Menggerakkan Proyek Pembelajaran Mesin dari Eksperimen ke Implementasi

Belakangan ini, rasanya kecerdasan buatan (AI) yang berbasis agen sedang mendominasi perhatian di dunia perusahaan. Perusahaan-perusahaan sangat bersemangat untuk menggunakannya untuk mengotomatisasi tugas, mengatur alur kerja, dan berinteraksi dengan sistem dan pelanggan. Namun, pembelajaran mesin (ML), yang merupakan “kakak lama” dari AI berbasis agen, juga layak mendapat perhatian karena perannya yang sangat penting dalam memungkinkan alur kerja AI berbasis agen untuk melampaui aturan statis.

Di banyak kasus penggunaan perusahaan, ML dapat menyediakan prediksi, klasifikasi, rekomendasi, dan skor risiko yang membantu agen AI menentukan tindakan selanjutnya. Misalnya, jika Anda menggunakan agen AI untuk menjawab pertanyaan pelanggan, ML mungkin memberikan informasi tentang tanda-tanda bahwa pelanggan mungkin akan berhenti menggunakan layanan Anda, sehingga memicu alur pesan yang relevan.

Namun, terlalu banyak organisasi yang kesulitan mengimplementasikan proyek ML yang dianggap dasar, dan keterlambatan ini menghambat mereka dari kesuksesan AI berbasis agen. Angka-angka kegagalan proyek ML bisa mencapai 85% menurut beberapa benchmark industri.

Banyak tim tidak yakin dari mana harus memulai implementasi pembelajaran mesin, bagaimana cara merancang eksperimen ML yang dapat diterapkan secara luas, atau bagaimana mendapatkan dukungan dari pemangku kepentingan yang tepat. Dalam artikel ini, saya akan membagikan beberapa petunjuk untuk memastikan proyek ML memiliki kesempatan sukses maksimal.

Mengapa Banyak Proyek ML Gagal Diluncurkan?

Ada dua alasan utama untuk tingkat keberhasilan proyek ML yang buruk: either kasus penggunaan tidak dipertimbangkan dengan perspektif yang tepat, atau pemangku kepentingan tidak mendukung dan mereka menggagalkan ide tersebut.

Alasan-alasan ini biasanya saling terkait. Pembelajaran mesin memerlukan manajemen yang hati-hati untuk mencapai hasil yang baik. Pada saat yang sama, banyak orang di dunia bisnis adalah skeptis yang takut akan perubahan, tidak percaya pada pembelajaran mesin, atau secara umum ingin menolak proyek Anda.

Jika Anda tidak menyiapkan pilot dengan ketat, Anda tidak akan mendapatkan dukungan dalam organisasi Anda. Keberhasilan ML memerlukan memahami detail spesifik.

Setan Ada di Detail

Model ML dirancang untuk memecahkan masalah spesifik, berulang, dan didefinisikan dengan sempit, seperti memprediksi churn pelanggan, mendeteksi penipuan, atau memperkirakan permintaan. Ini tidak dirancang untuk memahami konteks yang luas atau melakukan beberapa tugas, tetapi terlalu banyak proyek ML memiliki ambisi yang muluk dan tujuan yang luas seperti “memperbaiki departemen ini.”

Hal ini membuatnya sangat penting untuk menyiapkan kasus uji eksperimen yang relevan yang dapat mengubah skeptis menjadi pendukung. Pilot yang sukses memberikan Anda kesimpulan analisis data yang Anda butuhkan untuk memandu keputusan AI berbasis agen dan bisnis, serta membuktikan nilai bisnis.

Bagi sebagian besar organisasi, hambatan utama adalah menemukan kasus uji yang tepat. Konsep eksperimen yang layak harus spesifik dan relevan dengan tujuan bisnis Anda. Misalnya, menganalisis transaksi untuk mengidentifikasi kemungkinan penipuan, atau menentukan kapan harus menjadwalkan pemeliharaan untuk mesin yang berbeda.

Berikut adalah empat pertanyaan untuk ditanyakan untuk memotong perjuangan dan menemukan kasus uji yang tepat yang membantu kemajuan adopsi ML.

Apa yang Dipertaruhkan?

Keprihatinan pertama adalah seberapa banyak ruang yang Anda miliki untuk membuat kesalahan, karena toleransi Anda terhadap kegagalan sama pentingnya dengan kinerja model. Kasus uji yang berbeda memiliki konsekuensi yang berbeda ketika model salah, yang mempengaruhi seberapa layak mereka untuk diimplementasikan.

Ketika biaya kesalahan lebih rendah, Anda memiliki lebih banyak ruang untuk bereksperimen dengan logika model. Misalnya, model yang merekomendasikan penawaran pemasaran untuk berbagai audiens dapat memiliki tingkat akurasi yang lebih rendah daripada model yang membimbing perawatan medis.

Lebih baik untuk memulai dengan kasus uji yang berisiko rendah, bernilai tinggi yang menangani area di mana kesalahan dapat diperbaiki dengan mudah dan konsekuensi kesalahan terbatas. Ketika risiko bisnis, regulasi, atau reputasi meningkat, maka pengawasan manusia juga harus meningkat.

Apakah Anda Memiliki Data yang Tepat?

Data sangat penting untuk setiap proyek ML yang efektif. Lebih banyak eksperimen gagal karena kurangnya data daripada karena model yang lemah, jadi pastikan bahwa data Anda telah disempurnakan, relevan, terlabel dengan baik, dan dikumpulkan secara konsisten. Kolaborasi antara tim bisnis dan tim data sangat penting di sini.

Data produksi dapat berbeda dari data eksperimen, menyebabkan model gagal dalam produksi bahkan jika mereka berkinerja baik dalam pilot. Terkadang data dunia nyata terlalu berisik, tertunda, atau tidak dapat diakses untuk mendukung model.

Data dan sinyal tidak sama. Sinyal prediktif sangat penting untuk memecahkan masalah bisnis, sehingga data Anda harus mencakup pola sejarah dan fitur yang relevan untuk mendukung prediksi yang dapat diandalkan. Beberapa masalah tidak dapat diprediksi, jadi prioritas kasus uji yang sudah memiliki sumber data yang teratur, dapat diulang, dan dapat diakses.

Apa yang Dimaksud dengan Metrik Keberhasilan?

Anda akan mengalami kesulitan membuktikan keberhasilan jika Anda tidak yakin apa yang dimaksud dengan keberhasilan, jadi tentukan tujuan Anda dari awal. Anda ingin memberikan ROI bisnis, bukan hanya model yang sangat akurat, sehingga ikat kinerja model dengan dampak bisnis yang nyata. Pastikan Anda dapat mengukur dan mengkonfirmasi kontribusi yang dibuat oleh intervensi ML Anda.

Ingatlah bahwa bagi pemangku kepentingan proyek Anda, kepercayaan dan keamanan seringkali sama pentingnya dengan kinerja. Anda perlu dapat mendemonstrasikan keterjelasan dan keamanan serta ROI dan dampak bisnis lainnya.

Apa yang Terletak di Balik Hasil yang Diinginkan?

Proyek ML paling berhasil ketika mereka terintegrasi ke dalam proses bisnis sehari-hari, yang berarti Anda harus memahami proses tersebut dengan baik. Peta bagaimana keputusan dibuat dalam organisasi Anda, melacak siapa yang membuat keputusan, apa informasi yang mereka gunakan, aturan apa yang mereka ikuti, dan di mana hambatan muncul.

Hambatan seringkali merupakan tempat terbaik untuk menerapkan ML. Cari keputusan yang dibuat secara teratur tetapi mengikuti pola atau pedoman yang dapat dikenali dan pikirkan bagaimana prediksi ML dapat masuk ke dalam alur kerja ini. Model Anda harus memudahkan atau mengotomatisasi langkah dalam proses tersebut daripada beroperasi secara terisolasi.

Lebih baik untuk melibatkan pemilik proses dan ahli domain, karena mereka paling tahu tentang keputusan yang penting, kapan pengecualian muncul, dan di mana implementasi akan memiliki dampak terbesar. Mereka juga orang yang paling mungkin menjadi pendukung proyek ketika pemimpin mempertimbangkan untuk mengambil eksperimen Anda ke produksi.

Membawa Proyek ML Anda ke Tahap Implementasi

Membangun pilot yang tepat sangat penting untuk memungkinkan ML melampaui eksperimen dan mencapai implementasi. Menemukan kasus uji yang spesifik dengan metrik keberhasilan yang jelas, risiko yang rendah, fondasi data yang kuat, dan peran yang jelas dalam proses bisnis yang lebih luas dapat membantu Anda membuktikan ROI, mendapatkan dukungan pemangku kepentingan, dan mengarahkan kesuksesan bisnis.