Flytting av maskinlæringsprosjekter fra eksperimentering til implementering

I de siste månedene har det følt som om agensisk AI har stjålet showet i bedriftsverdenen. Bedrifter er ivrige etter å bruke det til å automatisere oppgaver, orchestrere arbeidsflyter og samhandle med systemer og kunder. Men maskinlæring (ML), agensisk AI sin oversete eldre bror, fortjener oppmerksomhet for sin kritiske rolle i å muliggjøre at AI-agensarbeidsflyter kan gå utenfor statiske regler.

I mange bedriftsbrukstilfeller kan ML levere prediksjoner, klassifiseringer, anbefalinger og risikopoeng som hjelper AI-agenter å bestemme hva de skal gjøre neste. For eksempel, hvis du bruker en AI-agent til å svare på kunde-spørsmål, kan ML informere agenten om tegn på at en kunde kan avslutte snart, og utløse relevante meldingsflyter.

Likevel sliter mange organisasjoner med å implementere ML-prosjekter som anses som grunnleggende, og denne forsinkelsen holder dem tilbake fra å oppnå agensisk AI-suksess. Tallene varierer, med feilrater for ML-prosjekter som stiger så høyt som 85% ifølge noen bransje-benchmarks.

Mange team er usikre på hvor de skal begynne med å implementere maskinlæring, hvordan de skal gå til å konseptualisere en ML-eksperiment på en måte som vil være deployable i stor skala, eller hvordan de skal få rett stakeholders investert i prosjektet. I denne artikkelen vil jeg dele noen pekepinn for å sette ML-prosjekter opp for maksimal sjanse for suksess.

Hvorfor mislykkes så mange ML-prosjekter?

Det er to hovedgrunner til de dårlige suksessratene for ML-prosjekter: enten er bruksområdet ikke betraktet med riktig perspektiv, eller så er stakeholders ikke med på laget og de torpederer ideen.

Disse grunnene går vanligvis hånd i hånd. Maskinlæring krever omhyggelig håndtering for å oppnå gode resultater. Samtidig er mange mennesker i bedriftsverden skeptikere som frykter endring, mistenker maskinlæring eller generelt ønsker å skyve prosjektet av bordet.

Hvis du ikke setter opp din pilot på en streng måte, vil du ikke vinne noen støtte i organisasjonen. ML-suksess krever at du kommer ned til de små detaljene.

Djevelen ligger i detaljene

ML-modeller er designet for å løse spesifikke, gjentakende problemer som er smalt definert, som å forutsi kundeavslutning, å oppdage svindel eller å forutsi etterspørsel. Det er ikke bygget for å forstå bred kontekst eller utføre multiple oppgaver, men mange ML-prosjekter har grandiose ambisjoner og sveipende mål som “forbedre denne avdelingen”.

Dette gjør det viktig å sette opp relevante eksperimentelle testtilfeller som konverterer skeptikere til champions. En vellykket pilot gir deg de data-analyse-konklusjonene du trenger for å guide agensisk AI og bedriftsbeslutning, samt å bevise forretningsverdi.

For de fleste organisasjoner er hovedhindringen å finne riktig test-bruksområde. Et gjennomførbar eksperiment-konsept må være både spesifikt og relevant for bedrifts-mål. For eksempel, å se på transaksjoner for å identifisere mulig svindel, eller å bestemme når man skal planlegge vedlikehold for forskjellige typer maskiner.

Her er fire spørsmål å stille for å kutte gjennom kampen og finne riktig bruksområde som hjelper til å fremme ML-tilpasning.

Hva er innsatsen?

Den første bekymringen er hvor mye rom du har til å gjøre feil, fordi din toleranse for feil er minst like viktig som modell-ytelse. Forskjellige bruksområder har forskjellige konsekvenser når modellen får det galt, noe som påvirker hvor egnet de er for implementering.

Når feil-kostnadene er lavere, har du mer rom til å eksperimentere med modell-logikk. For eksempel, en modell som anbefaler markedsførings-tilbud for forskjellige målgrupper kan ha en lavere grad av nøyaktighet enn en som guidere medisinsk oppfølging.

Det er best å starte med lav-risiko, høy-verdi bruksområder som handler med områder hvor feil kan korrigeres lett og konsekvensene av feil er begrenset. Ettersom bedrifts-, regulativ- eller omdømme-risiko øker, bør også menneskelig tilsyn øke.

Har du riktig data?

Data er avgjørende for hvert effektivt ML-prosjekt. Flere eksperimenter feiler på grunn av utilstrekkelig data enn på grunn av svake modeller, så sikre deg at din data er raffinert, relevant, godt merket og samlet på en konsekvent måte. Samarbeid mellom bedriftsteam og data-team er nøkkel her.

Produksjonsdata kan være forskjellig fra eksperimentell data, noe som kan føre til at modeller feiler i produksjon selv om de fungerte bra i piloten. Noen ganger er virkelige data for støyende, forsinket eller utilgjengelig for å støtte modellen.

Data og signaler er ikke det samme. Predikative signaler er avgjørende for å løse et bedriftsproblem, så din data må inkludere historiske mønster og relevante funksjoner for å være i stand til å støtte pålitelige prediksjoner. Noen problemer er bare ikke forutsigbare, så prioriter bruksområder som allerede har godt styrt, gjentakende, tilgjengelige data-kilder.

Hva er suksess-målene?

Du vil ha vanskelig for å bevise suksess hvis du er usikker på hva suksess ligner, så definer dine mål på forhånd. Du ønsker å levere bedrifts-avkastning, ikke bare en høyaktig modell, så knyt modell-ytelse til virkelig bedrifts-påvirkning. Vær tydelig på dine bedrifts-mål og identifiser KPI-ene som demonstrerer sant gjennomføring.

Sikre deg at du kan måle og bekrefte bidraget ditt ML-inngrep gjorde. For eksempel, hvis du tester et ML-prosjekt for å kutte kundeavslutning, kan du bevise at økt retensjon skyldes modellens evne til å identifisere misfornøyde kunder lenge nok før de har valgt å forlate og ikke andre faktorer, som generelle kampanjer, sesongmessige etterspørsel eller prisendringer?

Husk at for dine prosjekts stakeholders er tillit og sikkerhet ofte like viktig som ytelse. Du må være i stand til å demonstrere forklarbarhet og sikkerhet samt avkastning og andre typer bedrifts-påvirkning.

Hva ligger bak de resultater du ønsker?

ML-prosjekter lykkes best når de er integrert i hverdags-bedriftsprosesser, noe som betyr at du må fullstendig forstå hva disse prosessene er. Kartleg hvordan beslutninger tas i din organisasjon, sporing hvem som tar beslutningen, hva informasjonen de bruker, hvilke regler som guidere dem og hvor det oppstår friksjon.

Flaskehalser er ofte de beste stedene å bruke ML. Søk etter beslutninger som tas hyppig, men følger gjenkjennelige mønster eller retningslinjer, og tenk på hvordan ML-prediksjoner ville passe inn i denne arbeidsflyten. Din modell bør lette eller automatisere et steg i prosessen i stedet for å fungere i isolasjon.

Det er best å rekruttere hjelp fra prosess-eiere og domene-eksperter, fordi de er mest sannsynlig å vite hvilke beslutninger som teller, når unntak oppstår og hvor implementering ville ha mest påvirkning. Disse er også personene som er mest sannsynlig å bli prosjekt-champions når ledelsen vurderer å ta din eksperiment inn i produksjon.

Bring dine ML-prosjekter til fruktion

Bygging av riktig pilot er avgjørende for å muliggjøre at ML kan gå utenfor eksperimentering til implementering. Å finne spesifikke bruksområder som har klare suksess-målene, lav risiko, en sterk data-grunn og en klar rolle i videre bedriftsprosesser kan hjelpe deg å bevise avkastning, rekruttere stakeholder-støtte og drive bedrifts-suksess.