В ноябре и декабре прошлого года я имел удовольствие быть модератором двух круглых столов руководителей на тему Конкурентное преимущество комплексного машинного обучения на серии саммитов CDO Executive Summit компании Evanta. Ранее в этом году члены нашего совета по консультированию клиентов также поделились проблемами, с которыми они столкнулись, пытаясь выйти за рамки разрозненных проектов, чтобы сделать машинное обучение всеобъемлющим во всех своих организациях.

Самый большой вывод из обеих групп?

Надежды, мечты, проблемы и сложности, связанные с предоставлением комплексного машинного обучения, универсальны даже для разных отраслей и регионов.

Переход к машинному обучению для улучшения поиска контента

Сотрудникам по-прежнему трудно найти контент, необходимый им для работы. Существующая функциональность корпоративного поиска с трудом справляется с различными репозиториями данных в организации. Когда сотрудники не могут быстро найти информацию, чтобы ответить на свои вопросы, они часто предполагают, что информации не существует.

Поиск — лучший способ извлечь пользу из мировых данных. Я рассказал участникам круглого стола, как эффективная корпоративная поисковая платформа использует машинное обучение во многих отношениях, чтобы облегчить коллегам поиск информации. Машинное обучение персонализирует процесс обнаружения данных для каждого пользователя.

В этом посте рассказывается о четырех проблемах, которые обсуждали и обсуждали эти CDO, поскольку они делают машинное обучение всеобъемлющим в своих организациях.

Задача № 1: сбор и обработка данных

Эти CDO согласились с тем, что доступность данных для обучения часто замедляет продвижение к всестороннему внедрению машинного обучения. Они поделились тем, что данные, необходимые для первоначального обучения моделей, могут быть трудными для сбора и обработки, а поддержание их настройки после запуска в производство является дополнительным препятствием.

Я рекомендовал принять платформу, которая постоянно генерирует собственные обучающие данные, а затем повторно использует эти возможности в других сферах бизнеса. В этом вся прелесть поиска на базе ИИ. Он поставляется с большой армией сотрудников, которые будут давать вам обучающие данные по мере того, как они вводят свои поисковые запросы и нажимают на результаты. Это может создавать миллионы сигналов в месяц (на крупных предприятиях), которые можно использовать для обучения других приложений машинного обучения, таких как системы ответов на вопросы.

Задача № 2: разработка приложений и моделей

Предположим, вы один из счастливчиков, и у вас действительно есть нетронутый, актуальный, текущий набор обучающих данных. Многие предприятия запутываются, пытаясь выбрать лучшее первое приложение для обучения с этими данными. Вот и хорошая новость: ни одна из наших организаций не настолько уникальна и отличается, как мы думаем (по крайней мере, с точки зрения бизнес-задач, которые мы хотели бы решить с помощью ML).

Лучшие приложения для расширения интеллекта на рабочем месте уже определены, так зачем изобретать велосипед? Мы призываем наших клиентов применять «продуктовый» подход к внедрению комплексного машинного обучения. Традиционный «проектный» подход уязвим перед «пращами и стрелами невероятной судьбы» (не говоря уже о кросс-функциональном недопонимании между бизнес-лидерами, специалистами по данным и ИТ-командами).

Начните с работающего приложения, которое уже проверено и верно, например корпоративного поиска, предиктивного мерчандайзинга, чат-ботов, а затем позвольте вашим специалистам по обработке и анализу данных создавать новые модели и приложения на основе платформы, которая генерирует соответствующие пользовательские сигналы.

Поиск — лучший способ извлечь выгоду из данных со всего мира.

Задача № 3: операционализация машинного обучения

Lucidworks продвигает основанный на продуктах подход к внедрению машинного обучения, потому что мы все видели или слышали о высоком уровне отказов при подходе, основанном на проектах. Многие из неудачных проектов машинного обучения не сработали, потому что они полагались на успешное сотрудничество людей между тремя группами с разными взглядами и целями:

→ Лидеры бизнеса

→ Исследователи данных

→ DevOps-команды

Машины могут быть не очень изобретательны, но, по крайней мере, они надежно делают то, что им говорят. С нами, homo sapiens, все иначе. Для плодотворного сотрудничества межфункциональным командам нужна общая точка отсчета. Специалистам по данным сложнее создавать модели, которые не нужны бизнесу или которые ИТ-команда не может использовать с разумным количеством ресурсов. Сотрудничество намного проще в улучшении работающей модели, чем в создании ее с нуля. Это ускоряет внедрение комплексного машинного обучения предприятиями.

Подробнее об этом читайте в статье Раду Миклауса, директора по продуктам для искусственного интеллекта Lucidworks, в статье Точность и скорость — чему специалисты по данным могут научиться благодаря поиску Раду Миклаус, директор по продуктам для искусственного интеллекта Lucidworks. эм>

Задача № 4: сделать расширенный интеллект доступным для широких масс

Все пионеры корпоративного машинного обучения, участвовавшие в этих круглых столах, хотели использовать искусственный интеллект для увеличения человеческого интеллекта как можно большего числа своих сотрудников. Это означает, что он должен быть простым в использовании, практически без обучения или передовых технических навыков.

CDO, которые продвинулись дальше всех в этом пути, по-прежнему сталкивались с проблемами, побуждающими к внедрению машинного обучения сотнями или тысячами сотрудников, которые не являются специалистами по данным и знают python только как опасную змею. Организации могут взять на себя искреннее обязательство включить машинное обучение в процессы принятия решений, но им все равно нужно, чтобы члены их команды использовали его. Это изменение поведения может быть медленным.

Поиск ускоряет внедрение, потому что его понимают все. Даже маленькие дети знают, как искать текст или просматривать каталоги контента. Поиск на основе искусственного интеллекта расширяет возможности всех, от рядовых сотрудников до специалистов по обработке и анализу данных и руководителей высшего звена.

Есть способы преодолеть или обойти эти четыре общие проблемы внедрения комплексного машинного обучения, и лидеры-новаторы, которые это сделают, будут иметь устойчивое преимущество перед теми, кто этого не делает.

Первоначально опубликовано на https://lucidworks.com 14 января 2020 г.

Написано Джастином Сирсом, вице-президентом Lucidworks по продуктам