Spostare i Progetti di Machine Learning dall’Esercitazione all’Implementazione

Negli ultimi mesi, sembra che l’AI agente stia monopolizzando l’attenzione delle imprese. Le aziende sono entusiaste di utilizzarlo per automatizzare attività, orchestrare flussi di lavoro e interagire con sistemi e clienti. Tuttavia, il machine learning (ML), il fratello maggiore trascurato dell’AI agente, merita attenzione per il suo ruolo critico nell’abilitare i flussi di lavoro dell’AI agente a superare le regole statiche.

In molti casi di utilizzo aziendale, il ML può fornire le previsioni, le classificazioni, le raccomandazioni e i punteggi di rischio che aiutano gli agenti dell’AI a decidere quale azione intraprendere dopo. Ad esempio, se si utilizza un agente dell’AI per rispondere alle query dei clienti, il ML potrebbe informare l’agente con segnali che un cliente potrebbe interrompere presto, attivando flussi di messaggistica rilevanti.

Tuttavia, troppe organizzazioni stanno lottando per implementare progetti di ML che sono considerati di base e questo ritardo le sta impedendo di raggiungere il successo dell’AI agente. I numeri variano, con tassi di fallimento per i progetti di ML che salgono fino al 85% secondo alcuni benchmark del settore.

Molte squadre non sanno da dove iniziare per implementare il machine learning, come concepire un esperimento di ML in modo che possa essere distribuito su larga scala o come ottenere il sostegno dei stakeholder giusti per il progetto. In questo articolo, condividerò alcuni consigli per impostare i progetti di ML per massimizzare le possibilità di successo.

Perché Così Tanti Progetti di ML Falliscono nel Lancio?

Ci sono due motivi principali per i bassi tassi di successo dei progetti di ML: o il caso di utilizzo non è considerato con la giusta prospettiva, o gli stakeholder non sono a bordo e affondano l’idea.

Questi motivi di solito vanno di pari passo. Il machine learning richiede una gestione attenta per ottenere buoni risultati. Allo stesso tempo, molte persone nel mondo aziendale sono scettici che temono il cambiamento, diffidano del machine learning o vogliono semplicemente spingere il tuo progetto fuori dal tavolo.

Se non si configura il pilotaggio in modo rigoroso, non si otterrà alcun sostegno all’interno dell’organizzazione. Il successo del ML richiede di scendere nei dettagli specifici.

Il Diavolo è nei Dettagli

I modelli di ML sono progettati per risolvere problemi specifici e ripetitivi che sono definiti in modo stretto, come prevedere la churn dei clienti, rilevare frodi o prevedere la domanda. Non è stato costruito per comprendere il contesto generale o eseguire più attività, ma troppi progetti di ML hanno ambizioni grandiose e obiettivi ampi come “migliorare questo reparto”.

Questo rende vitale configurare casi di test sperimentali rilevanti che convertano gli scettici in campioni. Un pilotaggio di successo ti fornisce le conclusioni dell’analisi dei dati di cui hai bisogno per guidare l’AI agente e le decisioni aziendali, nonché per dimostrare il valore aziendale.

Per la maggior parte delle organizzazioni, il principale ostacolo è trovare il caso di utilizzo giusto. Un concetto di esperimento fattibile deve essere sia specifico che rilevante per gli obiettivi aziendali. Ad esempio, esaminare le transazioni per identificare possibili frodi, o decidere quando pianificare la manutenzione per diversi tipi di macchinari.

Ecco quattro domande da porre per superare la lotta e trovare il caso di utilizzo giusto che aiuta a progredire l’adozione del ML.

Quali Sono le Poste in Gioco?

La prima preoccupazione è quanto spazio si ha per commettere errori, perché la tolleranza per gli errori è almeno altrettanto importante delle prestazioni del modello. Diversi casi di utilizzo hanno diverse conseguenze quando il modello si sbaglia, il che influenza la loro idoneità per l’implementazione.

Quando il costo degli errori è inferiore, si ha più spazio per sperimentare con la logica del modello. Ad esempio, un modello che raccomanda offerte di marketing per diversi pubblici può avere un grado di precisione inferiore rispetto a uno che guida le cure mediche di follow-up.

È meglio iniziare con casi di utilizzo a basso rischio e alto valore che trattano aree in cui gli errori possono essere corretti facilmente e le conseguenze degli errori sono limitate. Man mano che i rischi aziendali, normativi o di reputazione aumentano, dovrebbe aumentare anche la supervisione umana.

Avevi i Dati Giusti?

I dati sono fondamentali per ogni progetto di ML efficace. Più esperimenti falliscono a causa di dati insufficienti che a causa di modelli deboli, quindi assicurati che i tuoi dati siano raffinati, rilevanti, ben etichettati e raccolti in modo coerente. La collaborazione tra il team aziendale e il team dei dati è fondamentale qui.

I dati di produzione possono differire dai dati sperimentali, causando il fallimento dei modelli in produzione anche se hanno funzionato bene nel pilotaggio. A volte i dati del mondo reale sono troppo rumorosi, ritardati o inaccessibili per supportare il modello.

I dati e i segnali non sono la stessa cosa. I segnali predittivi sono vitali per risolvere un problema aziendale, quindi i tuoi dati devono includere modelli storici e caratteristiche rilevanti per essere in grado di supportare previsioni affidabili. Alcuni problemi semplicemente non sono prevedibili, quindi priorizza i casi di utilizzo che già hanno fonti di dati ben governate, ripetibili e accessibili.

Quali Sono le Metriche di Successo?

Avrai difficoltà a dimostrare il successo se non sei sicuro di cosa significhi il successo, quindi definisci i tuoi obiettivi in anticipo. Vuoi consegnare un ROI aziendale, non solo un modello altamente preciso, quindi lega le prestazioni del modello all’impatto aziendale reale. Sii chiaro sugli obiettivi aziendali e identifica i KPI che dimostrano il vero successo.

Assicurati di poter misurare e confermare il contributo fatto dal tuo intervento di ML. Ad esempio, se stai testando un progetto di ML per ridurre la churn, puoi dimostrare che la maggiore retention è dovuta alla capacità del modello di identificare i clienti insoddisfatti abbastanza a lungo prima che abbiano scelto di lasciare e non ad altri fattori, come promozioni generali, domanda stagionale o modifiche dei prezzi?

Ricorda che per gli stakeholder del tuo progetto, la fiducia e la sicurezza sono spesso altrettanto importanti delle prestazioni. Dovrai essere in grado di dimostrare spiegabilità e sicurezza, nonché ROI e altri tipi di impatto aziendale.

Cosa Si Nasconde dietro i Risultati Desiderati?

I progetti di ML hanno più successo quando sono integrati nei processi aziendali quotidiani, il che significa che devi capire appieno cosa siano quei processi. Mappa come vengono prese le decisioni nella tua organizzazione, tracciando chi prende la decisione, quali informazioni utilizza, quali regole lo guidano e dove si verificano blocchi.

I collo di bottiglia sono spesso i migliori posti in cui applicare il ML. Cerca decisioni che vengono prese frequentemente ma seguono modelli o linee guida riconoscibili e pensa a come le previsioni del ML si adattino a questo flusso di lavoro. Il tuo modello dovrebbe semplificare o automatizzare un passaggio nel processo invece di operare in isolamento.

È meglio arruolare l’aiuto dei proprietari del processo e degli esperti di dominio, perché sono più probabilità di sapere quali decisioni contano, quando si verificano eccezioni e dove l’implementazione avrebbe il maggior impatto. Queste sono anche le persone più probabili che diventino campioni del progetto mentre la leadership considera l’adozione del tuo esperimento in produzione.

Porta i Tuoi Progetti di ML a Maturazione

Costruire il pilotaggio giusto è cruciale per consentire al ML di andare oltre l’esercitazione e raggiungere l’implementazione. Trovare casi di utilizzo specifici che hanno metriche di successo chiare, bassi rischi, una solida base di dati e un ruolo chiaro nei processi aziendali più ampi può aiutarti a dimostrare il ROI, a ottenere il sostegno degli stakeholder e a guidare il successo aziendale. Trovare il pilota giusto è cruciale per consentire al ML di muoversi oltre l’esercitazione e raggiungere l’implementazione. Trovare casi di utilizzo specifici che hanno metriche di successo chiare, bassi rischi, una solida base di dati e un ruolo chiaro nei processi aziendali più ampi può aiutarti a dimostrare il ROI, a ottenere il sostegno degli stakeholder e a guidare il successo aziendale.