Не начинайте с ваших данных. Это самая важная проблема.
«У нас есть масса данных. Как мы можем использовать это с ИИ? »
Это вопрос, который ежедневно задают все большее количество компаний.
Повальное увлечение искусственным интеллектом вызывает чувство FOMO (страх упустить что-то) среди больших и малых организаций. Что, если мы все не сможем использовать ИИ и останемся позади конкурентов?
Конечно, во всех этих вопросах есть доля правды. Однако есть важный нюанс.
Подходите к своим проектам искусственного интеллекта под правильным углом.
Как компании используют ИИ
Работая в компании, специализирующейся на том, чтобы помочь другим поймать эту волну, мы часто общаемся с руководителями и менеджерами проектов, которые также хотят внедрить ИИ в свои компании.
За некоторыми исключениями, эти компании делятся на две категории:
- Есть дальновидные компании, которые знают, что они хотят делать с ИИ, и у которых есть довольно подробный план действий.
- Однако достаточно часто мы сталкиваемся с компаниями, у которых есть план действий, который выглядит примерно так:
- Получить данные
- Применить машинное обучение
- ????
- Выгода
Этот четырехэтапный план действий ни в коем случае не является глупым или на 100% неправильным. Вам действительно нужны релевантные данные. Машинное обучение , вероятно, поможет превратить это во что-то полезное. И, конечно же, вы захотите получить от проекта какую-то пользу.
В этом плане есть только одна ошибка.
Отсутствуют некоторые ключевые элементы.
Поработав над значительным количеством проектов, связанных с данными, мы обнаружили несколько ключевых моментов, благодаря которым одни проекты становятся успешными, а другие терпят неудачу и умирают.
Итак, какие волшебные ингредиенты повышают вероятность получения положительной рентабельности инвестиций в машинное обучение?
Давайте начнем с понимания того, в каком положении находятся сегодня компании, возможно, в том числе и ваша.
Большинство предприятий, даже небольших, генерируют огромные объемы данных. Это могут быть любые данные. Подумайте, например, о журналах любого типа: журналах использования, журналах связи… Журналы есть у всех!
А теперь представьте, что вы сидите на куче бизнес-данных ... Первым выводом для большинства руководителей компаний будет ...
«У нас есть тонны данных - можем ли мы сделать из них что-нибудь интересное?»
Назовем это подходом Data First.
Проблема с подходом Data First
Простая причина, по которой людям нравится начинать проекты ИИ с данных, заключается в том, что это то, что у них в руках.
И поскольку людям действительно очень сложно разобраться в больших объемах данных с помощью электронных таблиц и SQL, мы хотим применить машинное обучение, чтобы разобраться во всем этом.
Разве не было бы неплохо передать все наши данные машинам и посмотреть, как они превращают их в бизнес-идеи и прибыль?
Но обычно этого не происходит.
Более вероятно, что многие умные люди сформируют гипотезы и проверят их на своих данных. В результате они могут найти несколько шаблонов, которые в некоторой степени имеют отношение к деловой стороне компании.
Однако большинство проектов машинного обучения Data First далеки от оптимального.
Почему?
«Проекты искусственного интеллекта терпят неудачу, потому что вопросы, которые задают компании, в основном неправильные или не имеют отношения к бизнесу».
Добавьте к этому затраты на развертывание результатов и их интеграцию в рабочий процесс вашей команды. В какой-то момент кто-то поймет, что прибыль не покрывает затрат. За этим следует разочарование в машинном обучении, и все дальнейшие планы по езде на ажиотажном поезде искусственного интеллекта прекращаются.
Проще говоря, если вы начинаете свои проекты в области ИИ, задавая вопросы, на которые, по вашему мнению, ИИ может ответить, вы, скорее всего,…
- задавайте вопросы, для решения которых не нужен ИИ
- тратить много времени на решение малозатратных задач
Так что же тебе делать? Не применяете машинное обучение к своим бизнес-данным?
Это далеко не оптимальное решение.
Используйте подход, ориентированный на первую проблему
Есть альтернативный способ применить машинное обучение к вашим бизнес-данным. И мы видели, как гораздо больше компаний добились успеха с этим вторым решением.
Этот другой вариант называется подходом «сначала проблема».
Представим, что вы управляете зрелым бизнесом, у которого уже есть масса данных. И вы хотите найти для этого хорошую цель.
Только на этот раз вместо того, чтобы вслепую искать закономерности в этих данных, вы собираетесь поговорить с людьми, которые отвечают за различные процессы в вашей компании. Эти люди лучше всего знают разные стороны и операции вашей компании и могут выявить наиболее важные проблемы.
«Люди, наиболее подходящие для того, чтобы задавать правильные вопросы от ИИ, - это члены вашей команды».
Попросите этих людей как можно точнее определить ряд проблем, которые им необходимо решить. Это также может быть процесс, который необходимо улучшить.
Например, проблемы, которые можно решить с помощью ИИ, могут быть следующими:
- Что вызывает отток наших клиентов?
- Как сделать наш процесс адаптации более эффективным?
- Как сократить расходы на нашей производственной линии?
- Как избежать отправки покупателям бракованного продукта?
«Только после того, как вы узнаете, какие проблемы вам нужно решить, вы можете спросить, можно ли найти ответ в данных».
Как задавать правильные вопросы ИИ?
У ваших сотрудников нет опыта работы с ИИ.
Вот почему мы должны помнить, что большая часть определения этого набора проблем возлагается на людей, не обязательно хорошо знакомых с возможностями и ограничениями машинного обучения.
Имеет смысл дать членам вашей команды, участвующим в процессе создания идей, хотя бы некоторую стенографию, чтобы решить, можно ли автоматизировать бизнес-задачу с помощью машинного обучения.
Как правило, я считаю, что для этой цели полезны следующие два вопроса.
1. Может ли человек сделать это менее чем за секунду? - кредиты: Эндрю Нг
«Люди отлично умеют распознавать образы. Мы видим закономерности повсюду. Даже если их нет! »
Если задача обнаружения шаблонов настолько проста, что человек может выполнить ее менее чем за секунду, есть большая вероятность, что вы сможете научить машину выполнять ту же задачу с такой же точностью, но намного быстрее.
Эти задачи включают в себя простые задачи восприятия, которые может выполнить каждый, например решить, есть ли на изображении кошка или собака. Но они также включают в себя гораздо более сложные задачи, такие как мониторинг данных датчиков, чтобы решить, нуждается ли компонент в обслуживании в ближайшее время.
Хорошими примерами машинного обучения в этой области являются распознавание лиц и голосовые команды, используемые на телефонах.
Возможная проблема:
Одна из распространенных проблем при автоматизации человеческих задач с помощью ИИ заключается в том, что чем сложнее становятся задачи, тем больше данных для обучения вам понадобится. Например, довольно просто построить машину, которая может распознавать форму человеческого лица.
Однако создание машины, способной точно различать миллиард разных лиц, - дело настолько сложное, что вряд ли будет иметь положительную рентабельность инвестиций.
Вот почему вы всегда должны думать, насколько комплексное решение вам действительно нужно.
Вы можете задать еще один вопрос ...
2. Есть ли здесь шаблон, который я мог бы увидеть, если бы только мог уместить все это в таблице?
«Как вы думаете, есть ли разумная логика верить, что ответ на ваш вопрос можно найти в имеющихся у вас данных?»
Например:
«Эти данные касаются шаблонов использования моего продукта, поэтому логично предположить, что причина оттока может быть определена на основе этих данных».
Установление правильной связи между вашими данными и проблемой может быть трудным. В конце концов, вам нужно сделать суждение, и ваша логика может оказаться неверной.
Итак, в каких ситуациях лучше всего использовать этот подход?
Ищите высокоэффективные проекты, которые стоит попытаться решить - то, что потенциально может принести большую пользу вашей компании и стоит небольшого риска.
Расставьте приоритеты в своих проектах ИИ
После того, как вы собрали кучу вопросов или проблем, которые нужно решить, начните расставлять их по приоритетам в список.
Крайне важно, чтобы в этот процесс были вовлечены как эксперты по машинному обучению, так и ваши ключевые сотрудники.
Расставьте приоритеты для своих проблем на основе:
- Потенциальная ценность решения проблемы создаст
- Сложность проекта машинного обучения
- Актуальность решения каждого вопроса
И, наконец, есть еще один важный вопрос:
«Является ли проект машинного обучения оптимальным решением в каждой ситуации?»
Вполне возможно, что проект компьютерного зрения сэкономит вам X денег каждый день, но, поскольку он сопряжен с высоким риском и занимает больше года, он не имеет большого смысла для бизнеса.
После вдумчивого размышления у вас будет список актуальных бизнес-проблем, которые вы можете решить, используя свои данные.
Data First vs. Problem First подход
Так в чем же основное различие между подходами Data First и Problem First?
Во-первых, подход «проблема в первую очередь» требует дополнительных усилий, чтобы собрать вместе группу занятых людей и попросить их потратить свое время на проработку узких мест в вашей организации.
С другой стороны, приложив дополнительные усилия, вы вместе придете к набору очень конкретных и четко определенных проблем, которые можно решить и которые принесут компании долгосрочную выгоду.
«Используя подход« Сначала проблемы », вы вместе придете к набору очень конкретных и четко определенных проблем, которые можно решить и которые принесут компании долгосрочную выгоду».
Еще одно преимущество подхода Problem First заключается в том, что, хотя первоначальные оценки будут далеко не конкретными, все участники будут иметь хотя бы общее представление о сложности проекта и ожидаемых результатах.
Как убедиться, что у вас есть правильные данные?
Этот процесс постановки правильных вопросов, ориентированных на получение прибыли, звучит здорово, но что, если у вас еще нет нужных бизнес-данных?
С другой стороны, у вас действительно есть продукт, который, по вашему мнению, может извлечь выгоду из некоторого дополнительного интеллекта.
Как наиболее эффективно начать сбор нужных данных для решения ваших проблем или улучшения продукта?
Здесь лучше всего подумать о том, как работает ваш продукт в настоящее время. Спросите себя, каковы основные проблемы, замедляющие или затрудняющие его работу или скорость в разных точках.
Обычно продукты или услуги лучше всего улучшать:
- В тех случаях, когда требуется участие человека - спросите себя, можете ли вы помочь этим людям быть более эффективными или вообще избавиться от этой задачи.
- Когда наблюдается большой уход клиентов - можете ли вы сделать свой продукт более привлекательным или привлекательным?
- Если задача выполняется на неоптимальном уровне - есть ли какие-либо действенные шаги, которые можно автоматизировать или даже не учитывать?
После того, как вы составили список шагов, которые хотите улучшить, расположите их по уровню ценности, который они потенциально могут принести. Затем найдите эксперта по машинному обучению, который поможет оценить уровень сложности каждого элемента в вашем списке.
Вполне может оказаться, что некоторые проблемы неразрешимы с помощью машинного обучения или что было бы более эффективно, если бы человек работал над задачей ежедневно.
«Вполне может оказаться, что некоторые из ваших проблем неразрешимы с помощью машинного обучения или что было бы более эффективно, если бы над задачей работал человек».
После того, как вы выяснили, в каких областях можно улучшить с помощью ИИ, вы должны составить план сбора данных, необходимых для решения проблемы. Также оцените, сколько времени и ресурсов займет весь процесс от сбора данных до выполнения.
В результате у вас будет четкая дорожная карта для улучшения вашего продукта / бизнес-процессов с помощью ИИ. Вы также будете знать, где наиболее потенциальная ценность.
Ключевые выводы
Вы читаете статью, но не знаете, как применить все это в интересах вашей компании?
Вот несколько ключевых моментов, на которые стоит обратить внимание:
- Используйте первый подход к проблеме
- Вовлеките свою команду в процесс принятия решений
- Убедитесь, что вам действительно нужно использовать ML / AI для решения проблемы.
- Расставьте приоритеты для своих проектов ИИ в зависимости от их воздействия
- Убедитесь, что ваш процесс сбора данных оптимален
Спасибо за прочтение! Если вам понравилось, поддержите, хлопнув 👏🏻 и поделившись постом. Не стесняйтесь оставлять комментарии 💬 ниже!
Об авторе: Маркус Липпус - соучредитель и специалист по анализу данных в MindTitan, компании по разработке искусственного интеллекта, помогающей компаниям получить больше от своих бизнес-данных. Мы работаем как со стартапами, так и с крупными компаниями, охватывая широкий спектр консалтинговых и девелоперских проектов по машинному обучению. Вы можете узнать о нас больше на нашем веб-сайте.
