Как SAP S/4HANA Machine Learning предвещает появление интеллектуального предприятия

В последующие версии SAP S/4HANA все больше интегрируется искусственный интеллект. В приложение встроено множество готовых сценариев, которые постепенно внедряют искусственный интеллект и машинное обучение. Это пошаговое введение готовит пользователей к глубокой трансформации их повседневной работы и появлению интеллектуального предприятия.

Машинное обучение в S/4HANA

Машинное обучение основано на анализе больших объемов исторических данных для составления прогнозов с указанием вероятности наступления этих событий – немного похоже на прогнозы погоды. В области программного обеспечения ERP (планирование ресурсов предприятия) эта методика имеет множество применений. Она может облегчить ввод данных, выявить аномалии и помочь в прогнозировании.

С течением времени компания SAP встраивала в последующие версии S/4HANA все больше функций, основанных на Machine Learning.

Например, новая функция, связанная с управлением денежными средствами, помогает сверять фактические платежи с ожидаемыми на вероятностной основе. Ранее такие сверки выполнялись с использованием детерминированных правил. Чтобы процессы работали, каждый платеж должен был соответствовать одному из этих предопределенных правил. С помощью Machine Learning программа может предложить сверку даже без 100% совпадения.

В логистике Machine Learning позволяет программному обеспечению прогнозировать задержки доставки закупленных товаров. И, что более важно, они дают пользователям возможность оценить последствия этих задержек. Такое предвидение означает, что пользователь может лучше сосредоточиться на наиболее важных аспектах своей работы.

Реализация стандартных сценариев при минимальных инвестициях

Машинное обучение в S/4HANA в первую очередь направлено на повышение производительности, позволяя пользователям экономить время на выполнении рутинных задач. Обнаружение ошибок ввода данных обычно классифицируется как повышение качества. Но стоит отметить, что это повышение качества также приводит к повышению производительности. Вы избавляетесь от необходимости тратить время на устранение последствий ошибок в данных.

Несмотря на влияние на качество и производительность, точная оценка прямых преимуществ машинного обучения остается сложной. Это делает его ценность и ROI (возврат на инвестиции) трудноопределимыми.

Первая причина заключается в том, что оно не получило широкого распространения. Результаты не являются универсальными. Кроме того, эти результаты малозаметны и переплетаются с другими результатами, полученными благодаря новому пользовательскому интерфейсу S/4HANA и интеграции аналитики в основу операций.

Однако одним из преимуществ развертывания стандартных сценариев Machine Learning, предлагаемых SAP, является то, что это требует минимальных инвестиций. SAP предоставляет необходимые алгоритмические модели, а также обеспечивает интеграцию с целевыми да

Компания SAP прошла долгий путь с момента интеграции в S/4HANA своей первой библиотеки машинного обучения (Predictive Analytics Library). PAL была сложной и могла использоваться только специалистами по анализу данных. После приобретения компании Kxen, специалиста по предиктивной аналитике, SAP смогла интегрировать вторую библиотеку, APL (Automated Predictive Library), которая повысила удобство использования машинного обучения в повседневных приложениях.

APL использует “супер-алгоритм”, способный выбрать и обучить наиболее подходящую модель машинного обучения для определенного типа данных и ожидаемого результата. По сути, это интеграция, благодаря которой функции Machine Learning оказываются непосредственно в руках ключевых пользователей S/4HANA.

Это также механизм, который SAP использует для увеличения количества готовых сценариев использования с каждым новым выпуском S/4HANA. Сейчас мы находимся на том этапе, когда количество вариантов использования Machine Learning удваивается с каждым новым выпуском.

Кроме того, “супер-алгоритм” делает процесс более интуитивным. Все эти варианты использования Machine Learning полностью встроены в существующие приложения. Пользователю не нужно переключаться на другую систему или операцию. Им также не нужно знать алгоритмы, лежащие в основе прогнозов.

Пользователям просто нужно знать, что это статистические расчеты, которые не следует принимать вслепую. К ним нужно подходить критически, как к указаниям навигационной системы или прогнозам движения автомобилей в Google Maps.

Внедрение собственных моделей машинного обучения в S/4HANA

Помимо готовых приложений Machine Learning, SAP также предоставляет набор инструментов, позволяющих клиентам пойти дальше. Используя библиотеку APL, теперь можно разрабатывать новые сценарии, аналогичные предварительно сконфигурированным, и все это в рамках S/4HANA.

Существуют также варианты для более сложных приложений. Если требуются более сложные алгоритмы (например, нейронные сети), или пользователю необходим доступ к данным за пределами S/4HANA, или к большим объемам информации (например, из озер данных), SAP рекомендует использовать сценарий “бок о бок”.

При таком подходе механизм анализа создается с помощью инструмента под названием SAP Data Intelligence на SAP Cloud Platform (SCP). Однако результаты по-прежнему можно использовать из приложений S/4HANA.

Эти разработки представляют собой постепенное, но глубокое изменение программного обеспечения SAP, которое ускорится в ближайшее десятилетие.

Если предыдущее поколение программного обеспечения ERP компании SAP, ECC, было, прежде всего, системой сбора данных, то S/4HANA нацелена на постепенное, но глубокое изменение. S/4HANA стремится стать источником информации.

Именно поэтому SAP постаралась максимально автоматизировать ввод данных благодаря обнаружению аномалий, полуавтоматическому вводу данных и, все чаще, полной автоматизации с помощью интеллектуальных программных роботов. Все это приложения, для которых машинное обучение оказывается очень эффективным инструментом.

Переход к автоматизированному принятию решений

SAP также стремится использовать искусственный интеллект в информационно-поисковой части программного обеспечения, предлагая формы автоматизированного принятия решений. Например, при сопоставлении счетов-фактур и полученных платежей пользователь может принять решение полностью довериться алгоритму для выполнения этой операции.

Однако переход к полностью автоматизированным решениям представляет собой двойную проблему.

Во-первых, существует серьезная технологическая проблема, связанная с тем, чтобы сделать прогнозы, сделанные алгоритмами, достаточно надежными. Но также существует и культурный вызов. Компании и пользователи должны постепенно привыкнуть к этим инструментам, чтобы в полной мере использовать их и получить ожидаемые преимущества, как с точки зрения производительности, так и качества. Это требует осторожного и терпеливого подхода.

Эффективный способ получить поддержку пользователей и добиться успешного перехода – начать с внедрения машинного обучения в S/4HANA.

Чтобы поговорить с нашей командой о машинном обучении в S/4HANA или о начале перехода, нажмите здесь и договоритесь о звонке для обсуждения ваших целей.