Proiectele AI nu reușesc pentru un motiv. Cum să faci succesul tău?

Nu porniți de la datele dvs. Este problema care contează cel mai mult.

„Avem tone de date. Cum îl putem folosi cu AI? ”

Aceasta este întrebarea pe care un număr tot mai mare de companii o pun zilnic.

Pofta de inteligență artificială creează un sentiment de FOMO (frica de a pierde) în rândul organizațiilor mari și mici. Ce se întâmplă dacă nu reușim să folosim AI și rămânem în urma concurenței?

Cu siguranță, există o parte corectă a adevărului în a pune toate aceste întrebări. Cu toate acestea, există o atenționare importantă.

Trebuie să abordați proiectele de AI din unghiul drept.

Modul în care companiile folosesc AI

Lucrând într-o companie specializată în a ajuta pe alții să surprindă acest val, vorbim adesea cu directori și manageri de proiect care doresc să aducă AI și companiilor lor.

Cu unele excepții, aceste companii se încadrează în două categorii:

  1. Există companii vizionare care știu ce vor să facă cu AI și care au prezentat un plan de acțiune destul de detaliat.
  2. Totuși, destul de des, întâlnim companii cu un plan de acțiune care arată ceva de-a lungul acestor linii:
  • Obțineți date
  • Aplicați învățarea automată
  • ????
  • Profit

Acum, în niciun caz, acest plan de acțiune în patru pași nu este prost sau 100% greșit. Aveți nevoie de date relevante. Învățarea automată va ajuta probabil să o traducă în ceva util. Și, desigur, veți dori să obțineți o valoare din proiect.

Un singur lucru nu este în regulă în acest plan.

Lipsesc câteva elemente cheie.

După ce am lucrat la o cotă echitabilă de proiecte de date, am observat câteva lucruri cheie care fac ca unele proiecte să aibă succes, în timp ce altele se aruncă și mor.

Deci, care sunt ingredientele magice care vor face ca eforturile dvs. de învățare a mașinii să fie mai predispuse la întoarcerea unui ROI pozitiv?

Să începem prin a înțelege unde se află companiile, inclusiv a dvs., astăzi.

Majoritatea întreprinderilor, chiar și cele mici, generează cantități mari de date. Aceasta poate fi orice fel de date. Gândiți-vă, de exemplu, la orice tip de jurnal: jurnalele de utilizare, jurnalele de comunicare ... Toată lumea are jurnalele!

Acum imaginați-vă că stați pe o grămadă de date despre afaceri ... Concluzia inițială pentru majoritatea liderilor companiei ar fi ...

"Avem tone de date - am putea face ceva interesant din asta?"

Să numim această abordare Data First.

Problema cu abordarea Data First

Motivul simplu pentru care oamenii le place să înceapă proiecte AI din date este pentru că acesta este ceea ce au în mâini.

Și pentru că este foarte dificil pentru oameni să înțeleagă cantități mari de date folosind foile de calcul și SQL, dorim să aplicăm învățarea automată pentru a înțelege toate acestea.

Nu ar fi frumos să dăm toate datele noastre la mașini și să le urmărim să le transformăm în idei de afaceri și profit?

Dar de obicei nu asta se întâmplă.

Ceea ce este mai probabil să se întâmple este că mulți oameni deștepți vor forma ipoteze și le vor testa în raport cu datele lor. În consecință, pot găsi câteva modele care au o anumită relevanță pentru partea de afaceri a companiei.

Cu toate acestea, majoritatea proiectelor de învățare automată Data First sunt departe de a fi optime.

De ce?

„Proiectele AI nu reușesc, deoarece întrebările pe care le pun companiile sunt în cea mai mare parte greșite sau irelevante pentru afacere.”

Adăugați la aceasta costurile de implementare a rezultatelor și de integrare a acestora în fluxul de lucru al echipei. La un moment dat, cineva își va da seama că câștigurile nu acoperă costurile. Deziluzia în procesul de învățare automată continuă și toate planurile ulterioare de încetare a scărâmului de tren AI Hype.

Mai simplu, dacă începeți proiectele dvs. de AI, punând întrebări la care credeți că AI-ul poate răspunde, este probabil să ...

  1. puneți întrebări care nu au nevoie de AI pentru a le rezolva
  2. petreceți mult timp pentru rezolvarea problemelor cu impact redus

Deci ce faci? Nu aplicați învățarea automată la datele companiei dvs.?

Este departe de soluția optimă.

Introduceți abordarea Problemă întâi

Există o modalitate alternativă de a aplica învățarea automată la datele de afaceri. Și am văzut mult mai multe companii reușesc cu această a doua soluție.

Această altă opțiune se numește abordarea Problema întâi.

Să ne imaginăm că conduceți o afacere matură care are deja o mulțime de date. Și vrei să găsești un scop bun pentru asta.

Numai de această dată, în loc să începeți să căutați orbe modelele din aceste date, veți vorbi cu persoanele care se ocupă de diverse procese din compania dvs. Acești oameni cunosc cel mai bine diferitele părți și operațiuni ale companiei dvs. și sunt capabile să scoată în evidență problemele cu cel mai mare impact.

„Cei mai potriviți să pună întrebări corecte din partea AI sunt membrii echipei tale.”

Rugați acești oameni să definească, cât mai specific posibil, o serie de probleme de care au nevoie rezolvate. Acesta ar putea fi, de asemenea, un proces care trebuie îmbunătățit.

De exemplu, problemele rezolvate cu AI ar putea fi:

  • Ce declanșează transformarea clienților noștri?
  • Cum să facem procesul nostru de bord mai eficient?
  • Cum să reducem costurile în linia noastră de producție?
  • Cum să evitați expedierea unui produs defectuos către clienți?
"Abia după ce știi problemele de care ai nevoie rezolvate, poți să întrebi dacă răspunsul poate fi găsit în date."

Cum să pui întrebările corecte de la AI?

Angajații dvs. nu au experiență anterioară în AI.

De aceea, ar trebui să reținem că o mare parte din definirea acestui set de probleme se bazează pe oameni care nu sunt neapărat familiarizați cu capacitățile și limitările învățării automate.

Este logic să oferiți membrii echipei dvs. implicați în procesul de idei cel puțin o scurtătură pentru a decide dacă o problemă de afaceri poate fi automatizată folosind învățarea automată.

Ca regulă generală, consider că următoarele două întrebări sunt utile în acest scop.

1. Ar putea o persoană să o facă în mai puțin de o secundă? - credite: Andrew Ng

„Oamenii sunt excelenți la recunoașterea modelului. Vedem modele peste tot. Chiar dacă nu există! ”

Dacă o sarcină de detectare a modelului este suficient de simplă pentru ca o persoană să o poată face în mai puțin de o secundă, există șanse mari să înveți o mașină să facă aceeași sarcină cu o precizie similară, dar mult mai rapid.

Aceste sarcini includ sarcini simple de percepție pe care le poate face oricine, cum ar fi să decidă dacă există o pisică sau un câine într-o imagine. Dar includ, de asemenea, sarcini mult mai complexe, cum ar fi monitorizarea datelor senzorilor, pentru a decide dacă o componentă are curând nevoie de întreținere.

Unele exemple bune și relatabile de învățare automată în acest domeniu sunt recunoașterea facială și comenzile vocale utilizate pe telefoane.

Problemă potențială:

O problemă comună în automatizarea sarcinilor umane cu AI este că, cu cât sarcinile sunt mai complicate, cu atât va avea nevoie de date de instruire. De exemplu, construirea unei mașini care poate recunoaște forma feței umane este destul de simplă.

Totuși, construirea unei mașini care poate distinge cu exactitate între un miliard de fețe diferite este un efort atât de dificil încât este puțin probabil să aibă un ROI pozitiv.

Acesta este motivul pentru care ar trebui să gândiți întotdeauna cât de complex este o soluție de care aveți nevoie cu adevărat.

De asemenea, puteți pune o altă întrebare ...

2. Există un model aici pe care l-aș putea vedea, doar dacă aș putea să-l potrivesc totul pe o foaie de calcul?

"Crezi că există o logică sănătoasă să crezi că răspunsul la întrebarea ta poate fi găsit în datele pe care le ai?"

De exemplu:

„Datele se referă la modelele de utilizare ale produsului meu, astfel încât este logic să se deducă din aceste date motivul pentru care se poate produce.

Crearea conexiunilor corecte între datele dvs. și o problemă poate fi dificilă. La urma urmei, trebuie să faceți un apel de judecată, iar logica dvs. se poate dovedi greșită.

Care sunt situațiile potrivite pentru utilizarea acestei abordări?

Căutați proiecte cu impact mare, care merită să încercați să le rezolvați - ceva care ar putea genera o mare valoare pentru compania dvs. și merită un risc mic.

Prioritizează proiectele AI

După ce ați adunat o grămadă de întrebări sau probleme de rezolvat, începeți să le acordați prioritate într-o listă.

Este foarte important să vă implicați atât experți în învățarea mașinii, cât și angajații dumneavoastră cheie implicați în acest proces.

Prioritizați-vă problemele pe baza:

  • Valoarea potențială de rezolvare a problemei ar genera
  • Dificultatea proiectului de învățare a mașinilor
  • Urgența rezolvării fiecărei probleme

Și în sfârșit, există o întrebare mai importantă care trebuie pusă:

„Este proiectul de învățare automată soluția optimă în fiecare situație?”

Este posibil ca un proiect de viziune computer să vă economisească X suma de bani în fiecare zi, dar, deoarece are un risc ridicat și necesită mai mult de un an pentru a finaliza, nu prea are sens business.

După o examinare atentă, veți avea o listă cu problemele reale de afaceri pe care le puteți rezolva folosind datele dvs.

Date First vs. Problema Prima abordare

Deci, care este diferența principală între abordarea Data First și abordarea First Problem?

În primul rând, abordarea Problem First necesită un efort suplimentar pentru a reuni o mulțime de oameni ocupați și pentru a le cere să-și petreacă timpul pentru a-și analiza blocajele organizației.

Pe de altă parte, introducând această lucrare suplimentară, veți ajunge împreună la un set de probleme foarte specifice și bine definite, care pot fi rezolvate și care reprezintă un beneficiu pe termen lung pentru companie.

„Cu abordarea Problem First, veți ajunge împreună la un set de probleme foarte specifice și bine definite, care sunt rezolvabile și care oferă un beneficiu pe termen lung pentru companie.”

Un alt avantaj al abordării Problema întâi este că, deși estimările inițiale vor fi departe de a fi specifice, toți cei implicați vor avea cel puțin o idee generală despre dificultatea proiectului și rezultatele pe care trebuie să le aștepți.

Cum să vă asigurați că aveți datele corecte?

Acest proces de adresare a întrebărilor corecte privind profitul sună excelent, dar ce se întâmplă dacă nu aveți încă tipul potrivit de date de afaceri?

Pe de altă parte, aveți un produs care credeți că ar putea beneficia de anumite informații suplimentare.

Care este cel mai eficient mod de a începe colectarea datelor corecte pentru a vă rezolva problemele sau a vă îmbunătăți produsul?

Ceea ce funcționează cel mai bine aici este să gândești cum funcționează în prezent produsul tău. Întrebați-vă care sunt principalele probleme care încetinesc sau împiedică munca sau viteza în diferite puncte.

De obicei, produsele sau serviciile pot fi îmbunătățite cel mai bine:

  • Acolo unde este necesară o implicare umană - întrebați-vă dacă puteți ajuta acei oameni să fie mai eficienți sau să eliminați sarcina cu totul.
  • Când există un abandon important de clienți - puteți face produsul mai lipicios sau mai atractiv?
  • Când sarcina este efectuată la un nivel sub-optim - există vreun pas care să poată fi automatizat sau chiar lăsat afară?

După ce ați făcut o listă cu pașii pe care doriți să-i îmbunătățiți, aranjați-i după nivelul de valoare pe care îl pot genera. În continuare, găsiți un expert în învățarea mașinii care vă ajută să evaluați nivelul de dificultate al fiecărui element din lista dvs.

Se poate dovedi că unele probleme sunt de nerezolvat în procesul de învățare automată sau că ar fi mai eficient să existe o persoană care lucrează la sarcină zilnic.

„S-ar putea dovedi că unele dintre problemele tale sunt de nerezolvat în procesul de învățare automată sau că ar fi mai eficient să ai o persoană care lucrează la sarcină.”

După ce ați identificat câteva dintre câmpurile care ar putea fi îmbunătățite cu AI, ar trebui să faceți un plan despre cum să colectați datele necesare pentru rezolvarea problemei. De asemenea, faceți o evaluare a câtului timp și resurse va dura întregul proces, de la colectarea datelor până la execuție.

În consecință, veți avea o foaie de parcurs clară pentru îmbunătățirea proceselor de produs / afaceri cu AI. De asemenea, veți ști unde este cea mai potențială valoare.

Cheltuieli cheie

Citiți articolul, dar nu sunteți sigur cum să aplicați toate acestea în beneficiul companiei dvs.?

Iată câteva puncte cheie de îndepărtat:

  1. Utilizați prima abordare a problemei
  2. Implică-ți echipa în procesul decizional
  3. Asigurați-vă că trebuie să utilizați de fapt ML / AI pentru a rezolva problema
  4. Prioritizează proiectele AI pe baza impactului lor
  5. Asigurați-vă că procesul dvs. de colectare a datelor este optim

Multumesc pentru citit! Dacă v-a plăcut, vă rugăm să susțineți aplazând și partajând postarea. Simțiți-vă liber să lăsați un comentariu mai jos!

Despre autor: Markus Lippus este co-fondator și Data Scientist la MindTitan, o companie de dezvoltare AI care ajută întreprinderile să scoată mai mult din datele lor de afaceri. Lucrăm atât cu startup-uri, cât și cu companii de amploare, acoperind o gamă largă de proiecte de consultanță și dezvoltare în domeniul învățării mașinilor. Puteți afla mai multe despre noi pe site-ul nostru.