Ранее в этом году Сундар Пичай объявил, что Google переходит от приоритетного использования мобильных устройств к использованию искусственного интеллекта. Если они так же успешно откажутся от мобильных устройств, как они перейдут на мобильные устройства, это изменение может изменить не только Google. Это, вероятно, заставит другие компании изменить способ своей работы, чтобы не отставать. Во многом так же, как «сначала мобильные» требовали нового подхода к стратегии, дизайну и разработке, так и «сначала ИИ» потребует нового взгляда, чтобы должным образом извлечь выгоду из его воздействия.

Многие компании скажут, что они ставят прежде всего ИИ, но сколько из них действительно сможет трансформироваться?

Вот три моих правила, как быть компанией, ориентированной на ИИ, независимо от вашей отрасли.

Правило №1: думайте в одиночном разряде, а не в хоум-ранах.

Машинное обучение - это прохождение одиночных и парных ударов, а не хоум-ран. Сосредоточьтесь на наращивании мускулов, которые создают множество мелких функций.

Забудьте все, что вы слышали об искусственном интеллекте или машинном обучении (ML), - это волшебная пыльца пикси, которая автоматизирует 50% нашей работы. Хотя о силе ИИ было много замечательных анекдотов, в основном они носят поверхностный характер.

Первый инстинкт деловых людей - поиск идеального домашнего использования для ML. Либо автоматизация процесса для значительного повышения эффективности, либо прорыв в клиентском опыте (конечно, чтобы продавать больше). На самом деле команды, которые эффективно применяют машинное обучение, надолго наращивают свою компетенцию, выполняя серию одиночных и парных ударов, а не хоум-ранов в парке.

Прекрасным примером этого является Gmail.

На первый взгляд, спам-фильтр - это убийственное ML-приложение Gmail. Алгоритмы сканируют миллиарды писем каждый день и избавляют от головной боли, связанной с шумным почтовым ящиком. Но копните немного глубже, и вы найдете в Gmail множество других мелких и крупных функций, основанных на машинном обучении.

  • CC’s to add - предлагает пользователю добавить к электронным письмам дополнительных людей.
  • Проверить наличие вложения - запрещает пользователю отправлять электронную почту, если текст предлагает вложение.
  • Пометить электронные письма как важные - маленький флажок для входящих писем, чтобы помочь пользователю расставить приоритеты
  • Перевод текста - автоматический перевод между любыми двумя языками

Разработчики Gmail устранили трение и постепенно улучшают взаимодействие с пользователем продукта с помощью небольшого внедрения с использованием машинного обучения.

Правило № 2: выбирайте правильный молоток.

Простое знание того, для каких гвоздей нужен какой молоток, может стать решающим фактором между успехом и неудачей.

Если бы у проектов машинного обучения был средний уровень, я бы сомневался, что он превысил бы 0,100. Даже если сравнивать с программным обеспечением в целом, известным высоким процентом отказов, ML дает шокирующий результат.

В большинстве случаев это происходит потому, что продуктовые команды не полностью понимают проблему, которую они пытаются решить. Я видел, как крупная юридическая исследовательская компания инвестировала более 20 миллионов долларов в проект, который могла бы быть решена горсткой разработчиков за месяц. И наоборот, я видел, как многие крупные банки недостаточно инвестировали в ML, создавая альфа-продукты, но у них заканчивались деньги, прежде чем их можно было запустить в производство.

Мне нравится разбивать проекты машинного обучения на четыре категории:

Вернемся к нашему примеру с Gmail. Пометка писем как спама и важных выглядит одинаково. В обоих случаях алгоритм предсказывает двоичное да / нет. Разница в том, что у них совершенно другой пользовательский опыт и набор требований.

Спам-фильтры делают что-то очень простое - я могу сразу сказать, является ли письмо спамом или нет. Он должен быть очень точным (потому что как часто вы проверяете папку со спамом), но не пропускать слишком много писем. Это идеальный случай автоматизации.

С другой стороны, пометить письмо как важное довольно сложно. Это может зависеть от человека, содержимого, времени суток и множества других факторов. Gmail никогда не придет в голову отфильтровывать «неважные» электронные письма или даже переставлять ваши входящие, потому что это недостаточно точно. Они пытаются улучшить пользовательский опыт и выработать рекомендации.

У Эндрю Нга есть отличная цитата по этому поводу: «Все, что человек может понять за две секунды, вероятно, можно автоматизировать с помощью машинного обучения». Я называю это «правилом двух секунд», и это хорошее правило - хорошо подумать, справятся ли машины со сложной задачей. Не ждите волшебства от автоматизированных систем, в большинстве случаев за волшебной пылью пикси стоит значительная человеческая сила.

Часто я спрашиваю руководителей, пытаются ли они направить Стива Джобса или Энди Гроува. Джобс начинает с взаимодействия с пользователем и постепенно переходит к технологическому решению (которое может включать машинное обучение). Grove привносит в рабочий процесс дисциплину в венгерском стиле: разбейте его на достаточно простые части, которые можно автоматизировать и повысить качество.

Правила №3: ​​данные лучше алгоритмов.

Не пробуйте машинное обучение до сбора данных, особенно на предприятии.

В ML легко поставить телегу впереди лошади. Большинство организаций переходят к внедрению алгоритмов или построению аналитики, прежде чем они получат прочную основу с данными. Это похоже на старую пословицу: «Мусор на входе, мусор на выходе».

Особенно это актуально для крупных предприятий. Руководители четко определяют, где находятся данные и какие организации они владеют. Реальность такова, что данные на предприятии сегодня представляют собой спагетти. Существуют сотни систем, приложений и баз данных, которые содержат множество противоречивых и разрозненных данных. Ситуация усугубляется годами или слияниями и поглощениями, реорганизациями и изменением бизнеса.

На самом деле беспорядок в корпоративных данных настолько плох, что даже базовая аналитика, такая как подсчет количества клиентов в сегменте или суммы расходов в категории, является сложной и трудоемкой. Поэтому неудивительно, что когда аналитики пытаются создавать более сложные алгоритмы, эти алгоритмы не очень эффективны из-за своих данных.

Мы находимся в самом начале этой тенденции, и есть надежда на то, что крупномасштабный сбор данных и такие компании, как Tamr, помогают корпоративным компаниям консолидировать свои данные. Скучную и несексуальную задачу по сбору данных скопировать гораздо сложнее, чем сложные алгоритмы. Не только данные более важны, но и являются устойчивым конкурентным рвом для организации.

Многие компании стремятся использовать ИИ в первую очередь и изо всех сил пытаются понять, почему их инвестиции не окупаются. Многие обнаружат, что ИИ улучшает их пользовательский опыт и увеличивает прибыль. Разница будет в том, насколько искренними будут их усилия, чтобы по-настоящему понять, как работает ИИ и что он может (и не может) для них сделать.

Подводя итог:

  • Не пытайтесь делать хоумран. Сосредоточьтесь на одиночных и парных разрядах в приложении.
  • Разберитесь в проблеме, прежде чем выбирать технику. Подберите молоток к гвоздю, если хотите успешных проектов.
  • Решите проблему беспорядка с данными, прежде чем искать причудливые алгоритмы.