Projekty AI zlyhali z dôvodu. Ako dosiahnuť úspech?

Nezačíname z vašich údajov. To je najdôležitejší problém.

„Máme veľa údajov. Ako to môžeme využiť s AI? “

To je otázka, ktorú každý deň kladie čoraz viac spoločností.

Šialenstvo v oblasti umelej inteligencie vytvára u organizácií veľkých a malých zmysel pre FOMO (strach z neprítomnosti). Čo keď všetci nevyužijeme AI a zostaneme za konkurenciou?

Pri kladení všetkých týchto otázok je určite spravodlivý podiel pravdy. Existuje však dôležité upozornenie.

Musíte sa priblížiť k svojim projektom AI z pravého uhla.

Ako spoločnosti využívajú AI

Pri práci v spoločnosti špecializovanej na pomoc ostatným zachytiť túto vlnu často hovoríme s vedúcimi pracovníkmi a projektovými manažérmi, ktorí chcú priniesť AI do svojich spoločností.

Až na niektoré výnimky sa tieto spoločnosti delia na dve kategórie:

  1. Existujú vizionárske spoločnosti, ktoré vedia, čo chcú robiť s AI a ktoré majú pomerne podrobný akčný plán.
  2. Avšak dosť často sa stretávame so spoločnosťami s akčným plánom, ktorý vyzerá takto:
  • Získajte údaje
  • Aplikujte strojové učenie
  • ????
  • zisk

V žiadnom prípade nie je tento štvorkrokový akčný plán hlúpy alebo zo 100% nesprávny. Potrebujete relevantné údaje. Strojové učenie pravdepodobne pomôže pri jeho premene na niečo užitočné. A samozrejme, budete chcieť z projektu získať nejakú hodnotu.

S týmto plánom je iba jedna vec.

Chýbajú niektoré kľúčové prvky.

Po vykonaní spravodlivého podielu na údajových projektoch sme si všimli niekoľko kľúčových vecí, vďaka ktorým sú niektoré projekty úspešné, zatiaľ čo iné zhasínajú a zomierajú.

Aké sú magické ingrediencie, vďaka ktorým bude snaha o strojové učenie pravdepodobnejšie návratnosť pozitívnej návratnosti investícií?

Začnime tým, že pochopíme, kde dnes stoja spoločnosti, možno vrátane vás.

Väčšina firiem, dokonca aj malé, generuje obrovské množstvo údajov. Môže ísť o akýkoľvek druh údajov. Zamyslite sa napríklad nad akýmkoľvek typom denníkov: denníky použitia, denníky komunikácie ... Každý má denníky!

Teraz si predstavte, že sedíte na hromade obchodných údajov ... Prvým záverom pre väčšinu vodcov spoločnosti by bolo ...

"Máme veľa údajov - mohli by sme z toho urobiť niečo zaujímavé?"

Nazývame to prístup Data First.

Problém s prístupom Data First

Jediný dôvod, prečo ľudia radi začínajú s projektmi AI, je, že to je to, čo majú v rukách.

A keďže je skutočne ťažké pre ľudí pochopiť veľké množstvo údajov pomocou tabuliek a SQL, chceme aplikovať strojové učenie, aby to všetko pochopilo.

Nebolo by pekné dať strojom všetky naše údaje a pozerať sa, ako ich premieňajú na podnikateľské nápady a zisk?

Ale to sa zvyčajne nestane.

Pravdepodobnejšie sa stane, že veľa inteligentných ľudí vytvorí hypotézy a otestuje ich na základe svojich údajov. V dôsledku toho môžu nájsť niekoľko vzorcov, ktoré majú určitý význam pre obchodnú stránku spoločnosti.

Väčšina projektov strojového učenia Data First však nie je ani zďaleka optimálna.

Prečo?

„Projekty AI zlyhávajú, pretože otázky, ktoré spoločnosti kladú, sú väčšinou zlé alebo irelevantné pre podnikanie.“

Pridajte k tomu náklady na nasadenie výsledkov a ich integráciu do pracovného postupu vášho tímu. V určitom okamihu si niekto uvedomí, že zisky nepokrývajú náklady. Nasleduje rozčarovanie z strojového učenia a všetky ďalšie plány na zastavenie škriabania AI humbukom.

Zjednodušene povedané, ak začnete svoje projekty AI kladením otázok, o ktorých si myslíte, že AI dokáže odpovedať, pravdepodobne ...

  1. klásť otázky, ktoré nepotrebujú AI na ich vyriešenie
  2. tráviť veľa času riešením problémov s nízkym dopadom

Čo teda máte robiť? Nepoužijete strojové učenie na vaše obchodné údaje?

To nie je zďaleka optimálne riešenie.

Zadajte prístup Problem First

Existuje alternatívny spôsob, ako aplikovať strojové učenie na vaše obchodné údaje. Videli sme, že s týmto druhým riešením sa darí omnoho viac spoločností.

Táto ďalšia možnosť sa nazýva Prístup prvého prístupu.

Predstavme si, že prevádzkujete vyspelú firmu, ktorá už má veľa údajov. A chcete pre to nájsť dobrý účel.

Iba tentoraz namiesto toho, aby ste začali slepo vyhľadávať vzorce v týchto údajoch, budete hovoriť s ľuďmi, ktorí majú na starosti rôzne procesy vo vašej spoločnosti. Títo ľudia najlepšie poznajú rôzne stránky a fungovanie vašej spoločnosti a dokážu vynájsť problémy s najväčším dopadom.

"Ľudia, ktorí sú najvhodnejší na položenie správnych otázok od AI, sú vaši členovia tímu."

Požiadajte týchto ľudí, aby čo najpresnejšie definovali množstvo problémov, ktoré potrebujú. Môže to byť aj proces, ktorý treba zlepšiť.

Napríklad problémy riešiteľné s AI by mohli byť:

  • Čo spôsobuje vírenie našich zákazníkov?
  • Ako zefektívniť náš proces nastupovania?
  • Ako znížiť náklady na našej výrobnej linke?
  • Ako zabrániť tomu, aby sa chybný produkt dodával zákazníkom?
"Až potom, čo poznáte problémy, ktoré potrebujete vyriešiť, sa môžete opýtať, či odpoveď mohla byť nájdená v údajoch."

Ako klásť správne otázky od AI?

Vaši zamestnanci nemajú s AI žiadne predchádzajúce skúsenosti.

Preto by sme mali mať na pamäti, že veľká časť definície tohto súboru problémov spočíva na ľuďoch, ktorí nie sú nevyhnutne dobre oboznámení s možnosťami a obmedzeniami strojového učenia.

Má zmysel dať členom tímu, ktorí sa podieľajú na procese nápadov, aspoň nejakú skratku, aby sa rozhodli, či sa obchodný problém dá automatizovať pomocou strojového učenia.

Spravidla považujem za užitočné tieto dve otázky.

1. Mohol by to urobiť človek za menej ako sekundu? - kredity: Andrew Ng

"Ľudia sú skvelí v rozpoznávaní vzorov." Vidíme vzory všade. Aj keď nie sú žiadne! “

Ak je úloha na zisťovanie vzorov dostatočne jednoduchá, aby to človek mohol urobiť za menej ako sekundu, existuje veľká šanca, že môžete stroj naučiť vykonávať rovnakú úlohu s podobnou presnosťou, ale oveľa rýchlejšie.

Tieto úlohy zahŕňajú jednoduché úlohy vnímania, ktoré môže urobiť každý, napríklad rozhodnutie, či je na obrázku mačka alebo pes. Zahŕňajú však aj oveľa zložitejšie úlohy, ako napríklad monitorovanie údajov senzorov, aby sa rozhodlo, či komponent v blízkej dobe potrebuje údržbu.

Niektoré dobré a relatívne príklady strojového učenia v tejto oblasti sú rozpoznávanie tváre a hlasové povely používané na telefónoch.

Potenciálny problém:

Jedným z bežných problémov pri automatizácii ľudských úloh pomocou AI je to, že čím zložitejšie sú úlohy, tým viac údajov o školení budete potrebovať. Napríklad výroba stroja, ktorý dokáže rozoznať tvar ľudskej tváre, je pomerne jednoduchý.

Vybudovanie stroja, ktorý dokáže presne rozlíšiť miliardu rôznych tvárí, je však také ťažké, že je nepravdepodobné, že bude mať pozitívnu návratnosť investícií.

Preto by ste mali vždy premýšľať, aké zložité riešenie skutočne potrebujete.

Existuje aj ďalšia otázka, ktorú môžete položiť ...

2. Existuje nejaký vzor, ​​ktorý by som mohol vidieť, keby som to všetko zmestil do tabuľky?

"Myslíte si, že existuje rozumná logika, ktorá sa domnieva, že odpoveď na vašu otázku sa dá nájsť v údajoch, ktoré máte?"

Napríklad:

„Údaje sa týkajú spôsobov používania môjho produktu, takže je logické, že z týchto údajov je možné odvodiť dôvod chrípky.“

Vytvorenie správneho spojenia medzi vašimi údajmi a problémom môže byť ťažké. Nakoniec musíte zavolať súdu a vaša logika sa môže ukázať ako nesprávna.

Aké sú teda správne situácie na použitie tohto prístupu?

Vyhľadajte projekty s vysokým dosahom, ktoré sa oplatí skúsiť vyriešiť - niečo, čo by mohlo potenciálne priniesť vašej spoločnosti veľkú hodnotu a stojí za to malé riziko.

Uprednostnite svoje projekty AI

Potom, čo ste zhromaždili veľa otázok alebo problémov, ktoré chcete vyriešiť, začnite ich radiť do zoznamu.

Je veľmi dôležité, aby sa do tohto procesu zapojili odborníci na strojové vzdelávanie a vaši kľúčoví zamestnanci.

Uprednostnite svoje problémy na základe:

  • Generovala by sa potenciálna hodnota riešenia problému
  • Náročnosť projektu strojového učenia
  • Naliehavosť riešenia každého problému

A nakoniec je tu ešte jedna dôležitá otázka:

„Je projekt strojového učenia optimálnym riešením v každej situácii?“

Môže sa stať, že vám projekt počítačového videnia ušetrí každý deň X množstvo peňazí, ale keďže má vysoké riziko a dokončenie trvá viac ako rok, nemá žiadny zmysel pre podnikanie.

Po starostlivom zvážení získate zoznam skutočných obchodných problémov, ktoré môžete pomocou svojich údajov vyriešiť.

Dáta prvý vs. problém Prvý prístup

Aký je teda hlavný rozdiel medzi prístupom Data First a Problem First?

Pre prvé, prístup Problem First vyžaduje určité úsilie navyše, aby sa spojilo množstvo zaneprázdnených ľudí a požiadalo ich, aby strávili svoj čas rozpracovaním problematických miest vašej organizácie.

Na druhej strane, vykonaním tejto dodatočnej práce sa dostanete k súboru veľmi špecifických a dobre definovaných problémov, ktoré sú riešiteľné a zároveň majú pre spoločnosť dlhodobý úžitok.

„S prístupom Problem First sa dostanete k súboru veľmi špecifických a dobre definovaných problémov, ktoré sú riešiteľné a zároveň majú dlhodobý prínos pre spoločnosť.“

Ďalšou výhodou prístupu Problem First je, že hoci počiatočné odhady nebudú ani zďaleka konkrétne, každý zúčastnený bude mať aspoň všeobecnú predstavu o náročnosti projektu a očakávaných výsledkoch.

Ako zabezpečiť, aby ste mali správne údaje?

Tento proces kladenia správnych otázok zameraných na zisk znie skvele, ale čo ak ešte nemáte správny typ obchodných údajov?

Na druhej strane máte produkt, o ktorom si myslíte, že by mohol mať úžitok z nejakej doplnkovej inteligencie.

Aký je najúčinnejší spôsob, ako začať zhromažďovať správne údaje na vyriešenie problémov alebo vylepšenie produktu?

Najlepšie tu je myslieť si, ako váš produkt v súčasnosti funguje. Spýtajte sa sami seba, aké sú hlavné problémy spomaľujúce alebo brzdiace jeho prácu alebo rýchlosť v rôznych bodoch.

Produkty alebo služby sa zvyčajne dajú najlepšie vylepšiť:

  • Ak je potrebná určitá ľudská angažovanosť - opýtajte sa sami seba, či môžete týmto ľuďom pomôcť pri zvyšovaní efektívnosti alebo úplne odstrániť danú úlohu.
  • Ak dôjde k veľkému poklesu počtu zákazníkov - môžete urobiť produkt lepším alebo pútavejším?
  • Keď sa úloha vykonáva na suboptimálnej úrovni - existujú nejaké kroky, ktoré je možné vykonať, ktoré by sa dali automatizovať alebo dokonca vynechať?

Po vykonaní zoznamu krokov, ktoré chcete vylepšiť, usporiadajte ich podľa úrovne hodnoty, ktorú môžu potenciálne vygenerovať. Ďalej vyhľadajte odborníka na strojové učenie, ktorý pomáha vyhodnotiť úroveň náročnosti každej položky na vašom zozname.

Môže sa ukázať, že niektoré problémy nie sú vyriešiteľné strojovým učením alebo že by bolo efektívnejšie mať osobu, ktorá na danej úlohe denne pracuje.

„Môže sa ukázať, že niektoré z vašich problémov nie sú vyriešiteľné strojovým učením alebo že by bolo efektívnejšie mať na danej úlohe osobu.“

Po zistení niektorých z polí, ktoré by sa mohli vylepšiť pomocou AI, by ste si mali naplánovať, ako zhromaždiť údaje potrebné na vyriešenie problému. Posúďte tiež, koľko času a zdrojov bude trvať celý proces od zberu údajov po vykonanie.

Výsledkom bude jasný plán na zlepšenie vašich produktov / obchodných procesov pomocou AI. Budete tiež vedieť, kde je najväčšia potenciálna hodnota.

Kľúčové jedlá

Tento článok ste si prečítali, ale nie ste si istí, ako to všetko uplatniť v prospech vašej spoločnosti?

Tu je niekoľko dôležitých bodov:

  1. Použite problém prvý prístup
  2. Zapojte svoj tím do rozhodovacieho procesu
  3. Uistite sa, že na vyriešenie problému musíte skutočne použiť ML / AI
  4. Uprednostnite svoje projekty AI na základe ich vplyvu
  5. Uistite sa, že proces zhromažďovania údajov je optimálny

Vďaka za prečítanie! Ak sa vám to páčilo, prosím, podporte tlieskanie a zdieľanie príspevku. Neváhajte a zanechajte komentár nižšie!

O autorovi: Markus Lippus je spoluzakladateľom a vedcom údajov v spoločnosti MindTitan, vývojovej spoločnosti v oblasti AI, ktorá pomáha podnikom získať viac zo svojich obchodných údajov. Spolupracujeme so začínajúcimi podnikmi a veľkými spoločnosťami, ktoré pokrývajú širokú škálu konzultačných a vývojových projektov strojového učenia. Viac sa o nás môžete dozvedieť na našom webe.