Перемещение проектов машинного обучения от экспериментов к реализации

В последние месяцы кажется, что агентный ИИ привлекает все внимание в корпоративном мире. Бизнесы с нетерпением ждут возможности использовать его для автоматизации задач, оркестровки рабочих процессов и взаимодействия с системами и клиентами. Но машинное обучение (МО), часто упускаемый из виду старший брат агентного ИИ, заслуживает внимания за свою важную роль в ermöglichen агентных рабочих процессов ИИ выйти за рамки статических правил.

Во многих корпоративных случаях МО может предоставить прогнозы, классификации, рекомендации и оценки рисков, которые помогают агентам ИИ решить, какое действие предпринять дальше. Например, если вы используете агента ИИ для ответа на запросы клиентов, МО может проинформировать агента о признаках того, что клиент может скоро уйти, что запустит соответствующие потоки сообщений.

Однако слишком многие организации борются с реализацией проектов МО, которые считаются базовыми, и это отставание мешает им добиться успеха в агентном ИИ. Цифры варьируются, но уровень неудач проектов МО может достигать 85% согласно некоторым отраслевым показателям.

Многие команды не знают, с чего начать реализацию машинного обучения, как подойти к задаче создания эксперимента МО, который можно будет развернуть в крупном масштабе, или как привлечь правильных заинтересованных сторон в проект. В этой статье я поделюсь несколькими советами по настройке проектов МО для максимальных шансов на успех.

Почему так много проектов МО не запускаются?

Существует две основные причины низких показателей успеха проектов МО: либо рассматриваемый случай не учитывается с правильной точки зрения, либо заинтересованные стороны не согласны и торпедируют идею.

Эти причины обычно идут рука об руку. Машинное обучение требует тщательного управления, чтобы достичь хороших результатов. В то же время многие люди в деловом мире являются скептиками, которые боятся перемен, не доверяют машинному обучению или просто хотят оттолкнуть ваш проект.

Если вы не настроите свой пилотный проект тщательно, вы не получите поддержки в своей организации. Успех МО требует внимания к деталям.

Дьявол кроется в деталях

Модели МО предназначены для решения конкретных, повторяющихся проблем, которые четко определены, таких как прогнозирование отказа клиентов, обнаружение мошенничества или прогнозирование спроса. Они не предназначены для понимания широкого контекста или выполнения нескольких задач, но слишком многие проекты МО имеют грандиозные амбиции и широкие цели, такие как “улучшить этот отдел”.

Это делает важным настройку релевантных экспериментальных тестовых случаев, которые превратят скептиков в чемпионов. Успешный пилотный проект дает вам выводы анализа данных, необходимые для руководства агентным ИИ и бизнес-решениями, а также доказывает бизнес-ценность.

Для большинства организаций основным препятствием является поиск правильного тестового случая. Вiable экспериментальная концепция должна быть одновременно конкретной и релевантной для ваших бизнес-целей. Например, анализ транзакций для выявления возможного мошенничества или определение времени проведения технического обслуживания для разных типов машин.

Вот четыре вопроса, которые необходимо задать, чтобы преодолеть трудности и найти правильный случай, который поможет продвинуть принятие МО.

Каковы ставки?

Первой заботой является количество места, которое у вас есть для совершения ошибок, поскольку ваша толерантность к неудачам не менее важна, чем производительность модели. Разные случаи имеют разные последствия, когда модель ошибается, что влияет на их пригодность для реализации.

Когда стоимость ошибок ниже, у вас есть больше места для экспериментов с логикой модели. Например, модель, рекомендующая маркетинговые предложения для разных аудиторий, может иметь более низкий уровень точности, чем та, которая руководит медицинским уходом.

Лучше начинать с низкорисковых, высокоценных случаев, которые связаны с областями, где ошибки можно легко исправить, а последствия ошибок ограничены. По мере увеличения деловых, нормативных или репутационных рисков должна увеличиваться и человеческая проверка.

Имеете ли вы правильные данные?

Данные имеют решающее значение для каждого эффективного проекта МО. Больше экспериментов терпят неудачу из-за недостатка данных, чем из-за слабых моделей, поэтому убедитесь, что ваши данные отфильтрованы, релевантны, хорошо помечены и собраны последовательно. Сотрудничество между командой бизнеса и командой данных имеет ключевое значение здесь.

Производственные данные могут отличаться от экспериментальных данных, что может привести к сбою моделей в производстве, даже если они хорошо работали в пилотном проекте. Иногда реальные данные слишком шумные, задержанные или недоступные для поддержки модели.

Данные и сигналы не одно и то же. Прогностические сигналы имеют решающее значение для решения бизнес-проблем, поэтому ваши данные должны включать исторические закономерности и релевантные функции для поддержки надежных прогнозов. Некоторые проблемы просто не предсказуемы, поэтому отдавайте приоритет случаям, которые уже имеют хорошо управляемые, повторяющиеся, доступные источники данных.

Каковы метрики успеха?

У вас будут проблемы с доказательством успеха, если вы не уверены, как выглядит успех, поэтому определите свои цели заранее. Вы хотите доставить бизнес-ROI, а не просто высокоточную модель, поэтому связывайте производительность модели с реальным бизнес-воздействием. Будьте ясны о своих бизнес-целях и определите KPI, которые демонстрируют истинное достижение.

Убедитесь, что вы можете измерить и подтвердить вклад, сделанный вашим вмешательством МО. Например, если вы тестируете проект МО для снижения отказов, можете ли вы доказать, что увеличение удержания связано с способностью вашей модели выявить недовольных клиентов достаточно долго до того, как они решат уйти, и не из-за других факторов, таких как общая промоция, сезонный спрос или изменения цен?

Помните, что для заинтересованных сторон вашего проекта доверие и безопасность часто не менее важны, чем производительность. Вам необходимо будет продемонстрировать объяснимость и безопасность, а также ROI и другие виды бизнес-воздействия.

Что лежит в основе желаемых результатов?

Проекты МО лучше всего работают, когда они интегрированы в повседневные бизнес-процессы, что означает, что вам необходимо полностью понять, что эти процессы представляют собой. Отслеживайте, как принимаются решения в вашей организации, отслеживая, кто принимает решение, какую информацию они используют, какие правила руководят ими и где возникают проблемы.

Бottlenecks часто являются лучшими местами для применения МО. Ищите решения, которые принимаются часто, но следуют узнаваемым закономерностям или руководствам, и подумайте, как прогнозы МО могут вписаться в этот рабочий процесс. Ваша модель должна облегчить или автоматизировать шаг в процессе, а не работать в изоляции.

Лучше привлечь помощь от владельцев процессов и экспертов в области, поскольку они наиболее вероятно знают, какие решения имеют значение, когда возникают исключения и где реализация будет иметь наибольшее влияние. Это также люди, которые наиболее вероятно станут чемпионами проекта, когда руководство будет рассматривать возможность перевода вашего эксперимента в производство.

Приведите свои проекты МО к реализации

Построение правильного пилотного проекта имеет решающее значение для ermöglichen МО выйти за рамки экспериментов и перейти к реализации. Поиск конкретных случаев, которые имеют четкие метрики успеха, низкие риски, прочную основу данных и четкую роль в более широких бизнес-процессах, может помочь вам доказать ROI, привлечь поддержку заинтересованных сторон и добиться бизнес-успеха. Финдинг правильного пилота имеет решающее значение для ermöglichen МО перейти от экспериментов к реализации.