Mutarea proiectelor de învățare automată de la experimentare la implementare

În ultimele luni, se pare că inteligența artificială agentică (AI) este în centrul atenției în domeniul întreprinderilor. Companiile sunt entuziasmate să o utilizeze pentru a automatiza sarcini, a orchestra fluxuri de lucru și a interacționa cu sisteme și clienți. Dar învățarea automată (ML), fratele mai vârstnic și mai puțin apreciat al inteligenței artificiale agențice, merită atenție pentru rolul său critic în facilitarea fluxurilor de lucru agențice AI pentru a depăși regulile statice.

În multe cazuri de utilizare a întreprinderilor, ML poate furniza predicții, clasificări, recomandări și scoruri de risc care ajută agenții AI să decidă ce acțiune să întreprindă următoarea. De exemplu, dacă utilizați un agent AI pentru a răspunde la întrebările clienților, ML ar putea informa agentul cu semne că un client ar putea să renunțe în curând, declanșând fluxuri de mesaje relevante.

Cu toate acestea, prea multe organizații se luptă să implementeze proiecte ML care sunt considerate de bază, iar această întârziere le împiedică să atingă succesul în domeniul inteligenței artificiale agențice. Ratele de eșec pentru proiectele ML pot ajunge până la 85% conform unor standarde ale industriei.

Multe echipe nu știu de unde să înceapă implementarea învățării automate, cum să conceapă un experiment ML care să poată fi implementat la scară largă sau cum să implice stakeholderii potriviți în proiect. În acest articol, voi oferi câteva sfaturi pentru a asigura succesul maxim al proiectelor ML.

De ce atât de multe proiecte ML eșuează?

Există două motive principale pentru ratele scăzute de succes ale proiectelor ML: fie cazul de utilizare nu este considerat cu perspectiva potrivită, fie stakeholderii nu sunt de acord și sabotează ideea.

Aceste motive obișnuiesc să meargă mână în mână. Învățarea automată necesită o gestionare atentă pentru a obține rezultate bune. În același timp, mulți oameni din lumea afacerilor sunt sceptici care se tem de schimbare, nu au încredere în învățarea automată sau, în general, vor să împingă proiectul dvs. de pe masă.

Dacă nu configurați pilotul dvs. în mod riguros, nu veți obține sprijin în organizația dvs. Succesul ML necesită să vă concentrați pe detalii.

Diavolul se află în detalii

Modelele ML sunt concepute pentru a rezolva probleme specifice, repetitive și înguste, cum ar fi predicția abandonului clienților, detectarea fraudelor sau previziunea cererii. Nu sunt create pentru a înțelege contextul larg sau pentru a efectua multiple sarcini, dar multe proiecte ML au ambiții grandioase și obiective cuprinzătoare, cum ar fi “îmbunătățirea acestui departament”.

Acest lucru face ca este vital să configurați cazuri de test experimentale relevante care să convertească scepticii în susținători. Un pilot de succes vă oferă concluziile analizei datelor de care aveți nevoie pentru a ghida deciziile de afaceri și inteligența artificială agențică, precum și pentru a demonstra valoarea afacerii.

Pentru majoritatea organizațiilor, principala piedică este găsirea cazului de utilizare potrivit. Un concept de experiment viabil trebuie să fie atât specific, cât și relevant pentru obiectivele dvs. de afaceri. De exemplu, analizarea tranzacțiilor pentru a identifica posibile fraude sau stabilirea momentului în care să programați întreținerea pentru diferite tipuri de mașini.

Iată patru întrebări pe care să le puneți pentru a depăși lupta și a găsi cazul de utilizare potrivit care să ajute la progresul adoptării ML.

Ce sunt mizele?

Prima preocupare este cât de mult spațiu aveți pentru a face greșeli, deoarece toleranța dvs. la eșec este la fel de importantă ca și performanța modelului. Diferitele cazuri de utilizare au consecințe diferite atunci când modelul greșește, ceea ce afectează cât de potrivite sunt pentru implementare.

Când costul erorilor este mai mic, aveți mai mult spațiu pentru a experimenta cu logica modelului. De exemplu, un model care recomandă oferte de marketing pentru diferite audiențe poate avea un grad mai mic de acuratețe decât unul care ghidează îngrijirea medicală ulterioară.

Este cel mai bine să începeți cu cazuri de utilizare cu risc scăzut și valoare ridicată care se ocupă de domenii în care greșelile pot fi corectate ușor și consecințele erorilor sunt limitate. Pe măsură ce crește riscul de afaceri, regulamentar sau de reputație, ar trebui să crească și supravegherea umană.

Aveți datele potrivite?

Datele sunt vitale pentru orice proiect ML eficient. Mai multe experimente eșuează din cauza lipsei de date decât din cauza modelelor slabe, așa că asigurați-vă că datele dvs. sunt rafinate, relevante, bine etichetate și colectate în mod constant. Colaborarea dintre echipa de afaceri și echipa de date este cheia aici.

Datele de producție pot diferi de datele experimentale, ceea ce poate face ca modelele să eșueze în producție, chiar dacă au funcționat bine în pilot. Uneori, datele din lumea reală sunt prea zgomotoase, întârziate sau inaccesibile pentru a susține modelul.

Datele și semnalele nu sunt același lucru. Semnalele predictive sunt vitale pentru a rezolva o problemă de afaceri, așa că datele dvs. trebuie să includă modele istorice și caracteristici relevante pentru a fi capabile să susțină predicții fiabile. Unele probleme pur și simplu nu sunt previzibile, așa că prioritați cazurile de utilizare care au deja surse de date bine guvernate, repetabile și accesibile.

Ce sunt metricele de succes?

Veți avea dificultăți în a demonstra succesul dacă nu sunteți sigur ce înseamnă succes, așa că definiți obiectivele dvs. de la început. Doriți să livrați ROI de afaceri, nu doar un model foarte precis, așa că legați performanța modelului de impactul real de afaceri. Fiți clar despre obiectivele dvs. de afaceri și identificați indicatorii de performanță care demonstrează realizări reale.

Asigurați-vă că puteți măsura și confirma contribuția adusă de intervenția dvs. ML. De exemplu, dacă testați un proiect ML pentru a reduce abandonul, puteți dovedi că creșterea retenției este datorată capacității modelului de a identifica clienții nemulțumiți suficient de devreme înainte de a alege să plece și nu altor factori, cum ar fi promovările generale, cererea sezonieră sau modificările de preț?

Rețineți că, pentru stakeholderii proiectului dvs., încrederea și securitatea sunt adesea la fel de importante ca și performanța. Veți avea nevoie să demonstrați explicabilitatea și securitatea, precum și ROI și alte tipuri de impact de afaceri.

Ce se află în spatele rezultatelor dorite?

Proiectele ML reușesc cel mai bine atunci când sunt integrate în procesele de afaceri zilnice, ceea ce înseamnă că trebuie să înțelegeți pe deplin aceste procese. Hărțiți modul în care se iau deciziile în organizația dvs., urmărind cine ia decizia, ce informații utilizează, ce reguli le ghidează și unde apar blocaje.

Blocajele sunt adesea cele mai bune locuri pentru a aplica ML. Căutați decizii care sunt luate frecvent, dar urmează modele recunoscute sau ghidate și gândiți-vă cum ar putea fi integrate predicțiile ML în acest flux de lucru. Modelul dvs. ar trebui să ușureze sau să automatizeze o etapă a procesului, în loc să funcționeze în mod izolat.

Este cel mai bine să solicitați ajutor de la proprietarii de procese și experții în domeniu, deoarece ei sunt cei mai likely să știe care decizii sunt importante, când apar excepții și unde implementarea ar avea cel mai mare impact. Aceștia sunt, de asemenea, oamenii care sunt cei mai likely să devină campioni ai proiectului atunci când conducerea consideră să ia experimentul în producție.

Aduceți proiectele dvs. ML la bun sfârșit

Construirea pilotului potrivit este crucială pentru a permite ML să depășească experimentarea și să ajungă la implementare. Găsirea unor cazuri de utilizare specifice care au metrice de succes clare, riscuri scăzute, o bază solidă de date și un rol clar în procesele de afaceri mai largi poate ajuta la demonstrarea ROI, obținerea sprijinului stakeholderilor și conducerea succesului de afaceri. găsirea pilotului potrivit este crucială pentru a permite ML să depășească experimentarea și să ajungă la implementare. Găsirea unor cazuri de utilizare specifice care au metrice de succes clare, riscuri scăzute, o bază solidă de date și un rol clar în procesele de afaceri mai largi poate ajuta la demonstrarea ROI, obținerea sprijinului stakeholderilor și conducerea succesului de afaceri.