Der Wohnungsmarkt in Ontario wird von Tarion reguliert, einer gemeinnützigen Verbraucherschutzorganisation, die 1976 von der Regierung von Ontario gegründet wurde. Wenn ein Hausbesitzer in Ontario ein neu gebautes Haus kauft, wird die Garantie bei Tarion registriert.
Wenn der Käufer ein Problem in der Konstruktion feststellt, wie zum Beispiel Feuchtigkeit, Elektrik oder Struktur, reicht er in der Regel auf einem Online-Portal ein Formular mit freiem Text an Tarion ein. Abhängig von den vorliegenden Problemen kann sich die Einreichung des Hausbesitzers von selbst lösen oder zu kostspieligen und zeitaufwändigen Eingriffen wie einer physischen Inspektion durch einen Gutachter oder einen geeigneten Fachmann führen.
Da Tarion seit 1976 in Betrieb ist und die Eingaben von Hausbesitzern und Bauherren größtenteils in Form von Klartext erfolgen, war sich das Management von Tarion bewusst, dass ihre Textdaten eine Goldgrube für KI-Initiativen wie Predictive Analytics oder sogar Predictive sein würden Modelle zur Verarbeitung natürlicher Sprache , weshalb sie sich für eine KI-Strategieberatung bei uns entschieden haben. Wenn die Beschwerden eines Hausbesitzers nicht von einem Bauunternehmer bearbeitet werden, wird das Problem wahrscheinlich eskalieren und eine kostspielige und stressige Inspektion durch einen Gutachter oder einen anderen Fachmann erfordern.
Tarion beauftragte Fast Data Science im Rahmen einer KI-Strategieberatung . Das Engagement bestand aus drei Phasen:
Datenerkennung: Wir haben die bereits im Salesforce-System von Tarion vorhandenen Daten untersucht und einige kleine Sandbox-Vorhersagemodelle erstellt. Wir haben herausgefunden, dass sowohl der Klartext der Einreichung eines Hausbesitzers als auch die begleitenden Metadaten einen hohen Vorhersagewert haben und dass es möglich wäre, die Wahrscheinlichkeit vorherzusagen, dass eine Einreichung zu einer physischen Inspektion, einem schwerwiegenden strukturellen Defekt oder sogar zu einem Rechtsstreit führt.
Identifizierung von Chancen: Wir führten eine Reihe von Brainstorming-Sitzungen mit Vizepräsidenten und anderen Stakeholdern im gesamten Unternehmen durch. Diese Gespräche wurden von den Vizepräsidenten geleitet, die besprechen konnten, was KI ihrer Meinung nach für ihre Abteilung und für die Organisation als Ganzes erreichen würde.
Priorisierung von Chancen: Wir haben die Datenwissenschafts- und NLP-Initiativen der Kandidaten zusammengestellt und die Interessenvertreter in Tarion gebeten, sie auf einer Drei-Punkte-Skala hinsichtlich ihrer Auswirkungen auf Hausbesitzer, Bauherren, Mitarbeiter und die Finanzen von Tarion zu bewerten. Die Initiative, die von Interessenträgern aus allen Abteilungen am häufigsten genannt wurde, lautete beispielsweise: „Wenn ein Hausbesitzer ein Formular einreicht, selektieren Sie es nach der Wahrscheinlichkeit einer Eskalation.“ Einige andere spannende Initiativen waren für eine bestimmte Abteilung von großem Interesse, in anderen Bereichen jedoch nicht unbedingt, z. B. „Wenn ein Hausbesitzer mit der Eingabe einer Einreichung beginnt, helfen Sie ihm dabei, festzustellen, ob seine Beschwerden unter die Garantie fallen.“ Wir haben diese Elemente auch nach technischem Schwierigkeitsgrad eingestuft und sie in einem in Plotly Dash erstellten interaktiven Streudiagramm lokalisiert, sodass Stakeholder die bewerteten Initiativen erkunden und sie nach verschiedenen Kriterien segmentieren können:
Übung zur Priorisierung von KI-Chancen. Projekte können in zwei Kategorien eingeteilt werden: Schwierigkeit und Wirkung. Attraktive Initiativen wären unten rechts in der Grafik zu finden, d. h. sie hätten eine hohe Wirkung bei geringem technischem Schwierigkeitsgrad.
Das letzte Ergebnis der Zusammenarbeit mit Tarion war eine Präsentation mit dem CEO und ein 42-seitiger Bericht mit detaillierten Angaben zu unserer Untersuchung und Empfehlungen für die nächsten Schritte.
Wenn Ihre Organisation über Geschäftsprozesse verfügt, bei denen Kundenprobleme eskalieren können, und Sie vermuten, dass Ihre unstrukturierten Textdaten einen prädiktiven Wert haben könnten, kontaktieren Sie uns bitte, um eine kostenlose Beratung zu vereinbaren ! Eine Möglichkeit, darüber nachzudenken : Wenn ich das Budget hätte, einen klugen Absolventen einzustellen, der jedes einzelne eingehende Dokument, Formular, jeden Anruf oder jede E-Mail prüft und sie selektiert, was würde ich von ihm erwarten? . Wenn Sie glauben, dass dieser kluge Absolvent einen großen Einfluss auf Ihr Unternehmen haben würde, ist die Wahrscheinlichkeit groß, dass KI dies auch tun könnte. Sie werden überrascht sein, was NLP-Modelle erreichen können, insbesondere nach der explosionsartigen Leistungssteigerung von LLMs.
Viele der Diskussionen, die ich online über NLP gesehen habe, drehen sich um die Art und Weise, wie ein NLP-Modell Einreichungen nach einem einfachen semantischen Satz von Kategorien selektieren könnte, wie etwa Elektrik, Feuchtigkeit, Bau, im Fall einer Wohnungsbauaufsichtsbehörde. Es wäre sehr einfach, GPT-3 eine einfache Aufforderung zu senden und es zu bitten, diese Art der Kategorisierung vorzunehmen. Aber was wirklich interessant und für ein Unternehmen weitaus wertvoller ist, ist die Triage von Problemen nach zukünftigen Erwartungen , etwa den erwarteten Prozesskosten oder der Wahrscheinlichkeit einer Eskalation zur Mediation: Hier kommt die KI ins Spiel. Viele Geschäftsimplementierungen von KI, die ich gesehen habe, haben diesen Punkt verfehlt und machen keine Prognosen für die Zukunft.
Bei Fast Data Science konzentrieren wir uns nicht nur auf Technologie. Die meiste Zeit bei einem KI-Strategie-Engagement verbringen wir damit, mit Stakeholdern zu sprechen, Umfragen wie Sozialwissenschaften oder Marktforschung durchzuführen und Ergebnisse zu kommunizieren. Wenn Geschäftsmöglichkeiten identifiziert wurden, können sich die technischen Probleme von selbst lösen. Sich zunächst auf die Technologie zu konzentrieren („wir wollen XYZ mit GPT-3 machen“) bedeutet, das Pferd von hinten aufzuzäumen.
Unsere wichtigste Empfehlung für Tarion war, mit der Schaffung der Grundlagen für Projekte zur Verarbeitung natürlicher Sprache und für KI zu beginnen. In diesem Fall wäre dies ein Data Lake, ein Data Warehouse und eine ETL- Pipeline (Extrahieren, Transformieren und Laden) unter Verwendung von Tools wie Snowflake , Google BigQuery oder Apache Spark . Dies würde den Weg dafür ebnen, dass einige hochwirksame Predictive-Analytics-Projekte sehr reibungslos ablaufen, etwa die Vorhersage von Eskalationen bei Hausbesitzern oder die Vorhersage der Insolvenz von Hausbauern. Es wurde festgestellt, dass diese Schlüsselprojekte für fast alle Beteiligten äußerst große Auswirkungen hatten und nur mäßig schwierig umzusetzen waren.
Rezension von Fast Data Science nach dem Tarion-Projekt auf unserem Google-Profil
What we can do for you
