Пару недель назад я выступил на мероприятии Servian за завтраком, где мы рассказали, как мы подходим к данным и платформам машинного обучения для цифровых маркетологов с помощью концепции «Смотри, думай, делай» для обработки данных в конвейерах.
«Видеть» включает в себя сбор данных и их эффективное использование для различных целей. «Думать» включает в себя проведение анализа, будь то традиционный анализ данных или применение ИИ и машинного обучения. «Действие» требует визуализации идей и все большей активации идей обратно в бизнес-процессы.
В Servian мы видим, что многие организации испытывают трудности в следующих областях, применяя машинное обучение в своем бизнесе:
- когда начать.
- как перейти от POC к производственной полезной нагрузке
- как повторить
Хотя для успешного использования идей, машинного обучения и искусственного интеллекта требуется определенная глубина и широта, есть несколько ключевых концепций, которые в сочетании с конвейерами See/Think/Do могут помочь организациям на пути к созданию ценности из собственных данных.
Начните и закончите ценностью для бизнеса — в Servian мы организуем и закончим наш собственный процесс ProductionML, который обучает организацию тому, как развивать машинное обучение как возможность, рассматривая влияние различных возможностей на бизнес. Это помогает сформировать гипотезу о том, с чего начать поиск ценности, и, в конце концов, переоценить эту гипотезу, чтобы начать со следующей ранжированной возможности.
Итерация — планируйте итерацию на протяжении всего жизненного цикла машинного обучения с анализом, разработкой и эксплуатацией. Машинное обучение не является набором и забытым статическим конкурентным преимуществом. Данные необходимо исследовать, чтобы найти и настроить алгоритмы ценности. Модели со временем разлагаются. Если вы планируете итерацию, то с самого начала вы начинаете делать что-то по-другому — вы разрабатываете платформу, а не одноразовое решение, скрепленное строкой. Платформенный подход и ориентация приводят к сосредоточению внимания на способности эффективно вводить данные, курировании и управлении основными основными данными, способности быстро отвечать на многочисленные вопросы «что, если». Для моделей машинного обучения разработка функций и хранилище функций облегчают циклы повторного использования и обратной связи. Использование таблицы оценок для определения результатов модели позволяет базовым моделям развиваться отдельно от правил принятия решений, которые их используют.
Наконец, есть техническое ноу-хау. Старая школа SQL, управление информацией и дисциплины данных никуда не делись, однако их необходимо повторно применять в новом мире обработки данных, машинного обучения и анализа данных в блокнотах Python. Выпускники, которые не умеют писать SQL, должны учиться. Опытным людям, знающим SQL, нужно освежить в памяти программную инженерию, статистику и Python.
Так что машинное обучение не так уж и сложно. Разбейте конвейеры данных на компоненты See/Think/Do. Посмотрите на ценность для бизнеса, выясните, как итерировать, а затем повышайте квалификацию или импортируйте нужные навыки в свою команду.
Мой коллега — Энди Хуанг — рассказывает на предстоящей цифровой конференции Google Cloud Let’s Talk AI Digital Conference из Сингапура о том, как оживить чат-ботов по аналогии с этой статьей. Если хотите узнать больше — нажмите здесь.
