После того, как вы выполнили множество реализаций ИИ, вот некоторые мысли о том, что работает в типичных попытках ИИ / машинного обучения.
№1 Определите цель ИИ
Искусственный интеллект (ИИ) продолжает обсуждать технологии во многих организациях, и все хотят внедрять решения на основе ИИ. Но, прежде всего, вам необходимо точно знать, какую бизнес-проблему вы хотите решить с помощью ИИ, как он должен интегрироваться в ваши существующие продукты и стек технологий и какие функции продукта с поддержкой ИИ будут наиболее полезны для вашего бизнеса.
Ниже приведены некоторые из потенциальных целей искусственного интеллекта в нескольких отраслях:
· Здравоохранение. Помогите врачам, позволив вашей существующей системе PACS выявлять потенциальные отклонения на компьютерной томографии, рентгеновских снимках и других диагностических изображениях.
· Банковское дело. Уменьшите количество подозрительных действий в банкоматах, анализируя видеозаписи банкоматов и сообщая о любых подобных инцидентах, когда они происходят.
· Страхование - автоматизируйте процесс расчета стоимости и оценки страховых случаев на основе изображений аварии, предоставленных страхователем.
· Электронная торговля - рекомендуйте персонализированные продукты на основе модели покупок, демографических данных и предпочтений, чтобы повысить общий уровень обслуживания клиентов и объем продаж.
№2 Подтвердите это данными
Теперь, когда вы определили свою цель искусственного интеллекта, ее необходимо подкрепить данными.
Очень распространенное заблуждение: все, что вам нужно сделать, это создать правильный алгоритм, подключить свои данные и начать пользоваться преимуществами ИИ.
Данные - огромная часть вашего проекта ИИ, и вам нужно начать идентифицировать наборы данных из различных источников. Обратите внимание: данные, которые необходимо собрать, нужно рассматривать не только с точки зрения количества записей (длины), но и с точки зрения их ширины. Например, рассмотрим базу данных клиентов интернет-магазина, разложенную на листе Excel. Каждый покупатель получает строку, и если клиентов много, то набор данных будет длинным. Тем не менее, каждая переменная в данных также получает свой собственный столбец, и теперь вы можете собрать столько данных о каждом клиенте - историю покупок, историю браузера, текст из отзывов, демографические данные клиента, дату рождения - которые обычно имеют тенденцию получать данные. также широкий.
# 3 Привлекайте своих штатных экспертов в предметной области (МСП).
Организации часто нанимают внешних консультантов для внедрения новых технологий. С ИИ все будет не так просто, отчасти из-за зависимости от внутренних данных, их структуры и бизнес-контекста. Например, рассмотрим компании электронной коммерции https://www.amazon.com (крупнейший в мире магазин электронной коммерции) и https://www.glossier.com/ (магазин косметических брендов электронной коммерции в Нью-Йорке). . Оба работают в сфере электронной коммерции и рекомендуют своим клиентам персонализированные продукты, но у них обоих могут быть большие различия в модели данных и контексте. Таким образом, знания данных, которыми обладает аналитик по содержанию продукта на Glossier.com, могут отличаться от знаний аналитика amazon.com.
Привлекайте МСП не только к этапу сбора данных, но и к каждому этапу жизненного цикла ИИ. Например, вовлекайте их в маркировку данных, которая помогает обнаруживать выбросы / отклонения в наборах данных, оценивать модели ИИ, тестировать модели перед запуском в производство и в целом оценивать результат проекта.
Ищите людей внутри различных отделов, таких как продажи, поддержка, обслуживание клиентов, бухгалтерский учет, - которые лучше всего понимают данные и практические идеи о вашем бизнесе.
№4. Измеряйте результат, а не результат
Измерение бизнес-результатов / воздействия ИИ - важный аспект понимания того, насколько успешна ваша инициатива в области ИИ. Для некоторых компаний эти решения представляют собой меры по экономии рабочей силы и затрат, и их следует анализировать соответствующим образом. Другие реализации связаны с получением дохода, повышением качества обслуживания или удовлетворенности клиентов. Хотя выходом проекта ИИ должны быть модели, обученные машинному обучению, которые имеют такие атрибуты, как точность, время выполнения, отзывы и т. Д., Вы можете не захотеть рассматривать модель с наивысшей точностью и низким временем выполнения как лучшую для вашего бизнеса. Эта модель может быть предвзятой и по-разному работать с невидимыми данными или изменяющейся бизнес-средой.
# 5 Быстрая итерация
Итерация - центральная концепция машинного обучения, жизненно важная на многих уровнях. Знание того, где именно эта простая концепция появляется в рабочем процессе машинного обучения, дает много практических преимуществ:
· Вы лучше поймете алгоритмы, с которыми работаете.
· Вы ожидаете более реалистичных сроков реализации своих проектов.
· Вы увидите низко висящие плоды для улучшения модели.
· Вам будет легче сохранять мотивацию даже после плохих первоначальных результатов.
· Вы сможете решать более серьезные проблемы с помощью машинного обучения.
По нашему опыту, рассмотрение рабочего процесса машинного обучения с точки зрения итераций действительно может помочь новичкам увидеть общую картину и понять все концепции, лежащие в основе машинного обучения.
Подводя итог, можно сказать, что наличие четких бизнес-целей / результатов, подкрепление их данными надлежащего качества, привлечение ваших штатных экспертов, обладающих глубокими знаниями в области бизнеса, измерение результатов по сравнению с целями и постоянное выполнение итераций в меньших циклах, заставят вас делать меньше ошибок, а также приближать вас к своей мечте об искусственном интеллекте / машинном обучении!
Сообщите мне свои мысли или поделитесь своим опытом по этому поводу.
