Chuyển Dự Án Học Máy Từ Thử Nghiệm Sang Thực Thi

Trong những tháng gần đây, dường như trí tuệ nhân tạo chủ động đang chiếm lĩnh ánh đèn sân khấu trong lĩnh vực doanh nghiệp. Các doanh nghiệp đang hào hứng sử dụng nó để tự động hóa nhiệm vụ, điều phối quy trình làm việc và tương tác với hệ thống và khách hàng. Nhưng học máy (ML), người anh trai bị bỏ qua của trí tuệ nhân tạo chủ động, xứng đáng được chú ý vì vai trò quan trọng của nó trong việc cho phép các quy trình làm việc trí tuệ nhân tạo chủ động vượt qua các quy tắc tĩnh.

Trong nhiều trường hợp sử dụng trong doanh nghiệp, ML có thể cung cấp các dự đoán, phân loại, khuyến nghị và đánh giá rủi ro giúp các tác nhân trí tuệ nhân tạo chủ động quyết định hành động tiếp theo. Ví dụ, nếu bạn sử dụng một tác nhân trí tuệ nhân tạo chủ động để trả lời các câu hỏi của khách hàng, ML có thể thông báo cho tác nhân về các dấu hiệu cho thấy khách hàng có thể rời đi sớm, kích hoạt các luồng tin nhắn liên quan.

Tuy nhiên, quá nhiều tổ chức đang gặp khó khăn trong việc triển khai các dự án ML được coi là cơ bản, và sự chậm trễ này đang cản trở họ đạt được thành công trong lĩnh vực trí tuệ nhân tạo chủ động. Tỷ lệ thất bại của các dự án ML đạt mức cao tới 85% theo một số tiêu chuẩn của ngành.

Nhiều đội không chắc chắn về cách bắt đầu triển khai học máy, cách hình thành một thí nghiệm ML để có thể triển khai ở quy mô lớn, hoặc cách thu hút các bên liên quan đúng vào dự án. Trong bài viết này, tôi sẽ chia sẻ một số gợi ý để thiết lập các dự án ML có cơ hội thành công tối đa.

Tại Sao Nhiều Dự Án ML Thất Bại Khi Ra Mắt?

Có hai lý do chính cho tỷ lệ thành công thấp của các dự án ML: либо trường hợp sử dụng không được xem xét với quan điểm đúng, hoặc các bên liên quan không đồng ý và họ phá hỏng ý tưởng.

Các lý do này thường đi cùng nhau. Học máy yêu cầu quản lý cẩn thận để đạt được kết quả tốt. Đồng thời, nhiều người trong thế giới kinh doanh là những người hoài nghi sợ thay đổi, không tin tưởng học máy, hoặc thường muốn đẩy dự án của bạn ra khỏi bàn.

Nếu bạn không thiết lập thử nghiệm của mình một cách nghiêm ngặt, bạn sẽ không giành được sự ủng hộ trong tổ chức của mình. Thành công của ML đòi hỏi phải đi sâu vào các chi tiết cụ thể.

Quỷ Đặt Trong Chi Tiết

Các mô hình ML được thiết kế để giải quyết các vấn đề cụ thể, lặp đi lặp lại, được định nghĩa hẹp, như dự đoán việc rời đi của khách hàng, phát hiện gian lận, hoặc dự báo nhu cầu. Nó không được xây dựng để hiểu bối cảnh rộng lớn hoặc thực hiện nhiều nhiệm vụ, nhưng quá nhiều dự án ML có tham vọng lớn lao và mục tiêu rộng lớn như “cải thiện bộ phận này.”

Điều này làm cho việc thiết lập các trường hợp thử nghiệm có liên quan trở nên quan trọng để chuyển đổi những người hoài nghi thành những người ủng hộ. Một thử nghiệm thành công cung cấp cho bạn các kết luận phân tích dữ liệu cần thiết để hướng dẫn trí tuệ nhân tạo chủ động và ra quyết định kinh doanh, cũng như chứng minh giá trị kinh doanh.

Đối với hầu hết các tổ chức, chướng ngại vật chính là tìm kiếm trường hợp sử dụng thử nghiệm phù hợp. Một khái niệm thử nghiệm khả thi phải cụ thể và phù hợp với các mục tiêu kinh doanh của bạn. Ví dụ, xem xét các giao dịch để xác định gian lận có thể xảy ra, hoặc quyết định khi nào nên lên lịch bảo trì cho các loại máy móc khác nhau.

Dưới đây là bốn câu hỏi để hỏi và tìm ra trường hợp sử dụng phù hợp giúp thúc đẩy việc áp dụng ML.

Đâu Là Những Điều Căn Bản?

Lo lắng đầu tiên là mức độ sai sót bạn có thể chấp nhận, vì sự khoan dung đối với thất bại của bạn ít nhất cũng quan trọng như hiệu suất của mô hình. Các trường hợp sử dụng khác nhau có những hậu quả khác nhau khi mô hình sai, điều này ảnh hưởng đến sự phù hợp của chúng cho việc triển khai.

Khi chi phí của sai sót thấp hơn, bạn có nhiều không gian hơn để thử nghiệm với logic mô hình. Ví dụ, một mô hình đề xuất các ưu đãi tiếp thị cho các đối tượng khác nhau có thể có độ chính xác thấp hơn so với mô hình hướng dẫn chăm sóc y tế.

Tốt nhất là bắt đầu với các trường hợp sử dụng có rủi ro thấp, giá trị cao, liên quan đến các lĩnh vực mà sai sót có thể được sửa chữa dễ dàng và hậu quả của sai sót là有限. Khi rủi ro kinh doanh, quy định hoặc danh tiếng tăng lên, sự giám sát của con người cũng nên tăng lên.

Bạn Có Dữ Liệu Đúng?

Dữ liệu là điều cần thiết cho mọi dự án ML hiệu quả. Nhiều thí nghiệm thất bại vì thiếu dữ liệu hơn là do mô hình yếu, vì vậy hãy đảm bảo rằng dữ liệu của bạn được tinh chỉnh, phù hợp, được gắn nhãn tốt và thu thập nhất quán. Sự hợp tác giữa đội kinh doanh và đội dữ liệu là chìa khóa ở đây.

Dữ liệu sản xuất có thể khác với dữ liệu thí nghiệm, khiến mô hình thất bại trong sản xuất ngay cả khi chúng hoạt động tốt trong thí nghiệm. Đôi khi dữ liệu thế giới thực quá ồn ào, chậm trễ hoặc không thể tiếp cận để hỗ trợ mô hình.

Dữ liệu và tín hiệu không phải là cùng một thứ. Các tín hiệu dự đoán là quan trọng để giải quyết một vấn đề kinh doanh, vì vậy dữ liệu của bạn phải bao gồm các mẫu lịch sử và tính năng liên quan để có thể hỗ trợ dự đoán đáng tin cậy. Một số vấn đề đơn giản không thể dự đoán, vì vậy hãy ưu tiên các trường hợp sử dụng đã có nguồn dữ liệu được quản lý, lặp lại, dễ tiếp cận.

Đâu Là Các Chỉ Số Thành Công?

Bạn sẽ gặp khó khăn trong việc chứng minh thành công nếu bạn không chắc chắn thành công trông như thế nào, vì vậy hãy định nghĩa mục tiêu của mình ngay từ đầu. Bạn muốn cung cấp ROI kinh doanh, không chỉ là một mô hình chính xác cao, vì vậy hãy gắn hiệu suất mô hình với tác động kinh doanh thực sự. Hãy rõ ràng về các mục tiêu kinh doanh của bạn và xác định các KPI chứng minh thành tựu thực sự.

Hãy đảm bảo rằng bạn có thể đo lường và xác nhận đóng góp của can thiệp ML của bạn. Ví dụ, nếu bạn đang thử nghiệm một dự án ML để cắt giảm việc rời đi của khách hàng, bạn có thể chứng minh rằng việc giữ chân khách hàng tăng lên là do khả năng của mô hình trong việc xác định khách hàng không hài lòng trước khi họ rời đi, chứ không phải do các yếu tố khác như khuyến mãi chung, nhu cầu theo mùa hoặc thay đổi giá?

Hãy nhớ rằng đối với các bên liên quan của dự án, sự tin tưởng và an toàn thường ít nhất cũng quan trọng như hiệu suất. Bạn sẽ cần phải chứng minh khả năng giải thích và an toàn cũng như ROI và các loại tác động kinh doanh khác.

Đâu Là Những Điều Đằng Sau Các Kết Quả Bạn Mong Muốn?

Các dự án ML thành công nhất khi chúng được tích hợp vào các quy trình kinh doanh hàng ngày, điều này có nghĩa bạn phải hiểu đầy đủ các quy trình đó. Hãy lập bản đồ về cách quyết định được đưa ra trong tổ chức của bạn, theo dõi ai đưa ra quyết định, thông tin họ sử dụng, quy tắc họ tuân theo và nơi xuất hiện các điểm nghẽn.

Điểm nghẽn thường là nơi tốt nhất để áp dụng ML. Hãy tìm kiếm các quyết định được đưa ra thường xuyên nhưng theo các mẫu hoặc hướng dẫn nhận biết và nghĩ về cách dự đoán ML sẽ phù hợp với quy trình làm việc này. Mô hình của bạn nên làm cho bước trong quy trình trở nên dễ dàng hoặc tự động hóa hơn chứ không hoạt động độc lập.

Tốt nhất là bạn nên nhờ sự giúp đỡ từ các chủ sở hữu quy trình và chuyên gia lĩnh vực, vì họ là những người có khả năng biết quyết định nào quan trọng, khi nào xảy ra ngoại lệ và nơi thực hiện sẽ có tác động lớn nhất. Đây cũng là những người có khả năng trở thành người ủng hộ dự án khi lãnh đạo xem xét việc đưa thử nghiệm của bạn vào sản xuất.

Đưa Dự Án ML Của Bạn Đến Thành Công

Xây dựng thử nghiệm đúng là điều quan trọng để cho phép ML vượt qua giai đoạn thử nghiệm và đi vào thực thi. Tìm kiếm các trường hợp sử dụng cụ thể có các chỉ số thành công rõ ràng, rủi ro thấp, nền tảng dữ liệu mạnh và vai trò rõ ràng trong các quy trình kinh doanh rộng lớn hơn có thể giúp bạn chứng minh ROI, thu hút sự ủng hộ của các bên liên quan và thúc đẩy thành công kinh doanh. Việc tìm kiếm người lái đúng là điều quan trọng để cho phép ML vượt qua giai đoạn thử nghiệm và đi vào thực thi. Tìm kiếm các trường hợp sử dụng cụ thể có các chỉ số thành công rõ ràng, rủi ro thấp, nền tảng dữ liệu mạnh và vai trò rõ ràng trong các quy trình kinh doanh rộng lớn hơn có thể giúp bạn chứng minh ROI, thu hút sự ủng hộ của các bên liên quan và thúc đẩy thành công kinh doanh.