Подбор алгоритмов к бизнес-задачам за 4 шага
Эндрю Нг, один из самых выдающихся мыслителей в области ИИ, говорит, что лучший способ внедрить ИИ в свой бизнес - это начать с малого. В недавнем выступлении он приводит пример своего собственного опыта в Google и того, как он использовал машинное обучение (ML) для повышения ценности распознавания речи и Google Maps, прежде чем приступить к решению более серьезных бизнес-проблем в рекламном отделе. Однако прежде чем менеджеры даже начнут думать об ИИ, они должны сначала определить проблемы клиентов и рассмотреть все возможные решения для их решения. Ниже приведены 4 шага, которым должен следовать менеджер при использовании машинного обучения для решения бизнес-задач.
Шаг 1. Проверьте свои предположения
Одна из самых больших ошибок, которые компании могут совершить в новом мире ИИ, - это искать или создавать проблемы, потому что они думают, что ИИ хорошо справится с их решением. Они создают чат-ботов, о которых никто не просил, или автоматизируют задачи, которые выигрывают от человеческого прикосновения. Поговорив с клиентами и определив их критические болевые точки, компания может избежать создания проблем и начать их решать. Только после того, как будет завершено надлежащее обнаружение клиентов, менеджер может перейти к определению лучших технологий для решения проблемы.
Шаг 2. Рассмотрите все решения
Менеджеры могут принести огромную пользу, понимая сильные и слабые стороны ИИ. Хорошие лидеры могут разрабатывать стратегию с учетом ИИ, но нужны хорошие лидеры, чтобы понимать ситуации, в которых использование ИИ не принесет пользы. Понимая проблемы, которые не могут быть решены с помощью ИИ, менеджеры помогают компании сэкономить время и деньги, потраченные впустую. Как только менеджер решил, что ИИ подходит (или не подходит). Им необходимо определить доступные источники данных.
Шаг 3. Найдите данные
При рассмотрении всех решений должна быть предварительная оценка имеющихся данных и того, достаточно ли данных для успешного обучения алгоритмов машинного обучения. Переходя к шагу 3, менеджер должен учесть понимание, которое предоставляют алгоритмы машинного обучения.
Например, банк надеется предупредить клиентов, когда они обнаруживают мошенничество на своих счетах. Чтобы создать алгоритм для обнаружения мошенничества, ему необходимо будет обучиться на примерах мошеннических транзакций, которые имели место в прошлом. В этом случае необходимые данные представляют собой транзакции с пометкой «мошенничество» или «не мошенничество» для каждой из них.
Шаг 3 может пойти совершенно неверно, если шаги 1 и 2 не были выполнены должным образом. Без окончательного решения проблемы клиента и анализа наилучшего решения будет очень сложно определить необходимые источники данных. Правильно выполнив предыдущие шаги, у менеджера будет прочная основа для обсуждения с аналитиком данных и он сможет гарантировать, что вся команда работает над решением, которое принесет наибольшую пользу клиентам.
Шаг 4. Определите лучший алгоритм
После того, как специалист по анализу данных соберет все данные и завершит некоторую предварительную обработку, менеджеры могут помочь определить, какой алгоритм лучше всего подходит. Менеджерам не нужно знать специфику алгоритмов или то, что они называются, как они работают и т. Д. Вместо этого им нужно только установить приемлемый уровень ошибок в результатах и уровень объяснимости алгоритма.
Будет ли приемлемо для бизнеса, если алгоритм обнаружения мошенничества будет правильным только в 50% случаев? Устанавливая показатели и измерения успеха, менеджеры могут гарантировать, что специалист по данным работает для достижения общей бизнес-цели.
Руководители также должны определить важность объяснимости модели. Клиенты могут не желать знать, как банк решил, что транзакция была мошеннической, но может быть очень важно объяснить, почему алгоритм отклонил их заявку на ссуду.
Понимая ожидания клиентов и то, как они взаимодействуют с выходными данными алгоритма, менеджеры могут значительно улучшить качество обслуживания клиентов и избежать возникновения проблем с алгоритмами, которые не поддаются объяснению и являются неточными. Тщательное выполнение описанных выше шагов приведет к созданию ценных решений машинного обучения, которые напрямую повышают ценность бизнеса.
