als gevolg hiervan heeft het ministerie van Sociale Diensten daar torenhoge gevallen van misbruik en verwaarlozing gezien.

Het aantal kinderen dat in hechtenis is genomen vanwege opioïden is sinds 2013 verdubbeld in de provincie. Opioïden zijn nu goed voor bijna 30% van de interventies van de DSS.

Het bureau kent de factoren die een kind in gevaar brengen. Maar als het niet op het juiste moment kan reageren op losgekoppelde gegevens, kunnen kinderen gemakkelijk door de kieren vallen.

Wanda Marino, destijds adjunct-directeur van DSS, wist dat de provincie beter kon. Toen ze hoorde over een manier om kindermishandeling aan te pakken met voorspellende analyses, vroeg ze een schenking aan om de technologie te helpen testen.

Het nieuwe systeem brengt verschillende gegevensbronnen samen en genereert op regels gebaseerde waarschuwingen wanneer het risiconiveau van een kind is toegenomen. Het kunnen 911-oproepen zijn vanuit huis, arrestaties van familieleden, nieuwe personen in huis of nieuwe onderzoeken. Ongeacht de bron, de visuele presentatie van de gegevens maakt het voor hulpverleners gemakkelijk om te zien wat een waarschuwing heeft veroorzaakt, in de zaak te duiken voor details en te bepalen welke interventies nodig kunnen zijn.

De resultaten van snellere interventies omvatten vermindering van kinderschade en verhoogde permanentie - een permanent thuis voor het kind. Marino zegt dat risicokinderen de echte begunstigden zijn. Deze samenwerking is monumentaal geweest. Het is het enige dat ons heeft geholpen om vooruit te komen en kindermishandeling tijdig te voorkomen, en ook om levens van kinderen te redden.

Hoe is dit project overgegaan van een wetenschappelijk project naar datawetenschapsresultaten?

• De provincie selecteerde een project dat het potentieel heeft om levens te redden en de medewerkers van de zaak efficiënter te maken.
• Het project had een duidelijk doel om kinderen te helpen in een gebied met overbelaste middelen.
• Machine learning wordt toegepast op meerdere gegevensbronnen om beslissingen te helpen nemen over de veiligheid van kinderen.
• Het automatiseren van de waarschuwingen voor caseworkers is een herhaalbaar proces dat tijd zal blijven besparen en het leven van kinderen zal verbeteren.
• Het succes van dit project kan worden herhaald en uitgebreid om andere provincies en ander personeel, zoals rechters en politieagenten, te helpen bij de interactie binnen het sociale dienstensysteem.

Verder gaan dan het wetenschapsproject

Analytics is geen wetenschappelijk project, en het is niet alleen het domein van statistici en datawetenschappers - niet meer. Wat we in de voorbeelden in dit artikel zien, is hoe deze principes zich manifesteren:

• Inzichten en besluitvorming mogelijk maken op basis van data.
• Taken eenvoudiger en productiever gemaakt.
• Beslissingen worden betrouwbaarder en sneller genomen door de toegang tot analyses te vergroten.
• Eindresultaten waar patiënten, families en de gemeenschap baat bij hebben.
• Analyse die van wetenschappelijke projecten naar operaties gaat om de organisatie, haar medewerkers en de mensen die ze bedient te helpen.

Voor beide projecten leiden de eerste resultaten tot een uitgebreider gebruik van analytics. In Amsterdam UMC vertellen beheerders dat ze hopen de objectdetectiemodellen uit te breiden voor meer soorten kanker en meer soorten patiënten. In North Carolina kan wat in de ene provincie werkt, worden uitgebreid naar andere provincies en kan leiden tot een programma voor de hele staat.

Om datawetenschap te laten werken, moet je op een missie zijn om barrières voor het produceren en consumeren van analyses weg te nemen. Hoe kun je een proefproject nemen en er iets groters van maken? Hoe kun je data die je al hebt, omzetten in positieve verandering voor je organisatie en je stakeholders?

Leer meer over datagedreven initiatieven bij SAS .

zich verstoppen