기계 학습 프로젝트를 실험에서 구현으로 이동

최근 몇 개월 동안, 에이전트 AI가 기업의 주목을 받고 있는 것으로 느껴집니다. 기업은 이를 사용하여 작업을 자동화하고, 워크플ロー와 시스템 및 고객과 상호 작용합니다. 그러나 에이전트 AI의 오버룩된 형제인 기계 학습(ML)은 정적 규칙을 넘어서 에이전트 AI 워크플로우를 가능하게 하는 데 중요한 역할을 하는 데 주목할 필요가 있습니다.

많은 기업 사용 사례에서 ML은 예측, 분류, 추천 및 위험 점수를 제공하여 에이전트 AI가 다음에 어떤 작업을 수행할지 결정하는 데 도움이 될 수 있습니다. 예를 들어, 고객의 질문에 답변하기 위해 에이전트 AI를 사용하는 경우 ML은 고객이 곧 이탈할 수 있다는 신호를 에이전트 AI에 제공하여 관련된 메시지 흐름을 트리거할 수 있습니다.

그러나 많은 조직은 기본적인 ML 프로젝트를 구현하는 데 어려움을 겪고 있으며, 이는 에이전트 AI의 성공을 방해하고 있습니다. 실패율은 85%까지 높을 수 있습니다.

많은 팀은 기계 학습을 구현하는 방법, 대규모로 배포할 수 있는 실험을 어떻게 설계하는지, 또는 프로젝트에 관심을 가질 적절한 이해관계자를 어떻게 얻을 수 있는지 모릅니다. 이 기사에서는 ML 프로젝트를 성공적으로 구현하기 위한 몇 가지 지침을 제공하겠습니다.

왜 많은 ML 프로젝트가 실험에서 구현으로 이동하지 못할까?

ML 프로젝트의 낮은 성공률에는 두 가지 주요 이유가 있습니다. 사용 사례가 올바른 관점에서 고려되지 않았거나 이해관계자가 프로젝트에 관심이 없기 때문입니다.

이 두 가지 이유는 일반적으로 함께 발생합니다. 기계 학습은 좋은 결과를 얻기 위해 주의 깊은 관리가 필요합니다. 동시에 많은 비즈니스 세계의 사람들은 변화에 대한 회의론자이거나 기계 학습을 신뢰하지 않거나 프로젝트를 중단시키고 싶어합니다.

프로젝트를 철저하게 설정하지 않으면 조직에서 지원을 얻을 수 없습니다. ML의 성공을 위해서는 세부 사항에 주의를 기울여야 합니다.

세부 사항이 중요합니다

ML 모델은 고객 이탈 예측, 사기 탐지, 수요 예측과 같은 특정한 반복되는 문제를 해결하도록 설계되었습니다. 광범위한 맥락을 이해하거나 여러 작업을 수행하도록 설계되지 않았습니다. 그러나 많은 ML 프로젝트는 거대하고 광범위한 목표를 가지고 있습니다.

이것은 실험 테스트 케이스를 설정하는 것이 중요합니다. 성공적인 파일럿은 에이전트 AI와 비즈니스 의사 결정에 필요한 데이터 분석 결과를 제공하고 비즈니스 가치를 입증합니다.

대부분의 조직에서 가장 큰 장애물은 올바른 테스트 사용 사례를 찾는 것입니다. 실험 개념은 비즈니스 목표에 특정하고 관련이 있어야 합니다. 예를 들어, 사기 가능성 있는 거래를 식별하거나 기계의 유지 보수를 언제 예약할지 결정하는 것입니다.

다음은 사용 사례를 찾는 어려움을 극복하고 ML 채택을 진행하는 데 도움이 되는 네 가지 질문입니다.

무슨 일이 발생할 수 있을까?

첫 번째 문제는 실패에 대한 허용 범위입니다. 모델의 성능만큼 중요한 것은 실패에 대한 허용 범위입니다. 다른 사용 사례에는 다른 결과가 있습니다.

오류 비용이 낮을수록 모델 논리를 실험할 수 있는 여유가 더 많습니다. 예를 들어, 다양한 대상에게 마케팅 오퍼를 추천하는 모델은 의료 후속 치료를 안내하는 모델보다 낮은 정확도를 가질 수 있습니다.

낮은 위험과 높은 가치의 사용 사례를 시작하는 것이 좋습니다. 여기서 오류를 쉽게 수정할 수 있고 오류의 결과가 제한적입니다. 비즈니스, 규제 또는 평판 위험이 증가함에 따라 인간의 감독도 증가해야 합니다.

올바른 데이터를 가지고 있나요?

데이터는 모든 효과적인 ML 프로젝트에 필수적입니다. 더 많은 실험이 데이터가 부족해서 실패합니다. 데이터가 정제되고, 관련성이 있으며, 잘 레이블이 지정되어 있고, 일관되게 수집되었는지 확인하십시오. 비즈니스 팀과 데이터 팀 간의 협력이 여기서 중요합니다.

생산 데이터는 실험 데이터와 다를 수 있으며, 모델이 실험에서는 잘 작동했지만 생산에서 실패할 수 있습니다. 때때로 실제 데이터는 모델을 지원하기에 너무 노이즈가 많거나 지연되거나 접근할 수 없습니다.

데이터와 신호는 다릅니다. 예측 신호는 비즈니스 문제를 해결하는 데 중요하므로 데이터는 역사적인 패턴과 관련된 특징을 포함해야 합니다. 일부 문제는 예측할 수 없습니다. 따라서 잘 관리되고, 반복 가능하며, 접근할 수 있는 데이터 소스를 가진 사용 사례를 우선합니다.

성공 지표는 무엇인가?

성공이 무엇인지 모르는 경우 성공을 입증하기가 어렵습니다. 목표를 미리 정의하십시오. 비즈니스 ROI를 제공하고 싶습니다. 모델의 성능을 실제 비즈니스 영향과 연결하십시오. 비즈니스 목표를 명확히 하여 성공을 입증하는 KPI를 식별하십시오.

ML 개입의 기여도를 측정하고 확인할 수 있어야 합니다. 예를 들어, 고객 이탈을 줄이기 위한 ML 프로젝트를 테스트하는 경우, 고객 유지 증가가 모델의 능력으로 인한 것인지, 다른 요인으로 인한 것인지(예: 일반적인 프로모션, 계절적 수요 또는 가격 변경) 입증할 수 있어야 합니다.

프로젝트의 이해관계자에게 신뢰와 보안은 성능만큼 중요하다는 것을 기억하십시오. 설명 가능성과 안전성 및 ROI와 다른 비즈니스 영향도 입증해야 합니다.

원하는 결과의 뒤에는 무엇이 있을까?

ML 프로젝트는 일상적인 비즈니스 프로세스에 통합될 때 가장 잘 작동합니다. 따라서 이러한 프로세스를 완전히 이해해야 합니다. 조직에서 의사 결정을 어떻게 하는지, 누가 의사 결정을 하는지, 어떤 정보를 사용하는지, 어떤 규칙이 이를 안내하는지, 그리고 병목 현상이 발생하는지 추적하십시오.

병목 현상은 일반적으로 ML을 적용하기 좋은 곳입니다.頻繁하게 수행되지만 인식할 수 있는 패턴이나 지침을 따르는 의사 결정을 찾으십시오. ML 예측은 워크플로우에 편입되어야 하며 고립되어서는 안 됩니다.

프로세스 소유자와 도메인 전문가의 도움을 얻는 것이 좋습니다. 그들은 어떤 의사 결정을 중요하게 생각하는지, 예외가 발생하는지, 그리고 구현이 가장 큰 영향을 미칠지 가장 잘 알고 있습니다. 이러한 사람들은 또한 실험을 생산으로 이동시키는 것을 고려하는 리더십의 프로젝트 챔피언이 될 가능성이 있습니다.

기계 학습 프로젝트를 완수하십시오

올바른 파일럿을 구축하는 것은 ML을 실험에서 구현으로 이동시키는 데 중요합니다. 명확한 성공 지표, 낮은 위험, 강력한 데이터 기반, 광범위한 비즈니스 프로세스에서 명확한 역할을 가진 특정 사용 사례를 찾는 것은 ROI를 입증하고 이해관계자의 지원을 얻으며 비즈니스 성공을 달성하는 데 도움이 될 수 있습니다.