Siirtäminen koneoppimisen projekteja kokeilusta toteutukseen

Viime kuukausina tuntuu siltä, että agenssien keinoäly on varastanut yritysten huomion. Yritykset ovat innoissaan käyttämään sitä automaattisten tehtävien, prosessien järjestämisen ja järjestelmien ja asiakkaiden kanssa vuorovaikkuksen mahdollistamiseen. Mutta koneoppiminen (ML), agenssien keinoälyn laiminlyöty vanhempi veli, ansaitsee huomiota sen kriittisen roolin vuoksi, joka mahdollistaa agenssien keinoälyn työkalujen siirtymisen staattisten sääntöjen yli.

Monissa yritysten käyttötapausten kanssa ML voi tarjota ennusteita, luokittelua, suosituksia ja riskiarvioita, jotka auttavat agensseja päättämään, mitä seuraavaksi tehdään. Esimerkiksi, jos käytät agenssia asiakkaiden kysymysten vastaamiseen, ML voi ilmoittaa agenssille merkkejä siitä, että asiakas voi pian lopettaa, laukaisten merkityksellisiä viestivirtoja.

Kuitenkin liian monilla organisaatioilla on vaikeuksia toteuttaa ML-projekteja, jotka ovat perustavanlaatuisia, ja tämä viive estää heitä saavuttamasta agenssien keinoälyn menestystä. Luvut vaihtelevat, ja ML-projektien epäonnistumisprosentti nousee jopa 85% joissakin teollisuuden mittareissa.

Monet tiimit eivät tiedä, mihin kannattaa aloittaa ML:n toteuttamista, miten konseptoida ML-kokeilua tavalla, joka on toteutettavissa laajassa mittakaavassa, tai miten saada oikeat sidosryhmät mukaan projektiin. Tässä artikkelissa jaan muutamia ohjeita ML-projektien asettamiseksi maksimaalisen onnistumisen mahdollisuuksille.

Miksi niin monilla ML-projekteilla epäonnistutaan?

On kaksi pääsyytä ML-projektien heikkoon onnistumisprosenttiin: joko käyttötapausta ei tarkastella oikeasta näkökulmasta, tai sidosryhmät eivät ole mukana ja upottavat idean.

Nämä syyt menevät yleensä käsi kädessä. Koneoppiminen vaatii huolellista hallintaa hyvien tuloksien saavuttamiseksi. Samalla monilla liiketoiminnan maailman ihmisillä on skeptikkoja, jotka pelkäävät muutosta, epäluottavat koneoppimista tai yleensä haluavat työntää projektisi pöydältä.

Jos et aseta koepilottiä tiukasti, et saa mitään tukea organisaatiossasi. ML:n menestys vaatii perehtymistä yksityiskohtiin.

Paholainen on yksityiskohdissa

ML-mallit on suunniteltu ratkaisemaan tiettyjä, toistuvia ongelmia, jotka on kapeasti määritelty, kuten asiakkaan loikkauksen ennustaminen, petoksen havaitseminen tai kysynnän ennustaminen. Se ei ole suunniteltu ymmärtämään laajaa asiayhteyttä tai suorittamaan useita tehtäviä, mutta liian monilla ML-projekteilla on suuret tavoitteet ja laajat tavoitteet, kuten “parantaa tätä osastoa”.

Tämä tekee siitä elintärkeää asettaa merkitykselliset kokeelliset testitapaukset, jotka muuttavat skeptikot kannattajiksi. Onnistunut koepilotti antaa sinulle tarvittavat data-analyysin johtopäätökset ohjaamaan agenssien keinoälyä ja liiketoimintapäätöksiä sekä osoittamaan liiketoimintaa tukevan arvon.

Useimmissa organisaatioissa pääongelma on löytää oikea testikäyttötapa. Toimiva kokeilukonsepti on oltava sekä spesifi ja relevantti liiketoimintatavoitteille. Esimerkiksi tarkasteleminen transaktioita mahdollisen petoksen tunnistamiseksi tai päättäminen, milloin suorittaa huoltoa erilaisille koneille.

Tässä ovat neljä kysymystä, joita voit esittää, jotta voit löytää oikean käyttötapaustan, joka edistää ML:n omaksumista.

Mitkä ovat panokset?

Ensimmäinen huolenaihe on, kuinka paljon tilaa sinulla on tehdä virheitä, koska virheen sietokyky on vähintään yhtä tärkeä kuin mallin suorituskyky. Eri käyttötapausten virheiden seuraukset ovat erilaiset, mikä vaikuttaa siihen, kuinka soveltuvia ne ovat toteutukseen.

Kun virheiden kustannukset ovat alhaisemmat, sinulla on enemmän tilaa kokeilla mallin logiikkaa. Esimerkiksi malli, joka suosittelee markkinointitarjouksia eri kohderyhmille, voi olla vähemmän tarkin kuin se, joka ohjaa lääketieteellistä seurantaa.

On parasta aloittaa matalan riskin ja korkean arvon käyttötapausten parissa, jotka liittyvät aloihin, joissa virheiden korjaaminen on helppoa ja virheiden seuraukset ovat rajattuja. Mitä liiketoiminnan, sääntelyn, maineen tai riskit kasvavat, niin myös ihmisen valvonta kasvaa.

Onko sinulla oikea data?

Data on elintärkeää jokaiselle tehokkaalle ML-projektille. Useammat kokeilut epäonnistuvat virheellisen datan vuoksi kuin heikkoon malliin. Varmista, että datasi on jalostettu, relevantti, hyvin merkitty ja kerätty johdonmukaisesti. Yhteistyö liiketoimintatiimin ja datatiimin välillä on avainasemassa tässä.

Tuotantodata voi poiketa kokeellisesta datasta, minkä vuoksi mallit epäonnistuvat tuotannossa, vaikka ne toimivat hyvin koepilottina. Joskus todellisen maailman data on liian meluisaa, viivästynyttä tai ei saatavilla mallin tueksi.

Data ja signaalit eivät ole sama asia. Ennustavat signaalit ovat olennaisia liiketoimintavaikeuksien ratkaisemiseksi, joten datan on oltava sisällön historiallisia kuvioita ja merkityksellisiä piirteitä tukeakseen luotettavia ennusteita. Jotkut ongelmat eivät vain ole ennustettavissa, joten priorisoi käyttötapausten, joilla on jo hyvin johdettuja, toistettavia, saatavilla olevia data-lähteitä.

Mitkä ovat onnistumisen mittarit?

Sinulla on vaikeuksia osoittaa menestystä, jos et ole varma, miltä menestys näyttää, joten määrittele tavoitteesi etukäteen. Haluat toimittaa liiketoiminnan tuotot, eivät vain tarkkaa mallia, joten kiinnitä mallin suorituskykyä liiketoiminnan vaikutukseen. Ole selkeä liiketoimintatavoitteistasi ja tunnista KPI:t, jotka osoittavat todellista saavutusta.

Varmista, että voit mitata ja vahvistaa ML-interventiotasi tekemän panoksen. Esimerkiksi, jos testaat ML-projektia asiakkaan loikkauksen vähentämiseksi, voitko osoittaa, että lisääntyneen pidättämisen on aiheuttanut mallisi kyky tunnistaa tyytymättömiä asiakkaita riittävän aikaisin ennen kuin he ovat päättäneet lähteä, eivätkä muut tekijät, kuten yleiset kampanjat, kausivaihtelut tai hinnoittelumuutokset?

Muista, että projektiisi liittyvien sidosryhmien kannalta luottamus ja turvallisuus ovat usein yhtä tärkeitä kuin suorituskyky. Sinun on osoitettava selkeät ja turvalliset tulokset sekä liiketoiminnan vaikutus.

Mikä piilee toivottujen tuloksien takana?

ML-projektien onnistuminen on parasta, kun ne on upotettu arkipäivän liiketoimintaprosesseihin, mikä tarkoittaa, että sinun on ymmärrettävä, mitkä prosessit ovat. Kartoita, miten päätöksiä tehdään organisaatiossasi, seuraten, kuka tekee päätöksen, mitä tietoa he käyttävät, mitkä säännöt ohjaavat heitä ja missä kitkaa ilmenee.

Pullonkaulat ovat usein parhaita paikkoja soveltaa ML:ää. Etsi päätöksiä, jotka tehdään usein, mutta seuraavat tunnistettavia kuvioita tai ohjeita, ja mieti, miten ML-ennusteet sopisivat tähän työnkulkuun. Mallisi on helpottava tai automatisoiva askel prosessissa eikä toimia erillään.

On parasta pyytää apua prosessin omistajilta ja alan asiantuntijoilta, koska he ovat todennäköisesti tietoisia, mitkä päätökset ovat tärkeitä, milloin poikkeukset ilmenevät ja missä toteutus vaikuttaa eniten. Nämä ovat myös ihmiset, jotka todennäköisesti tulevat projektin kannattajiksi, kun johto harkitsee ottaa kokeilun tuotantoon.

Tuo ML-projektisi toteutukseen

Oikean koepilottiprojektin rakentaminen on olennainen ML:n siirtämisessä kokeilusta toteutukseen. Etsimällä spesifejä käyttötapausten, joilla on selkeät onnistumisen mittarit, matalat riskit, vahva dataperusta ja selkeä rooli laajemmissa liiketoimintaprosesseissa, voit osoittaa tuotot, rekrytoida sidosryhmien tuen ja ajaa liiketoiminnan menestystä.