Пересування проєктів машинного навчання з експериментування до впровадження

За останні місяці здається, що агентський ІІ займає центральне місце в сфері підприємництва. Бізнеси хочуть використовувати його для автоматизації завдань, оркестрування робочих процесів та взаємодії з системами та клієнтами. Але машинне навчання (МН), проігнорований старший брат агентського ІІ, заслуговує на увагу за свою критичну роль у забезпеченні агентських робочих процесів ІІ для переходу за межі статичних правил.

У багатьох випадках використання МН може забезпечити передбачення, класифікацію, рекомендації та оцінки ризику, які допомагають агентам ІІ вирішувати, яку дію виконувати далі. Наприклад, якщо ви використовуєте агента ІІ для відповідей на запитання клієнтів, МН може повідомити агента про ознаки того, що клієнт може скоро відмовитися від послуг, що спровокує відповідні потоки повідомлень.

Однак багато організацій борються з впровадженням проєктів МН, які вважаються базовими, і ця затримка утримує їх від успіху агентського ІІ. Цифри варіюються, а рівень невдач проєктів МН досягає 85% згідно з деякими галузевими стандартами.

Багато команд не знають, з чого почати впровадження машинного навчання, як розробляти експеримент МН так, щоб він міг бути розгорнутий у великому масштабі, або як залучити відповідних зацікавлених сторін до проєкту. У цій статті я поділюся кількома порадами щодо забезпечення проєктів МН для максимальних шансів на успіх.

Чому так багато проєктів МН не запускаються?

Є дві основні причини низьких показників успіху проєктів МН: або випадок використання не розглядається з правильної перспективи, або зацікавлені сторони не погоджені і вони зруйнували ідею.

Ці причини зазвичай йдуть рука об руку. Машинне навчання вимагає ретельного управління для досягнення хороших результатів. У той же час багато людей у сфері бізнесу є скептиками, які бояться змін, недовіряють машинному навчанню або просто хочуть відштовхнути ваш проєкт.

Якщо ви не створите свій пілотний проєкт досить ретельно, ви не здобудете жодної підтримки у своїй організації. Успіх МН вимагає занурення у деталі.

Диявол ховається у деталях

Моделі МН розроблені для вирішення конкретних, повторюваних проблем, які вузько визначені, наприклад, передбачення відмови клієнтів, виявлення шахрайства або прогнозування попиту. Вони не створені для розуміння широкого контексту або виконання кількох завдань, але багато проєктів МН мають грандіозні амбіції та широкі цілі, наприклад, “поліпшити цей відділ”.

Це робить важливим створення відповідних експериментальних тестових випадків, які перетворюють скептиків на чемпіонів. Успішний пілотний проєкт дає вам висновки аналізу даних, необхідні для керівництва агентським ІІ та прийняття бізнес-рішень, а також доводить бізнес-цінність.

Для більшості організацій основною проблемою є пошук правильного тестового випадку. Концепція життєздатного експерименту повинна бути як конкретною, так і відповідною до ваших бізнес-цілей. Наприклад, аналіз транзакцій для виявлення можливого шахрайства або визначення часу проведення технічного обслуговування для різних типів машин.

Ось чотири питання, які потрібно поставити, щоб подолати труднощі та знайти правильний випадок використання, який допоможе просунути прийняття МН.

Які ставки?

Першою турботою є те, скільки місця у вас є для помилок, оскільки ваша толерантність до помилок є принаймні такою ж важливою, як і продуктивність моделі. Різні випадки використання мають різні наслідки, коли модель помиляється, що впливає на те, наскільки вони підходять для впровадження.

Коли вартість помилок нижча, у вас більше місця для експериментів з логікою моделі. Наприклад, модель, яка рекомендує маркетингові пропозиції для різних аудиторій, може мати нижчий рівень точності, ніж та, яка керує медичним супроводом.

Найкраще починати з низькоризикових випадків використання з високою цінністю, які стосуються сфер, де помилки можна легко виправити, а наслідки помилок обмежені. По мірі зростання бізнес-, нормативних чи репутаційних ризиків повинна зростати і участь людини.

Чи маєте ви правильні дані?

Дані мають вирішальне значення для кожного ефективного проєкту МН. Більше експериментів терпить невдачу через недостатні дані, ніж через слабкі моделі, тому переконайтеся, що ваші дані ретельно відфільтровані, актуальні, добре позначені та зібрані послідовно. Співпраця між бізнес-командою та командою даних має вирішальне значення тут.

Виробничі дані можуть відрізнятися від експериментальних даних, що призводить до того, що моделі не працюють у виробництві, хоча вони працювали добре у пілотному проєкті. Іноді реальні дані надто шумні, затримані або недоступні для підтримки моделі.

Дані та сигнали не однакові. Прогнозні сигнали мають вирішальне значення для вирішення бізнес-проблеми, тому ваші дані повинні містити історичні закономірності та відповідні функції для підтримки надійних передбачень. Деякі проблеми просто не передбачувані, тому пріоритезуйте випадки використання, які вже мають добре керовані, повторювані, доступні джерела даних.

Які метрики успіху?

У вас виникнуть труднощі з доведенням успіху, якщо ви не впевнені, що таке успіх, тому визначте свої цілі заздалегідь. Ви хочете доставити бізнес-ROI, а не просто високоточну модель, тому зв’яжіть продуктивність моделі з реальним бізнес-впливом. Будьте чіткими щодо своїх бізнес-цілей і визначте КПІ, які демонструють справжнє досягнення.

Переконайтеся, що ви можете виміряти та підтвердити внесок, зроблений вашим втручанням МН. Наприклад, якщо ви тестуєте проєкт МН для скорочення відмов, можете довести, що підвищена утримання клієнтів є результатом здатності вашої моделі визначати незадоволених клієнтів достатньо рано, а не інших факторів, таких як загальні промо-акції, сезонний попит або зміни цін?

Пам’ятайте, що для ваших зацікавлених сторін довіра та безпека часто є принаймні такою ж важливою, як і продуктивність. Вам потрібно буде продемонструвати пояснюваність та безпеку, а також ROI та інші види бізнес-впливу.

Що лежить в основі бажаних результатів?

Проєкти МН найкраще працюють, коли вони інтегровані в щоденні бізнес-процеси, що означає, що вам потрібно повністю зрозуміти ці процеси. Відстежуйте, як приймаються рішення в вашій організації, слідкуючи за тим, хто приймає рішення, які дані вони використовують, які правила керують ними, та де виникають труднощі.

Затинки часто є найкращими місцями для застосування МН. Шукайте рішення, які приймаються часто, але слідують визначеним закономірностям або керівним принципам, а потім подумайте, як передбачення МН будуть вписуватися в цей робочий процес. Ваша модель повинна полегшити або автоматизувати крок у процесі, а не працювати в ізоляції.

Найкраще звернутися за допомогою до власників процесів та галузевих експертів, оскільки вони найімовірніше знають, які рішення мають значення, коли виникають винятки, та де впровадження матиме найбільший вплив. Це також люди, які найімовірніше стануть чемпіонами проєкту, коли керівництво розглядатиме можливість переходу вашого експерименту у виробництво.

Приведіть свої проєкти МН до плоду

Будування правильного пілотного проєкту є важливим для того, щоб МН перейшов від експериментування до впровадження. Знаходження конкретних випадків використання, які мають чіткі метрики успіху, низькі ризики, сильну основу даних та чітку роль у ширших бізнес-процесах, може допомогти вам довести ROI, залучити підтримку зацікавлених сторін та досягти бізнес-успіху.