AI проектите не успяват по причина. Как да направим своя успех?

Не започвайте от вашите данни. Това е най-важният проблем.

„Имаме тонове данни. Как можем да го използваме с AI? "

Това е въпросът, който ежедневно задават все повече компании.

Манията за изкуствен интелект създава усещане за FOMO (страх от изчезване) сред големите и малките организации. Ами ако всички не успеем да използваме AI и оставим зад конкуренцията?

Със сигурност има доста правда в задаването на всички тези въпроси. Има обаче важно предупреждение.

Трябва да подходите към проектите си AI от правия ъгъл.

Как компаниите използват AI

Работейки в компания, специализирана в подпомагане на други хора да хванат тази вълна, често говорим с ръководители и ръководители на проекти, които искат да доведат AI и до своите компании.

С някои изключения, тези компании попадат в две категории:

  1. Има визионерски компании, които знаят какво искат да правят с AI и имат доста подробен план за действие.
  2. Въпреки това, достатъчно често, срещаме компании с план за действие, който изглежда по този начин на това:
  • Вземете данни
  • Прилагане на машинно обучение
  • ????
  • печалба

Сега в никакъв случай този план за действие в 4 стъпки е глупав или 100% погрешен. Имате нужда от подходящи данни. Машинното обучение вероятно ще помогне да го преведете в нещо полезно. И разбира се, че ще искате да извлечете някаква стойност от проекта.

В този план има само едно нещо.

Липсват някои ключови елементи.

След като работихме над справедлив дял от проекти за данни, забелязахме няколко ключови неща, които правят някои проекти успешни, а други се размиват и умират.

И така, кои са магическите съставки, които ще направят вашите начинания за машинно обучение по-вероятни да върнат положителна ROI?

Нека започнем с разбирането къде днес стоят компаниите, може би включително и вашите.

Повечето фирми, дори и малките, генерират огромни количества данни. Това може да бъде всякакъв вид данни. Помислете например за всеки тип трупи: дневници за използване, дневници за комуникация ... Всеки има регистрационни файлове!

А сега си представете, че седите на купчина бизнес данни ... Първоначалният извод за повечето ръководители на компании ще бъде ...

"Имаме тонове данни - можем ли да направим нещо интересно от това?"

Нека наречем това подходът „Първи данни“.

Проблемът с подхода Data First

Ясната причина хората да обичат да стартират AI проекти от данни е, защото това е това, което имат в ръцете си.

И тъй като е наистина, наистина трудно за хората да осмислят големи количества данни с помощта на електронни таблици и SQL, ние искаме да приложим машинно обучение, за да осмислим всичко това.

Не би ли било хубаво да предоставим всички наши данни на машините и да ги гледаме как ги превръщат в бизнес идеи и печалба?

Но това обикновено не се случва.

Това, което е по-вероятно да се случи, е че много умни хора ще формират хипотези и ще ги тестват срещу своите данни. В резултат на това те могат да намерят няколко модела, които имат някакво значение за бизнес страни на компанията.

Повечето от проектите за машинно обучение на Data First обаче далеч не са оптимални.

Защо?

„AI проекти се провалят, тъй като въпросите, които компаниите задават, са най-вече грешни или ирелевантни за бизнеса.“

Добавете към това разходите за разполагане на резултатите и интегрирането им в работния процес на вашия екип. В един момент някой ще разбере, че печалбите не покриват разходите. Настъпва недоволство в машинното обучение и всички по-нататъшни планове за спиране на AI свръх влака.

Казано по-просто, ако стартирате своите AI проекти, като задавате въпроси, на които смятате, че AI може да отговори, е много вероятно да ...

  1. задавайте въпроси, които не се нуждаят от AI, за да ги решат
  2. отделете много време за решаване на проблеми с ниско въздействие

И така, какво ще правите? Не прилагате машинно обучение към бизнес данните си?

Това е далеч от оптималното решение.

Въведете Първия проблем

Има алтернативен начин да приложите машинно обучение към вашите бизнес данни. И видяхме много повече компании да успеят с това второ решение.

Тази друга опция се нарича подход First Problem.

Нека си представим, че управлявате зрял бизнес, който вече има много данни. И вие искате да намерите добра цел за това.

Само този път, вместо да започнете сляпо да търсите модели в тези данни, ще говорите с хората, които отговарят за различни процеси във вашата компания. Тези хора познават най-добре различните страни и операции на вашата компания и могат да разкрият проблемите с най-голямо въздействие.

„Хората, които най-много отговарят на въпроса за правилните въпроси от AI, са членовете на вашия екип.“

Помолете тези хора да дефинират възможно най-конкретно редица проблеми, които трябва да бъдат решени. Това също може да бъде процес, който трябва да бъде подобрен.

Например проблемите, разрешаващи се с AI, могат да бъдат:

  • Какво задейства гладкостта на нашите клиенти?
  • Как да направим нашия процес на борда на борда по-ефективен?
  • Как да намалим разходите в нашата производствена линия?
  • Как да избегнем изпращането на дефектен продукт на клиентите?
„Само след като знаете проблемите, които трябва да решите, можете да попитате дали отговорът може да бъде намерен в данните.“

Как да зададете правилните въпроси от AI?

Вашите служители нямат предишен опит в AI.

Ето защо, трябва да имаме предвид, че голяма част от дефинирането на този набор от проблеми е на хората, които не са непременно добре запознати с възможностите и ограниченията на машинното обучение.

Има смисъл да дадете на членовете на вашия екип, участващи в процеса на идеята, поне някаква стенограма, за да решат дали бизнес проблемът може да бъде автоматизиран чрез машинно обучение.

Като общо правило намирам следните два въпроса за полезни за тази цел.

1. Може ли човек да го направи за по-малко от секунда? - кредити: Andrew Ng

„Хората са страхотни в разпознаването на образи. Навсякъде виждаме модели. Дори и да няма такива! ”

Ако задачата за откриване на шаблон е достатъчно проста, че човек може да я направи за по-малко от секунда, има голям шанс да научите машина да изпълнява същата задача с подобна точност, но много по-бързо.

Тези задачи включват прости задачи за възприемане, които всеки може да прави, като например да реши дали в изображението има котка или куче. Но те включват и много по-сложни задачи като наблюдение на данни от сензори, за да решат дали даден компонент скоро се нуждае от поддръжка.

Някои добри и относими примери за машинно обучение в тази област са разпознаването на лица и гласовите команди, използвани на телефоните.

Потенциален проблем:

Един често срещан проблем при автоматизирането на човешките задачи с AI е, че колкото по-сложни стават задачите, толкова повече тренировъчни данни ще ви трябват. Например, изграждането на машина, която може да разпознае формата на човешко лице, е доста проста.

Въпреки това изграждането на машина, която може точно да разграничи милиард различни лица, е толкова трудно начинание, че е малко вероятно да имате положителна възвръщаемост на инвестициите.

Ето защо, винаги трябва да мислите колко сложно е решение всъщност.

Има и друг въпрос, който можете да зададете ...

2. Има ли тук модел, който бих могъл да видя, ако само можех да го наместя на електронна таблица?

„Мислите ли, че има разумна логика да вярвате, че отговорът на вашия въпрос може да бъде намерен в данните, които имате?“

Например:

„Данните се отнасят до моделите на използване на моя продукт, така че има смисъл причината за издуването да бъде изведена от тези данни.“

Осъществяването на правилни връзки между вашите данни и проблем може да бъде трудно. В крайна сметка трябва да направите повикване за преценка и вашата логика може да се окаже грешна.

И така, какви са правилните ситуации за използване на този подход?

Потърсете проекти с високо въздействие, които си струва да опитате да решите - нещо, което потенциално би могло да доведе до голяма стойност за вашата компания и струва малък риск.

Дайте приоритет на вашите AI проекти

След като сте събрали куп въпроси или проблеми, които трябва да бъдат решени, започнете да ги давате с приоритет в списък.

Изключително важно е в този процес да участват както експерти по машинно обучение, така и вашите ключови служители.

Приоритизирайте проблемите си въз основа на:

  • Потенциалната стойност, решаваща проблема, би генерирала
  • Трудността на проекта за машинно обучение
  • Спешността на решаването на всеки въпрос

И накрая, трябва да се зададе още един важен въпрос:

„Проектът за машинно обучение е изобщо оптималното решение при всяка ситуация?“

Възможно е проектът за компютърно виждане да ви спести X сума пари всеки ден, но тъй като има висок риск и отнема повече от година, завършва, няма смисъл от бизнеса.

След обмислено разглеждане ще имате списък с действителните бизнес проблеми, които можете да разрешите, като използвате вашите данни.

Първи данни срещу проблем първи

И така, каква е основната разлика между подхода Data First и Problem First?

От една страна, подходът „Първи проблем“ изисква някои допълнителни усилия да събереш куп заети хора и да ги помолиш да отделят времето си за разработване на пречките на вашата организация.

От друга страна, като включите тази допълнителна работа, ще стигнете до набор от много специфични и добре дефинирани проблеми, които са едновременно решими и носят дългосрочна полза за компанията.

„С подхода„ Първи проблем “ще се сблъскате заедно с набор от много специфични и добре дефинирани проблеми, които са едновременно разрешими и имат дългосрочна полза за компанията.“

Друго предимство на проблема First Problem е, че макар първоначалните оценки да са далеч от конкретни, всички участващи ще имат поне обща представа за трудността на проекта и резултатите, които могат да очакват.

Как да гарантираме, че имате правилните данни?

Този процес на задаване на правилни въпроси, ориентирани към печалба, звучи чудесно, но какво ще стане, ако все още нямате правилния тип бизнес данни?

От друга страна, имате продукт, който смятате, че може да се възползва от допълнителна интелигентност.

Кой е най-ефективният начин да започнете да събирате правилните данни, за да решите проблемите си или да подобрите продукта си?

Това, което работи най-добре тук, е да помислите как работи вашият продукт в момента. Запитайте се кои са основните проблеми, които забавят или затрудняват работата или скоростта му в различни точки.

Обикновено продуктите или услугите могат да бъдат подобрени най-добре:

  • Където е необходимо известно човешко участие - попитайте се дали можете да помогнете на тези хора да бъдат по-ефективни или да премахнете задачата напълно.
  • Когато има голям отказ от клиенти - можете ли да направите продукта си по-лек или по-привлекателен?
  • Когато задачата се изпълнява на неоптимално ниво - има ли действия, които биха могли да бъдат автоматизирани или дори изключени?

След като направите списък със стъпките, които искате да подобрите, подредете ги според нивото на стойността, което потенциално могат да генерират. На следващо място, намерете експерт по машинно обучение, който помага да оцените нивото на трудност на всеки елемент от вашия списък.

Възможно е да се окаже, че някои проблеми са неразрешими с машинното обучение или че би било по-ефективно човек да работи ежедневно върху задачата.

„Може да се окаже, че някои от проблемите ви са неразрешими с машинното обучение или че би било по-ефективно човек да работи над задачата.“

След като разберете някои от полетата, които могат да бъдат подобрени с AI, трябва да направите план за това как да съберете данните, необходими за решаване на проблема. Освен това направете оценка за това колко време и ресурси ще отнеме целия процес от събирането на данни до изпълнението.

В резултат на това ще имате ясна пътна карта за подобряване на вашите продукти / бизнес процеси с AI. Освен това ще знаете къде е най-потенциалната стойност.

Ключови заведения

Прочетете статията, но малко сте сигурни как да приложите всичко в полза на вашата компания?

Ето някои основни моменти, които трябва да отнемете:

  1. Използвайте проблема първо
  2. Включете вашия екип в процеса на вземане на решения
  3. Уверете се, че всъщност трябва да използвате ML / AI за решаване на проблема
  4. Приоритизирайте своите ИИ проекти въз основа на тяхното въздействие
  5. Уверете се, че процесът ви на събиране на данни е оптимален

Благодаря за четенето! Ако ви е харесало, моля, подкрепете, като пляскате и споделяте публикацията. Чувствайте се свободни да оставите коментар по-долу!

За автора: Markus Lippus е съосновател и Data Scientist в MindTitan, компания за развитие на AI, помагаща на бизнеса да извлече повече от своите бизнес данни. Ние работим както със стартиращи, така и с мащабни компании, обхващайки широк спектър проекти за консултации и разработки за машинно обучение. Можете да научите повече за нас на нашия уебсайт.