Πέμτπη, 00:01 - 11/06/2020

  Tweet

Μέσα στα θετικά της νέας πραγματικότητας είναι η αλλαγή σελίδας στον τρόπο αντιμετώπισης κρίσεων, καθώς ο σχεδιασμός αποτελεσματικών στρατηγικών βασίζεται πλέον σε δείκτες που προκύπτουν μέσω αμερόληπτων επιστημονικών μεθοδολογιών και αναλύσεων δεδομένων – οι επονομαζόμενες «evidence-based strategies». Παρατηρούμε λοιπόν ότι η νέα εποχή τοποθετεί πλέον και επίσημα στο επίκεντρο των κρίσιμων αποφάσεων την επιστήμη και την τεχνολογία, δίνοντας μεγάλη βαρύτητα στη χρήση τόσο μεθόδων επιχειρησιακής ευφυΐας όσο και μοντέλων μηχανικής μάθησης και τεχνητής νοημοσύνης.

Στο πλαίσιο αυτό, διαπιστώνουμε ήδη ότι η χρήση των εν λόγω έξυπνων τεχνικών έχει εφαρμοστεί ευρέως στην παρακολούθηση της εξάπλωσης του ιού και ειδικότερα στην ιχνηλάτηση, στα τεστ αντισωμάτων και στη βελτιστοποίηση χρήσης των διαθέσιμων πόρων στη λειτουργία των νοσοκομείων. Αλλά η αποτελεσματική χρήση της επιστήμης και της τεχνολογίας δεν σταματά εκεί, υπάρχουν τεράστια περιθώρια καινοτομίας σε όλους τους τομείς της κοινωνικής και οικονομικής δραστηριότητας.

Πιο συγκεκριμένα, στον τομέα της υγείας, ένας δυναμικός μηχανισμός παρακολούθησης και εκτίμησης πορείας της COVID-19 μέσω μοντέλων πρόβλεψης του δείκτη αρχικής εξάπλωσης του ιού (R0), που λαμβάνει υπόψη παραμέτρους υγειονομικού και μη υγειονομικού χαρακτήρα (π.χ. μετακίνηση, συνωστισμός πληθυσμού, περιοριστικά μέτρα, θερμοκρασία κτλ.) δύναται να αποτελέσει βασικό εργαλείο υποστήριξης στη λήψη αποφάσεων. Εν συνεχεία, μπορεί να αξιοποιηθεί η συσχέτιση μεταξύ του ενεργού δείκτη αναπαραγωγής (Rt) και των μέτρων σε βασικές δράσεις της υγείας και κλάδους της οικονομίας, για την ακριβέστερη εκτίμησή του και τον αντίκτυπο που έχει σε επιβεβαιωμένα κρούσματα και θανάτους.

Για τις επιχειρήσεις, η ανάπτυξη μοντέλων προσομοίωσης ενισχύει τη δυνατότητα αποτελεσματικής διεξαγωγής εναλλακτικών οικονομικών σεναρίων κόστους λαμβάνοντας υπόψη πιθανές εξελίξεις της οικονομίας μέσα στους επόμενους μήνες. Η επιπρόσθετη χρήση προηγμένων αλγορίθμων βελτιστοποίησης μπορεί να οδηγήσει σε καλύτερο προγραμματισμό του εργατικού δυναμικού (workforce planning), λαμβάνοντας υπόψη ποσοτικούς και ποιοτικούς παράγοντες.

Παράλληλα, αντίστοιχες μεθοδολογίες εξετάζονται και από τις τράπεζες, καθώς μέσω προηγμένων συμπεριφορικών μοντέλων πρόβλεψης και μηχανικής μάθησης είναι σε θέση να εντοπίσουν τις ομάδες πολιτών και τις επιχειρήσεις που θα χρειαστούν οικονομική ενίσχυση. Στον κλάδο του λιανικού εμπορίου, η χρήση εφαρμογών τεχνητής νοημοσύνης και τεχνικών μεγάλου μεγέθους δεδομένων (big data), συνδυαστικά με προηγμένους αλγορίθμους πρόβλεψης της ζήτησης, βελτιστοποιεί την αποτελεσματικότητα της εφοδιαστικής αλυσίδας.

Πού βρίσκεται όμως η Ελλάδα σε όλα αυτά; Οπως φαίνεται στον σωστό δρόμο. Από την πλευρά της κυβέρνησης, βλέπουμε τον πρωθυπουργό να συμβουλεύεται, πέρα από το επιτελείο του, και την προσωπική του ειδική εφαρμογή, που αναπτύχθηκε για την πληρέστερη κατανόηση της πορείας του ιού σε πραγματικό χρόνο. Επίσης, παρατηρούμε όλο και περισσότερους επιστήμονες/αναλυτές και μηχανικούς δεδομένων να κινητοποιούνται και να τοποθετούνται στο προσκήνιο, λαμβάνοντας μέρος σε εθνικές και ευρωπαϊκές COVID-19 δράσεις, καινοτομώντας με πρωτότυπες ιδέες έξυπνων εφαρμογών.

Το μεγάλο στοίχημα, βέβαια, αποτελεί το κατά πόσο θα είμαστε έτοιμοι, επιδεικνύοντας γρήγορα αντανακλαστικά, να χρησιμοποιήσουμε αυτούς τους μηχανισμούς της επιστήμης για να βγούμε νικητές από ένα επόμενο πιθανό κύμα διάδοσης του ιού, χωρίς να «μείνουμε σπίτι», συνεχίζοντας να πορευόμαστε επιτυχώς προς την επιστροφή στην ανάκαμψη.

Ιωσήφ Μπελούκας (Καθημερινή)

Ο κ. Ιωσήφ Μπελούκας είναι Director επικεφαλής της ομάδας Data & Analytics Συμβουλευτικής στην PwC.