การย้ายโครงการ Machine Learning จากการทดลองไปสู่การนำไปใช้จริง

ในช่วงไม่กี่เดือนที่ผ่านมา ดูเหมือนว่า AI ที่มีพลังในการกระทำจะครอบงำธุรกิจในระดับองค์กร ธุรกิจต่างๆ ตื่นเต้นที่จะใช้ AI เพื่อautomate งาน, จัดการกระบวนการทำงาน, และสื่อสารกับระบบและลูกค้า แต่ Machine Learning (ML) ซึ่งเป็นพี่ใหญ่ของ AI ที่ถูกมองข้าม ควรได้รับความสนใจสำหรับบทบาทที่สำคัญในการทำให้ AI สามารถทำงานได้จริงโดยไม่ต้องใช้กฎที่คงที่

ในหลายกรณีของการใช้งานในองค์กร ML สามารถให้ผลการคาดการณ์, การจำแนกประเภท, การแนะนำ, และคะแนนความเสี่ยง ที่ช่วยให้ AI ตัดสินใจได้ว่าจะทำอะไรต่อไป เช่น หากคุณใช้ AI ในการตอบคำถามของลูกค้า ML อาจให้ข้อมูลที่แสดงว่าลูกค้าอาจจะหยุดใช้บริการในเร็วๆ นี้ ซึ่งจะทำให้ AI สามารถส่งสัญญาณที่เกี่ยวข้องไปยังลูกค้า

อย่างไรก็ตาม องค์กรหลายแห่งกำลังต่อสู้กับการนำโครงการ ML ไปใช้จริง ซึ่งถือเป็นเรื่องพื้นฐาน และความล่าช้านี้ทำให้พวกเขาไม่สามารถประสบความสำเร็จได้ อัตราการล้มเหลวของโครงการ ML สามารถสูงถึง 85% ตามมาตรฐานอุตสาหกรรมบางอย่าง

หลายทีมไม่แน่ใจว่าจะเริ่มต้นการนำ ML ไปใช้จริงอย่างไร, วิธีการออกแบบการทดลอง ML เพื่อให้สามารถนำไปใช้ได้ในระดับใหญ่, หรือวิธีการทำให้ผู้มีส่วนได้ส่วนเสียสนับสนุนโครงการ ในบทความนี้ ฉันจะแบ่งปันคำแนะนำบางอย่างสำหรับการตั้งค่าโครงการ ML เพื่อให้ได้โอกาสที่จะประสบความสำเร็จสูงสุด

ทำไมโครงการ ML จึงล้มเหลวในการเปิดตัว?

มีสองเหตุผลหลักที่ทำให้โครงการ ML มีอัตราการล้มเหลวสูง: หรือว่ากรณีการใช้งานไม่ได้รับการพิจารณาจากมุมมองที่ถูกต้อง หรือผู้มีส่วนได้ส่วนเสียไม่ได้สนับสนุนและทำให้ความคิดนั้นล้มเหลว

สาเหตุเหล่านี้มักจะเกิดขึ้นพร้อมกัน ML ต้องการการบริหารจัดการอย่างรอบคอบเพื่อให้ได้ผลลัพธ์ที่ดี ในขณะเดียวกัน ผู้คนในโลกธุรกิจหลายคนเป็นคนขี้ระแวงที่กลัวการเปลี่ยนแปลง ไม่เชื่อถือ ML หรือต้องการจะผลักโครงการของคุณออกไป

หากคุณไม่ตั้งค่าการทดลองอย่างเข้มงวด คุณจะไม่ได้รับการสนับสนุนจากองค์กรของคุณ ความสำเร็จของ ML ต้องการการลงรายละเอียด

สิ่งเล็กๆ น้อยๆ คือสิ่งที่สำคัญ

โมเดล ML ถูกออกแบบมาเพื่อแก้ปัญหาที่เฉพาะเจาะจงซ้ำๆ เช่น การคาดการณ์การยกเลิกการบริการ, การตรวจจับการฉ้อโกง, หรือการคาดการณ์อุปสงค์ ไม่ได้ถูกออกแบบมาเพื่อทำความเข้าใจบริบทที่กว้างขึ้นหรือทำหลายงาน แต่โครงการ ML หลายโครงการมีเป้าหมายที่ยิ่งใหญ่และกว้างขวาง เช่น “ปรับปรุงแผนกนี้”

สิ่งนี้ทำให้จำเป็นต้องตั้งค่าการทดลองที่เกี่ยวข้องเพื่อเปลี่ยนคนขี้ระแวงให้เป็นคนสนับสนุน การทดลองที่ประสบความสำเร็จจะให้ผลการวิเคราะห์ข้อมูลที่คุณต้องการเพื่อชี้นำ AI และการตัดสินใจทางธุรกิจ รวมทั้งการ chứng minhคุณค่าทางธุรกิจ

สำหรับองค์กรส่วนใหญ่ อุปสรรคหลักคือการหาคดีการใช้งานที่เหมาะสม คดีการทดลองที่มีแนวคิดที่ดีต้องมีความเฉพาะเจาะจงและเกี่ยวข้องกับวัตถุประสงค์ทางธุรกิจของคุณ เช่น การตรวจสอบธุรกรรมเพื่อระบุการฉ้อโกงที่อาจเกิดขึ้น หรือการตัดสินใจเมื่อจะจัดตารางการบำรุงรักษาเครื่องจักรต่างๆ

มีคำถามสี่ข้อที่คุณสามารถถามเพื่อแก้ไขปัญหาและหาคดีการใช้งานที่เหมาะสมซึ่งช่วยให้ ML ก้าวหน้า

มีอะไรคือสิ่งที่มีความเสี่ยง?

ความกังวลแรกคือพื้นที่ที่คุณมีในการทำผิดพลาด เนื่องจากความอดทนในการล้มเหลวของคุณมีความสำคัญไม่แพ้กับการทำงานของโมเดล การใช้งานที่แตกต่างกันมีผลที่ตามมาเมื่อโมเดลทำผิดพลาด ซึ่งจะส่งผลต่อความเหมาะสมในการนำไปใช้

เมื่อค่าใช้จ่ายในการทำผิดพลาดต่ำ คุณจะมีพื้นที่ในการทดลองกับตรรกะของโมเดลมากขึ้น เช่น โมเดลที่แนะนำการตลาดสำหรับกลุ่มลูกค้าที่แตกต่างกันสามารถมีความแม่นยำต่ำกว่าโมเดลที่ชี้นำการดูแลทางการแพทย์

ควรเริ่มต้นด้วยกรณีการใช้งานที่มีความเสี่ยงต่ำและมีคุณค่าสูง ซึ่งสามารถแก้ไขข้อผิดพลาดได้ง่าย และผลที่ตามมาของข้อผิดพลาดมีจำกัด เมื่อความเสี่ยงทางธุรกิจ, กฎระเบียบ, หรือชื่อเสียงเพิ่มขึ้น การกำกับดูแลของมนุษย์ควรเพิ่มขึ้นด้วย

คุณมีข้อมูลที่ถูกต้องหรือไม่?

ข้อมูลมีความสำคัญสำหรับโครงการ ML ที่มีประสิทธิภาพมากที่สุด การทดลองหลายครั้งล้มเหลวเนื่องจากข้อมูลไม่เพียงพอมากกว่าการทำงานของโมเดลที่อ่อนแอ ดังนั้นให้แน่ใจว่าข้อมูลของคุณมีการปรับให้เหมาะสม, เกี่ยวข้อง, มีการจัดฉลากที่ดี, และมีการรวบรวมอย่างต่อเนื่อง การทำงานร่วมกันระหว่างทีมธุรกิจและทีมข้อมูลมีความสำคัญ

ข้อมูลการผลิตอาจแตกต่างจากข้อมูลการทดลอง ทำให้โมเดลล้มเหลวในการผลิตแม้ว่าจะทำงานได้ดีในการทดลอง บางครั้งข้อมูลในโลกแห่งความเป็นจริงมีความเสียงดัง, ล่าช้า, หรือไม่สามารถเข้าถึงได้เพื่อสนับสนุนโมเดล

ข้อมูลและสัญญาณไม่ใช่สิ่งเดียวกัน สัญญาณที่สามารถคาดการณ์ได้มีความสำคัญสำหรับการแก้ปัญหาทางธุรกิจ ดังนั้นข้อมูลของคุณจึงต้องรวมรูปแบบทางประวัติศาสตร์และคุณลักษณะที่เกี่ยวข้อง เพื่อให้สามารถสนับสนุนการคาดการณ์ที่เชื่อถือได้ บางปัญหาไม่สามารถคาดการณ์ได้ ดังนั้นจึงควรให้ความสำคัญกับกรณีการใช้งานที่มีข้อมูลที่มีการจัดการ, ซ้ำๆ, และเข้าถึงได้

ความสำเร็จคืออะไร?

คุณจะพบปัญหาในการ chứng minhความสำเร็จหากคุณไม่แน่ใจว่าความสำเร็จคืออะไร ดังนั้นให้กำหนดเป้าหมายของคุณล่วงหน้า คุณต้องการให้ผลตอบแทนการลงทุนทางธุรกิจ ไม่ใช่แค่โมเดลที่มีความแม่นยำสูง แต่เชื่อมโยงการทำงานของโมเดลกับผลกระทบทางธุรกิจที่แท้จริง ให้แน่ใจว่าคุณสามารถวัดและยืนยันส่วนสนับสนุนของการแทรกแซง ML ของคุณ

หากคุณกำลังทดสอบโครงการ ML เพื่อลดการยกเลิกการบริการ คุณสามารถพิสูจน์ได้ว่าการรักษาลูกค้าเพิ่มขึ้นเป็นผลมาจากความสามารถของโมเดลในการระบุลูกค้าที่ไม่พอใจก่อนที่พวกเขาจะตัดสินใจออกไปหรือไม่ ไม่ใช่ปัจจัยอื่นๆ เช่น การส่งเสริมการขายทั่วไป, ความต้องการตามฤดูกาล หรือการเปลี่ยนแปลงราคา

ให้ระลึกไว้ว่าสำหรับผู้มีส่วนได้ส่วนเสียของโครงการของคุณ ความไว้วางใจและความปลอดภัยมักจะมีความสำคัญไม่แพ้กับการทำงาน คุณจะต้องสามารถแสดงให้เห็นถึงความสามารถในการอธิบายและความปลอดภัย เช่นเดียวกับผลตอบแทนการลงทุนและผลกระทบทางธุรกิจอื่นๆ

อะไรอยู่เบื้องหลังผลลัพธ์ที่คุณต้องการ?

โครงการ ML ประสบความสำเร็จมากที่สุดเมื่อพวกมันถูกฝังอยู่ในกระบวนการทางธุรกิจประจำวัน ซึ่งหมายความว่าคุณต้องเข้าใจกระบวนการเหล่านั้นอย่างเต็มที่ ให้ทำการแมปกับวิธีการตัดสินใจในองค์กรของคุณ โดยติดตามว่าใครตัดสินใจ, ใช้ข้อมูลอะไร, มีกฎเกณฑ์ใดบ้าง, และมีจุดอุดตันใดบ้าง

จุดอุดตันบ่อยๆ เป็นสถานที่ที่ดีที่สุดในการใช้ ML หาการตัดสินใจที่ทำบ่อยๆ แต่มีรูปแบบหรือแนวทางที่รู้จักแล้ว แล้วคิดว่าผลการคาดการณ์ของ ML จะเข้ากันได้กับกระบวนการทำงานนี้อย่างไร โมเดลของคุณควรทำให้กระบวนการง่ายขึ้นหรือทำให้กระบวนการทำงานอัตโนมัติ ไม่ใช่ทำงานแยกออกไป

ควรขอความช่วยเหลือจากผู้เป็นเจ้าของกระบวนการและผู้เชี่ยวชาญด้านสาขา เนื่องจากพวกเขาเป็นคนที่มีแนวโน้มว่าจะรู้ว่าการตัดสินใจใดที่สำคัญที่สุด, เมื่อข้อยกเว้ปรากฏขึ้น, และที่ไหนที่การนำไปใช้จะมีผลกระทบมากที่สุด พวกเขายังเป็นคนที่มีแนวโน้มว่าจะกลายเป็นแชมป์เปียนโครงการของคุณเมื่อผู้นำพิจารณานำการทดลองของคุณไปสู่การผลิต

นำโครงการ ML ของคุณไปสู่ความสำเร็จ

การสร้างการทดลองที่เหมาะสมมีความสำคัญสำหรับการทำให้ ML ก้าวหน้าจากการทดลองไปสู่การนำไปใช้จริง การหาคดีการใช้งานที่มีมาตรการความสำเร็จที่ชัดเจน, ความเสี่ยงต่ำ, พื้นฐานข้อมูลที่แข็งแกร่ง, และบทบาทที่ชัดเจนในกระบวนการทางธุรกิจที่กว้างขึ้น สามารถช่วยให้คุณพิสูจน์ผลตอบแทนการลงทุน, ได้รับการสนับสนุนจากผู้มีส่วนได้ส่วนเสีย, และขับเคลื่อนความสำเร็จทางธุรกิจ การหานักบินที่เหมาะสมมีความสำคัญสำหรับการทำให้ ML ก้าวหน้าจากการทดลองไปสู่การนำไปใช้จริง การหาคดีการใช้งานที่มีมาตรการความสำเร็จที่ชัดเจน, ความเสี่ยงต่ำ, พื้นฐานข้อมูลที่แข็งแกร่ง, และบทบาทที่ชัดเจนในกระบวนการทางธุรกิจที่กว้างขึ้น สามารถช่วยให้คุณพิสูจน์ผลตอบแทนการลงทุน, ได้รับการสนับสนุนจากผู้มีส่วนได้ส่วนเสีย, และขับเคลื่อนความสำเร็จทางธุรกิจ