Искусственный интеллект (ИИ) и машинное обучение (МО) — это быстро развивающиеся области, которые меняют то, как мы работаем и живем. Предприятия в различных отраслях внедряют технологии искусственного интеллекта и машинного обучения для автоматизации процессов, повышения производительности, улучшения качества обслуживания клиентов и получения конкурентных преимуществ. Как человек с более чем десятилетним опытом разработки и разработки продуктов, я имел возможность работать с технологиями искусственного интеллекта и воочию наблюдать их влияние. В этой статье я хотел бы поделиться некоторыми соображениями, основанными на моем опыте и взаимодействии с лидерами отрасли, о том, как организациям следует тщательно сосредоточиться на планировании, экспериментировании и итерациях, чтобы раскрыть мощь ИИ и использовать его для достижения успеха в бизнесе. Этими важными элементами часто пренебрегают из-за чрезмерного увлечения модными словечками о технологиях и стремления решать сложные проблемы для собственного удовлетворения.

Начните с четкой формулировки проблемы

Начать с четкой формулировки проблемы — обязательный и важный шаг в реализации AI/ML. Без четкого понимания проблемы, которую вы пытаетесь решить, вы рискуете потратить время и ресурсы на продукт, который может не дать желаемых результатов. Четко сформулированная постановка задачи обеспечивает ясность цели продукта, требуемых данных и критериев успеха. Это также помогает выявить потенциальные риски и ограничения.

Компания может захотеть повысить удовлетворенность клиентов за счет сокращения времени, необходимого для разрешения жалоб клиентов. Формулировка проблемы может быть такой: «Мы хотим сократить время рассмотрения жалоб клиентов на 66% в течение следующих трех месяцев за счет автоматизации процесса обработки жалоб». или «Нам нужен персонализированный опыт покупок с помощью системы рекомендаций, предлагающей продукты с оценкой сходства не менее 0,8, чтобы покупатель мог быстро найти товары, соответствующие его/ее интересам и предпочтениям».

Имея четкую постановку задачи, компания может определить необходимые данные, необходимые ресурсы и критерии успеха. Получив четкую постановку проблемы, они могут изучить, как AI/ML может помочь персонализировать опыт для отдельных клиентов, давая рекомендации по решению на основе их активности.

В сфере здравоохранения, где AI/ML используется для улучшения результатов лечения пациентов. Одна четкая формулировка проблемы может быть такой: «Мы хотим сократить количество повторных госпитализаций пациентов с сердечной недостаточностью на 22% в течение следующих 9 месяцев, используя прогностическую аналитику для выявления пациентов с высоким риском повторной госпитализации». или «Мне нужна модель машинного обучения, которая может точно предсказать прогрессирование заболевания пациента с точностью 88%, чтобы я мог оптимизировать план их лечения и улучшить его результаты».

Банку нужен алгоритм ИИ, который может «обнаруживать мошеннические транзакции в режиме реального времени с вероятностью ложных срабатываний не более 1%, чтобы предотвратить финансовые потери и сохранить доверие клиентов».

Производителю автомобилей нужна «система профилактического обслуживания с использованием машинного обучения, которая может сократить время простоя на 33% и повысить эффективность на 11%, чтобы она могла выполнять техническое обслуживание только тогда, когда это необходимо». или «хочу разработать самоуправляемые транспортные средства с использованием технологий искусственного интеллекта и машинного обучения, чтобы повысить безопасность и снизить количество аварий на 55%, чтобы я мог обеспечить лучший опыт вождения для своих клиентов».

Искать иголку в пруду с завязанными глазами сродни поиску решения без четкой постановки задачи.

Повторяйте эксперименты

Продукты AI / ML сложны и требуют экспериментов и итераций для уточнения моделей и повышения точности. Использование экспериментов и итераций позволяет компаниям тестировать и совершенствовать свои модели, чтобы гарантировать получение точных результатов. Общеизвестно, что ни одна модель AI/ML не может достичь почти идеальных результатов всего за одну итерацию, независимо от количества затраченного времени. По моему опыту, после достижения точности в 50–60 % проявляется заметная закономерность, когда каждое постепенное процентное увеличение требует экспоненциально большего времени и усилий.

В сфере AI/ML ключом к успеху является раннее выявление проблем. Для этого компаниям крайне важно принять риск и терпеливо учиться на ошибках. Для бизнеса важно брать на себя просчитанные риски и подходить к каждому проекту с терпением, понимая, что не каждое начинание приведет к немедленному успеху. Неудачу следует рассматривать как возможность обучения, позволяющую постоянно совершенствоваться. Стоит отметить, что четкая идентификация постановки задачи является фундаментальной предпосылкой. Однако в некоторых исключительных случаях может потребоваться скорректировать подход или переопределить постановку задачи после нескольких итераций.

Например, маркетинговая команда организации B2C может использовать AI/ML для прогнозирования оттока клиентов. Они могли бы начать с простой модели, предсказывающей отток клиентов на основе одной переменной, например срока пребывания клиента. Путем экспериментов и итераций команда может протестировать и уточнить модель, добавив больше переменных, таких как демографические данные клиентов, история покупок и активность на веб-сайте. Этот итеративный процесс позволяет команде повысить точность модели и определить переменные (продукты, которые в настоящее время находятся в тренде или популярны, продукты, которые продаются или имеют специальные предложения, продукты, которые имеют хорошие отзывы клиентов, продукты, которые соответствуют моему демографическому профилю ( например, возраст, пол, местоположение)), которые оказывают наибольшее влияние на отток.

Другой пример — в страховой отрасли, где AI/ML используется для выявления мошеннических претензий. Первоначальная модель может начинаться с простой логики, основанной на правилах, для выявления потенциального мошенничества, такого как претензии, поданные в нерабочее время. Путем экспериментов и итераций модель можно уточнить, включив дополнительные переменные, такие как история прошлых претензий, сетевой анализ, кредитный рейтинг клиента и финансовая история, род занятий и статус занятости клиента, история предыдущих претензий клиента. Этот итеративный процесс позволяет повысить точность модели и выявить новые модели мошенничества.

Я заметил, что с помощью нескольких итераций для повышения точности могут быть интересные результаты, которые потенциально могут улучшить выбор переменных, повторно оптимизировать архитектуру/сложность модели, повторно экспериментировать с методами выборки и повторно реализовать эффективные стратегии ансамбля.

Однако эксперименты и итерации также могут занимать много времени и ресурсов. Важно сбалансировать преимущества экспериментов и итераций с ограничениями времени и ресурсов.

В заключение, начиная с четкой постановки задачи и охватывая эксперименты с итерацией, являются критически важными составляющими для успешной реализации AI/ML. Начав с четкой формулировки проблемы, предприятия могут определить цели, необходимые данные и критерии успеха. Экспериментирование с итерацией позволяет компаниям совершенствовать свои модели, повышать точность и выявлять такие проблемы, как переобучение или неподгонка, на ранних этапах проекта. Сосредоточив внимание на этих элементах, предприятия могут использовать технологии AI/ML для автоматизации процессов, повышения качества обслуживания клиентов и получения конкурентных преимуществ.