Часть 4: Помолвка
В последнем посте, Исследование, я рассказал, почему соединение бизнес-задач с машинным обучением (ML) и краткое определение вашей цели являются такими важными элементами для успешной инициативы ML. В этом посте будет рассмотрено, как вы можете проверить, даст ли машинное обучение результаты, которые вы ожидаете и хотите в реальных условиях.
Подтверждение концепции против подтверждения ценности
Существует важное различие между доказательством концепции (POC) и доказательством ценности (POV), которое часто определяет разницу между отказом от инициативы машинного обучения или ее введением в действие. POC играют определенную роль, и их можно рассматривать как подкомпонент POV. POC отвечает на вопрос с точки зрения науки о данных: «Можем ли мы это сделать?» — можем ли мы идентифицировать людей и объекты на изображении или можем предсказать, сколько потоков будет у новой песни?
Это важные первоначальные вопросы, которые необходимо задать, но чтобы действительно понять, существует ли потенциал создания ценности, необходимо предпринять дополнительные шаги. Вот где вступает в действие POV. POV расширяет POC до реальных условий, чтобы получить эмпирические доказательства того, что инициатива даст ожидаемые результаты. Это часто влечет за собой предоставление конечным пользователям возможности взаимодействовать с моделью в рамках своей повседневной работы, т. е. если инициатива предназначена для повышения приверженности назначению, видим ли мы улучшение?
Проведение проверки ценности (принятие пользователями)
У успешного POV есть несколько ключевых характеристик, включая участие пользователя, простоту и удобство использования.
Выйдя из этапа Изучения, у нас есть вариант использования; тот, который имеет тесную связь между необходимостью бизнеса и машинным обучением и, конечно, поддается измерению. Теперь мы хотим убедиться, что заинтересованные стороны (пользователи) участвуют в POV, потому что в большинстве случаев это будет их первое взаимодействие с расширенной аналитикой. Мы можем упростить введение, следуя нескольким рекомендациям. Во-первых, убедитесь, что пользователь имеет непосредственный опыт и знаком с данными. Когда они увидят новые идеи в данных, им будет намного легче соединиться с тем, что они видят. Вторая лучшая практика — поддерживать частый контакт с пользователями во время разработки модели, чтобы дать специалистам по данным максимальную возможность повторять и вносить небольшие корректировки вместо больших исправлений курса.
Сохранение простой модели также крайне важно для успешного POV. Например, предоставьте сравнения, противопоставления и новые группировки. Возможность демонстрировать новые шаблоны пользователям и руководителям — отличный способ придать импульс POV. Кроме того, мне особенно нравится идея, что мы учим наших пользователей с помощью простых деревьев, но реализуем машинное обучение — это эквивалентно демонстрации того, как работает ручная отвертка, а затем, когда приходит время сборки, мы используем механический драйвер.
Наконец, во время POV мы хотим получить обратную связь и подтверждение из реального мира, а это означает, что наши идеи должны быть пригодными для использования. Важно не предписывать пользователям, что они получат, то есть, если они просто хотят простой список, предоставьте список, но если они хотят визуализацию, дайте им визуализацию — все, что сделает проверку эффективной и действенной для пользователя.
Куда мы можем двигаться дальше
После того, как вы подтвердите стратегию с помощью Proof of Value, вам нужно будет запустить модель в производство. Создание ценности невозможно до тех пор, пока мы не сможем предоставить информацию, где, когда и как она нужна пользователю. И это тема нашего следующего поста — Исполнение.
— — — — — — — — — — — — — — — — — — — — — — — — — — — — Дэвид является руководителем практики расширенной аналитики и визуализации данных для Slalom Philadelphia. Slalom — это современная консалтинговая фирма, специализирующаяся на стратегии, технологиях и трансформации бизнеса. Мы помогаем компаниям реализовывать самые амбициозные проекты и создавать новые возможности. @slalomphilly
