В зависимости от того, с кем вы разговариваете, вы услышите множество мнений о том, готово ли ML для широкого внедрения на предприятии, или же до истинных перспектив ML для большинства компаний еще несколько лет. Тем не менее, рынок стремительно растет с появлением новых стартапов программного обеспечения машинного обучения, нацеленных на автоматизацию и демократизацию машинного обучения для масс. Это стимулирует крупные инвестиции венчурного капитала и рыночный импульс, но клиенты, с которыми я разговариваю, обычно не уверены в том, с чего начать, как разобраться во всех этих новых технологиях и есть ли у них люди и культура для достижения успеха.

Откровенно говоря, я не обвиняю клиентов в том, что они не решаются (и не понимают), как применить машинное обучение в своем бизнесе. Это сложный вопрос, и это не только вопрос людей / опыта и технологий. Я бы сказал, что не менее критичным (и пугающим) является компонент процесса, и, к сожалению, на рынке не так много технологий, которые представляют для этого «волшебное» решение. Знания в области машинного обучения рождаются из с трудом добытого опыта. Это результат обширных и часто болезненных проб и ошибок. Что очень сложно, так это то, что на самом деле не существует единого подхода, подходящего для всех. Подходящий для вас процесс машинного обучения зависит от уровня опыта вашей команды, от того, чего вы пытаетесь достичь, с какими технологиями вы работаете и от вашего ландшафта данных.

На наш взгляд, при правильном подходе ML уже сегодня практически готов и может использоваться для невероятных вещей, таких как прогнозирование, оптимизация, автоматизация процессов, обнаружение мошенничества, анализ сигналов и многое другое. Однако совершенно необходимо, чтобы вы тщательно скоординировали эти три важных компонента: люди, процессы и технологии.

Я понимаю, что это может звучать немного банально, но мы снова и снова видим это доказанное, и мы зашли так далеко, что построили нашу методологию консультирования по машинному обучению на основе этих компонентов. Вот как мы это делаем.

Когда мы впервые работаем с нашими клиентами, мы начинаем с понимания бизнес-цели. Вы пытаетесь повысить доходность производства? Оптимизировать распространение товаров? Предсказать мошенничество или отток? Мы всегда начинаем здесь, с «что», и никогда не с технологий или «как».

Установив бизнес-цель, мы начинаем изучать людей, процессы и технологические компоненты. Давайте рассмотрим их на высоком уровне:

  1. Люди. Как выглядит команда? Есть ли у вас в штате инженеры по обработке данных? Специалисты по данным? Если да, то каков их уровень опыта; младший или старший? Есть ли у проекта хорошая поддержка со стороны руководства и заинтересованность? Хорошо ли они связаны с вашей ИТ-командой и сферой деятельности?
  2. Процесс. Успешно ли вы раньше внедряли модели машинного обучения в производство? У вас есть процесс, который работает для одной модели, будет ли он масштабирован до N моделей? У вас есть способ легко отслеживать производительность, управлять и выполнять итерации?
  3. Технологии. Это действительно должно быть последнее соображение, зависящее от людей и реальности процесса. Возможно, у вас уже есть какие-то технологии, и у вас могут быть потребности. Например, если вы еще не очень много работали с машинным обучением, выполняете ли вы какие-либо проекты в области данных / аналитики или большие данные? У вас есть данные, централизованные в озере данных или хранилище данных? Прилагали ли вы какие-либо усилия для подготовки данных? В конечном итоге вам понадобится технология, которая поможет вам на каждом этапе жизненного цикла машинного обучения; Данные ›извлечение / конвейерная обработка› разработка функций ›разработка моделей› развертывание ›мониторинг / управление.

С правильными людьми, правильным процессом для вашего бизнеса и правильными строительными блоками эффективное машинное обучение становится невероятно доступным для любого бизнеса. Мы даже создали собственный магазин функций и платформу управления жизненным циклом машинного обучения под названием Whisky.AI, потому что у большинства наших клиентов просто не было опыта и времени, чтобы тратить время на проб и ошибок в процессе. Whiskey был создан для того, чтобы предоставить нашим клиентам предписывающую структуру процесса для масштабирования машинного обучения в производственной среде, которая работает с любыми базовыми технологическими компонентами и дает специалистам по данным чистую рабочую среду, абстрагируя базовую разработку данных.

Практический результат: когда вы думаете об использовании машинного обучения в своем бизнесе, начните с честной самооценки своих сотрудников, процессов и технологий ... и поставьте технологии в последнюю очередь. Это лучший способ развенчать мифы о машинном обучении и найти подход, который будет успешным для вашего бизнеса. Да, и если вам нужны какие-либо рекомендации, позвоните нам - мы будем рады помочь вам разработать правильный подход, чтобы получить наилучший результат в кратчайшие сроки.