ИТ-директора по всему миру продвигают свои планы по машинному обучению. Споры о машинном обучении как о благе или пагубе давно закончились. Машинное обучение стало победителем и принесло ощутимые преимущества, которые ИТ-директора хотят использовать изо всех сил.
Исследование ServiceNow Global CIO Point of View показало, что 53% опрошенных ИТ-директоров указали машинное обучение в качестве своей основной точки зрения. Опрос также показал, что C-suite полагается на машинное обучение как на катализатор цифровой трансформации.
Но для ИТ-директора, который привык управлять гигантской организацией с помощью устаревших систем, ML может показаться довольно скользкой почвой.
Неуверенность в том, с чего начать, как начать и как интегрировать краткосрочную и долгосрочную стратегию, неизбежно возникнет.
Именно эту неуверенность мы пытаемся развеять в этом блоге.
Это краткое руководство для ИТ-директора по началу работы с машинным обучением. Ну вот.
1. Определите области применения
Реализация машинного обучения возможна только в том случае, если у вас достаточно данных для построения моделей данных для прогнозов. Данные из различных источников, таких как структурированные базы данных и неструктурированные базы данных, должны быть консолидированы, а также очищены для единообразия. Это помогает определить точные операции или области, в которых можно использовать озеро данных. Например, интеграция машинного обучения в бухгалтерский учет, маркетинг, HR, продажи, обслуживание клиентов и т. Д.
2. Начните с малого, масштабируйте быстро
Машинное обучение - это не волшебная палочка, которая может в мгновение ока трансформировать всю функцию за счет автоматизации. Подобно строительству небоскреба, модель машинного обучения строится по кирпичику путем непрерывного обучения. Логичным способом начать ML было бы запускать небольшие проекты в качестве экспериментов ML для проверки осуществимости. Как только осуществимость доказана, можно измерить ROI для масштабирования модели данных по функции.
Например, какие вопросы повторяют клиенты, когда звонят в вашу компанию? Если закономерность может быть обнаружена, виртуального помощника, такого как чат-бот, можно обучить автоматизировать взаимодействия, что сократит усилия и время, затрачиваемые персоналом на ответы на повторяющиеся вопросы со стандартными ответами.
3. Обеспечьте целостность данных
Прогнозы, которые вы получите от своей системы машинного обучения, прямо пропорциональны целостности ваших данных. Если вы представляете систему грязными данными, вы неизбежно получите неверные прогнозы, которые сделают всю систему машинного обучения неэффективной.
Неудивительно, что предприятия, управляемые данными, уже вложили ресурсы в создание новых стратегий обработки данных путем гармонизации систем ERP, стандартизации определений данных и очистки данных. Стратегия унифицированных данных поможет им взглянуть на свой бизнес с высоты 30 000 футов с возможностью уменьшения до 3-дюймовой деталировки.
Таким образом, очистка ваших данных и их подготовка к работе системы машинного обучения и принятию точных решений является предпосылкой успеха в машинном обучении.
4. Создайте группу по работе с данными
Машинное обучение требует опыта команды с разными навыками. Один инженер-программист с дипломом по математике и естественным наукам не поможет вам масштабировать реализацию машинного обучения. Вам нужно будет собрать команду, состоящую из специалистов по данным, архитектора больших данных, системного аналитика и, возможно, бизнес-аналитика.
Каждый член команды будет выполнять определенные задачи, начиная от настройки конвейера данных и заканчивая обучением системы машинного обучения для предоставления точных прогнозов. Тем не менее, вы не можете планировать нанять одного человека, который может сделать все для настройки системы машинного обучения, а также иметь опыт в предметной области для обучения модели данных.
5.Повышение знаний в предметной области
Хотя мы создаем систему, которая может автоматизировать задачи и делать точные прогнозы, сначала систему необходимо обучить с помощью базовых данных, называемых тестовыми данными. Специалист в предметной области, знакомый с отраслью и методами ее работы, должен обучить систему моделям данных.
Например, если вы автоматизируете задачу приема звонков в службу поддержки для программного обеспечения, вы должны научить систему машинного обучения, как программное обеспечение работает в различных сценариях, а также в различных сценариях, когда что-то идет не так. Без знания предметной области система неизбежно сделает несколько неверных прогнозов.
6. Создание точных моделей данных
Точные модели данных - это то, что позволяет искусственному интеллекту полностью раскрыть свой потенциал. Система машинного обучения должна быть снабжена данными тестирования, на основе которых она может научиться делать выводы и делать прогнозы. Такие тестовые данные должны представлять собой совокупность данных, представляющих все возможные сценарии, с которыми придется столкнуться системе машинного обучения.
7.RoI не происходит в одночасье
Имейте в виду, что, хотя машинное обучение - феноменальная технология, результаты не появляются в одночасье. Требуется некоторое время, прежде чем система будет полностью готова делать прогнозы со значительной точностью. Точность прогнозов со временем улучшается, поскольку система постоянно учится на повторяющихся входных данных и полученных на них ответах.
Заключительные слова
ИТ-директора во всем мире серьезно относятся к машинному обучению и его положительному влиянию на их бизнес. Исследование Digital IQ Survey 2017, проведенное PwC, показало, что 63% руководителей делают большие ставки на искусственный интеллект как на революционную технологию. Машинное обучение как часть искусственного интеллекта - безусловный приоритет для ИТ-директоров. Но понять технологию, ее требования и ближайшую повестку дня - непростое дело. В этом блоге мы попытались упростить этот переход.
