Přesunutí projektů strojového učení z experimentování do implementace

V posledních měsících se zdá, že agentic AI dominuje v podnikovém světle. Společnosti jsou nadšeny z jeho použití k automatizaci úkolů, orchestraci pracovních postupů a interakci se systémy a zákazníky. Ale strojové učení (ML), agentic AI přehlížený starší bratr, si zaslouží pozornost pro jeho kritickou roli při umožnění AI agentic pracovních postupů jít za statické pravidla.

V mnoha podnikových případech může ML poskytnout předpovědi, klasifikace, doporučení a rizika, které pomáhají AI agentům rozhodnout, jaký další krok podniknout. Například, pokud používáte AI agenta k odpovědi na zákaznické dotazy, ML může informovat agenta o známkách, že zákazník může brzy ukončit smlouvu, což spouští relevantní zprávy.

Jedná se však o to, že příliš mnoho organizací se potýká s implementací ML projektů, které jsou považovány za základní, a tato prodleva brání jejich úspěchu v agentic AI. Čísla se liší, s mírou selhání ML projektů stoupající až na 85% podle některých odvětvových měřítek.

Mnoho týmů není jisté, kde začít s implementací strojového učení, jak navrhnout ML experiment, který bude možné nasadit ve velkém měřítku, nebo jak získat správné stakeholdery do projektu. V tomto článku sdímím několik tipů pro nastavení ML projektů pro maximum šancí na úspěch.

Proč tolik ML projektů selhává?

Existují dva hlavní důvody pro špatné úspěchy ML projektů: buď případ užití není považován z pravého úhlu, nebo stakeholdeři nejsou na palubě a potápějí myšlenku.

Tyto důvody obvykle jdou ruku v ruce. Strojové učení vyžaduje pečlivé řízení, aby dosáhlo dobrých výsledků. Současně mnoho lidí v podnikovém světě jsou skeptici, kteří se bojí změn, nedůvěřují strojovému učení nebo obecně chtějí váš projekt odložit.

Pokud nenastavíte svůj pilot pečlivě, nezískáte žádnou podporu ve vaší organizaci. Úspěch ML vyžaduje, abyste se dostali k detailům.

Ďábel je v detailech

ML modely jsou navrženy pro řešení specifických, opakujících se problémů, které jsou úzce definovány, jako předpověď zákaznické fluktuace, detekce podvodu nebo předpověď poptávky. Není postaven pro pochopení širokého kontextu nebo provedení více úkolů, ale příliš mnoho ML projektů má grandiózní ambice a široké cíle, jako “zlepšit tento odbor.”

To činí vitalním nastavení relevantních experimentálních testovacích případů, které přemění skeptiky na šampióny. Úspěšný pilot vám dá data analýzy závěrů, které potřebujete k vedení agentic AI a podnikového rozhodování, jakož i prokazování obchodního hodnoty.

Pro většinu organizací je hlavním překážkou nalezení správného testovacího případu užití. Živý experimentální koncept musí být jak specifický, tak relevantní pro vaše podnikové cíle. Například hledání transakcí pro identifikaci možného podvodu, nebo rozhodování, kdy naplánovat údržbu pro různé typy strojů.

Zde jsou čtyři otázky, které vám pomohou proniknout do boje a najít správný případ užití, který pomůže pokroku ML přijetí.

Jaké jsou sázky?

První obava je, kolik prostoru máte pro chyby, protože vaše tolerance k chybám je alespoň stejně důležitá jako výkon modelu. Různé případy užití mají různé důsledky, když model udělá chybu, což ovlivňuje, jak jsou vhodné pro implementaci.

Když je cena chyb nižší, máte více prostoru pro experimentování s logikou modelu. Například model, který doporučuje marketingové nabídky pro různé publikum, může mít nižší stupeň přesnosti než ten, který řídí lékařskou následnou péči.

Je nejlepší začít s nízkorizikovými, vysokohodnotovými případy užití, které se týkají oblastí, kde lze chyby snadno napravit a důsledky chyb jsou omezené. Jak se zvyšují podnikové, regulační nebo reputační rizika, měly by se zvyšovat i lidské dohledy.

Máte správná data?

Data jsou zásadní pro každý efektivní ML projekt. Více experimentů selhává kvůli nedostatečným datům než kvůli slabým modelům, takže se ujistěte, že vaše data jsou rafinovaná, relevantní, dobře označená a shromážděná konzistentně. Spolupráce mezi podnikovým týmem a datovým týmem je zde klíčová.

Produkční data se mohou lišit od experimentálních dat, což způsobí, že modely selžou v produkci, i když se dobře osvědčily v pilotním projektu. Někdy jsou reálná data příliš šumivá, zpožděná nebo nedostupná, aby podporovala model.

Data a signály nejsou stejné. Předpovědní signály jsou důležité pro řešení podnikového problému, takže vaše data musí zahrnovat historické vzorce a relevantní funkce pro podporu spolehlivých předpovědí. Některé problémy prostě nejsou předpověditelné, takže priorizujte případy užití, které již mají dobře řízené, opakující se, dostupné zdroje dat.

Jaké jsou metriky úspěchu?

Budete mít potíže s prokázáním úspěchu, pokud si nejste jisti, co úspěch vypadá, takže definujte své cíle dopředu. Chcete dodat podnikový ROI, ne jen vysoce přesný model, takže spojte výkon modelu s reálným podnikovým dopadem. Buďte jasný o svých podnikových cílech a identifikujte KPI, které demonstrují skutečné úspěchy.

Ujistěte se, že můžete měřit a potvrdit příspěvek, který udělala vaše ML intervence. Například, pokud testujete ML projekt na snížení fluktuace, můžete prokázat, že zvýšená retence je způsobena schopností vašeho modelu identifikovat nespokojené zákazníky dostatečně dlouho předtím, než opustí, a ne jinými faktory, jako jsou obecné propagace, sezónní poptávka nebo změny cen?

Pamatujte, že pro vašeho projektu stakeholdery jsou důvěra a bezpečnost často alespoň stejně důležité jako výkon. Budete muset prokázat vysvětlitelnost a bezpečnost, stejně jako ROI a další typy podnikového dopadu.

Co leží za výsledky, které požadujete?

ML projekty se nejlépe daří, když jsou vloženy do každodenních podnikových procesů, což znamená, že musíte plně pochopit, co tyto procesy jsou. Zmapujte, jak se rozhodují ve vaší organizaci, sledujte, kdo rozhoduje, jaké informace používá, welche pravidla řídí, a kde vznikají překážky.

Bottlenecks jsou často nejlepší místa pro aplikaci ML. Hledejte rozhodnutí, která se dělají často, ale následují rozpoznatelné vzorce nebo směrnice, a poté zvažte, jak by ML předpovědi zapadly do tohoto pracovního postupu. Váš model by měl usnadnit nebo automatizovat krok v procesu, spíše než fungovat v izolaci.

Je nejlepší získat pomoc od vlastníků procesů a odborníků z dané oblasti, protože oni jsou nejpravděpodobněji vědomi, která rozhodnutí jsou důležitá, kdy vznikají výjimky a kde by implementace měla mít největší dopad. Tyto osoby jsou také nejpravděpodobněji budoucími šampióny projektu, když vedení zvažuje převzetí vašeho experimentu do produkce.

Přineste své ML projekty k úspěchu

Stavba správného pilotního projektu je zásadní pro umožnění ML jít za experimentování do implementace. Nalezení specifických případů užití, které mají jasná metrika úspěchu, nízká rizika, silný datový základ a jasnou roli v širších podnikových procesech, může vám pomoci prokázat ROI, získat podporu stakeholderů a dosáhnout podnikového úspěchu.