凯利·默里是一位具有丰富经验的分析和人工智能专业人员，帮助组织将数据转化为商业价值。在ServiceNow（前身为Pyramid Analytics）的Pyramid公司担任高级员工外向产品经理，她在分析、机器学习和企业人工智能的交叉点工作，帮助企业开发策略，将新兴技术转化为可衡量的成果。
最近几个月，主动式人工智能（agentic AI）似乎占据了企业的聚光灯。 企业渴望使用它 来自动化任务，编排工作流，并与系统和客户进行交互。 但是，机器学习（ML），即主动式人工智能的被忽视的老兄，理应因其在使主动式人工智能工作流超越静态规则方面发挥的关键作用而受到关注。在许多企业用例中，ML可以提供预测、分类、推荐和风险评分，以帮助AI代理决定下一步采取什么行动。 例如，如果您使用AI代理来回答客户查询，ML可能会告知代理有关客户可能即将流失的迹象，从而触发相关的消息流程。然而，太多组织正在努力实施被认为是基本的ML项目，而这种滞后正阻碍他们从主动式人工智能中获得成功。 数字因行业基准不同而有所不同，ML项目的失败率最高可达85％。许多团队不知道如何开始实施机器学习，如何构思一个可以在大规模上部署的ML实验，或者如何让正确的利益相关者投资该项目。 在本文中，我将分享一些关于如何为ML项目设置最大成功机会的指针。为什么这么多ML项目无法启动？ML项目成功率不佳的主要原因有两个：要么用例没有被正确考虑，要么利益相关者不支持并且他们会否决这个想法。这些原因通常是同时发生的。 机器学习需要仔细管理才能获得良好的结果。 与此同时，商业世界中有很多人是怀疑论者，他们害怕改变，不信任机器学习，或者一般来说想把你的项目推到桌子上。如果您没有严格地设置您的试点，您就不会在您的组织中获得任何支持。 ML的成功需要深入到具体细节中。细节决定一切ML模型旨在解决特定、重复出现的问题，这些问题被狭义地定义，例如预测客户流失、检测欺诈或预测需求。 它不是用来理解广泛的上下文或执行多个任务的，但太多的ML项目有宏伟的雄心壮志和庞大的目标，例如“改善这个部门”。这使得建立相关的实验测试用例以将怀疑论者转变为冠军至关重要。 成功的试点为您提供了数据分析结论，以指导主动式人工智能和商业决策，以及证明业务价值。对于大多数组织来说，主要的绊脚石是找到合适的测试用例。 可行的实验概念必须既具体又与您的业务目标相关。 例如，检查交易以识别可能的欺诈，或决定何时为不同类型的机械安排维护。以下是四个问题，帮助您找到合适的用例，以推进ML的采用。什么是风险？首要考虑的是您有多少空间可以犯错，因为您的容忍错误的能力至少与模型性能一样重要。 不同的用例在模型出错时会有不同的后果，这会影响它们是否适合实施。当错误成本较低时，您有更多的空间来尝试模型逻辑。 例如，一个为不同受众推荐营销优惠的模型可以比一个指导医疗随访护理的模型具有更低的准确度。最好从低风险、高价值的用例开始，这些用例涉及容易纠正错误和错误后果有限的领域。 随着业务、监管或声誉风险的增加，人工监督也应增加。您是否拥有正确的数据？数据对于每个有效的ML项目都是至关重要的。 更多的实验由于数据不足而失败，而不是由于模型较弱，因此请确保您的数据是精炼的、相关的、标记良好的，并且以一致的方式收集。 业务团队和数据团队之间的合作在这里至关重要。生产数据可能与实验数据不同，这可能会导致模型在生产中失败，即使它们在试点中表现良好。 有时，现实世界中的数据太嘈杂、延迟或无法访问以支持模型。数据和信号不是同一件事。 预测信号对于解决业务问题至关重要，因此您的数据必须包含历史模式和相关功能，以支持可靠的预测。 一些问题根本不可预测，因此请优先考虑已经具有良好管理、可重复、可访问的数据源的用例。什么是成功的衡量标准？如果您不确定什么是成功，您将难以证明成功，因此请在前期定义您的目标。 您希望提供业务ROI，而不仅仅是一个高精度的模型，因此请将模型性能与真实的业务影响联系起来。 请明确您的业务目标，并找出那些表明真正成就的KPI。确保您可以衡量和确认ML干预的贡献。 例如，如果您正在测试一个ML项目以减少流失，您能否证明保留率的提高是由于您的模型能够在客户选择离开之前足够长时间内识别不满意的客户，而不是其他因素，例如一般促销、季节性需求或价格变化？请记住，对于您的项目的利益相关者来说，信任和安全通常与性能一样重要。...
