# 1: mida masinõpe teie ettevõtte heaks teha saab ja kuidas seda välja mõelda

See on 6-osalise õppematerjali 1. osa, samm-sammult PM-juhend masinõppel põhinevate toodete ehitamiseks. Tervisesarja ülevaate saamiseks klõpsake linki.

Investeerimine ML-i on nagu investeerimine mobiili 10 aastat tagasi - see võib muuta teie äri

Olemasolevate andmete pärimine teadmiste jaoks on hästi tuntud ja laialt levinud distsipliin. ML on aga andmete analüüsimisel järgmine piir. See on distsipliin, kus arvutiprogrammid teevad ennustusi või ammutavad teadmisi andmete põhjal tuvastatud mustrite põhjal ja suudavad neid teadmisi kogemustega parandada - ilma, et inimesed neile selgesõnaliselt ütleksid, kuidas seda teha. Kuna organisatsioonidel on juurdepääs rohkematele andmetele, võimaldab masinõpe neil saada andmete põhjal teadmisi mastaapides, detailsuse tasemel, mis ulatub ühe kasutaja interaktsioonist kuni ülemaailmsete suundumuste ja nende mõjuga planeedile. Nende teadmiste kasutamine võib ulatuda ka üksikute kasutajate kogemuste kohandamisest piksli tasemel uute toodete ja ärivõimaluste loomiseni, mida praegu pole. Pange tähele, et ML-i abil saate sisemiste andmete kasutamisest kaugemale jõuda - ML-i võimu saab sageli suurendada, sisenedes sisemiste andmetega väliste andmetega, et saada uusi teadmisi, mis varem polnud võimalikud.

Frank Chenil ettevõttest A16Z on suurepärane alus tehisintellekti võimalike rakenduste kohta, millest paljud eeldavad või vajavad masinõpet. Mõned neist rakendustest on tulevikku suunatud ja pole olemasoleva tehnoloogiaga veel saavutatavad, kuid annavad võimalustest suurepärase ülevaate.

Nii nagu tarbijaettevõtted hakkasid 8–10 aastat tagasi mõtlema mobiiltelefoni investeerimise peale, on ka nüüd aeg ettevõtetel uurida ML-i kui tehnoloogiat, mis aitab äritulemusi saavutada. Ettevõttel, kes keskendub olemasoleva ML-tehnoloogia võimendamisele, on mitu peamist teemat, mida ML võimaldab teil teha. Need ei ole ammendavad ega üksteist välistavad, vaid esindavad erinevat vaatenurka võimaliku mõju kohta teie ettevõttele:

  • Kasutaja keskkonna, kogemuste ja süsteemireaktsioonide massiline kohandamine. Kujutage ette, et kõike, mida inimene teeb või näeb, saaks kohandada eriti nende jaoks ning isegi ette näha nende vajadusi ja käitumist. See sisaldab soovitusi toodete või teenuste kohta, järjestatud nende olulisuse taseme järgi; kohandatud kasutajakogemus või vood, mis põhinevad teie teadmistel kasutaja, tema käitumise, teiste sarnaste inimeste või väliste andmete põhjal, sealhulgas ennustades, mida nad järgmisena teha tahaksid jne. Väiksemas plaanis võib see tähendada kogemuse kohandamist erinevatele segmentidele. pigem kasutajad kui üksikisikud.
  • Võimalus objekte visuaalselt tuvastada ja kogemusi vastavalt automatiseerida või kohandada. Tänapäeva tehnoloogia suudab tuvastada fotode ja videote objekte, sealhulgas reaalajas nukkides. Pinterest kasutab seda, et soovitada sarnaseid / täiendavaid objekte kasutaja fotol olevatega; Facebook kasutab näotuvastustehnoloogiat, et soovitada sõpradel fotol sildistada, Amazon ehitab automaatse kaupluse kassasse, mis põhineb objektide visuaalsel tuvastamisel jne.
  • Sisu automaatne otsimine, genereerimine või töötlemine. ML võimaldab otstarbekalt töödelda tohutul hulgal sisu maailmas. Levinum kasutusviis on dokumentide otsimine - nt. kõigi juriidilises asjas oluliste dokumentide leidmine (pange tähele, et see ulatub kaugemale vaid märksõnadest kontekstiotsingus), dokumentide klassifitseerimine teema ja märksõnade järgi, sisu automaatne kokkuvõte, asjakohase teabe eraldamine suure hulga sisust - nt. müügilepingutes spetsiifiliste tingimuste leidmine jms. „Sisu” kehtib siin igat tüüpi meediumite, mitte ainult teksti kohta.
  • Prognoosid, hinnangud ja suundumused skaalal. ML võimaldab ennustada, mis on väga kulukad või muul viisil keerulised. ML on eriti kasulik selliste ennustuste tegemisel, mis nõuavad muidu kõrgetasemelist asjatundlikkust, näiteks kodu hind, või on inimesel isegi võimatu selliseid teha, näiteks millise sisuga saab sotsiaalmeedias hästi hakkama. Masinad saavad andmete suundumusi tuvastada ka enne, kui need inimestele ilmsiks saavad.
  • Ebatavalise tegevuse või süsteemirikete tuvastamine. Igas süsteemis on tõrkeid ja probleeme, kuid ML võimaldab teil mitte ainult tuvastada, kas probleeme tekib, vaid ka seda, kas need probleemid on ebaharilikud ja murettekitavad. See on eriti kasulik erinevates seire- ja turvasüsteemides.

Strateegilisest vaatenurgast võib ML juhtida mitut tüüpi äritulemusi:

  • Täiustatud kogemus ja funktsionaalsus teie klientidele. Kõige tavalisem kasutusjuhtum on massiline kohandamine - kiiremini ja tõhusamalt leiate oma klientidele olulisemaid tooteid, nt. nende parimad vasted tutvumisaitidel, laulud, mis neile võiksid meeldida muusikasaitidel, tooted, mida nad võivad ostmisest huvitatud olla. Muu kasutamise juhtum kasutab ennustusi, et saada neile teavet olemite või olukordade kohta, mida neil muidu poleks. See võib olla üldine - nt. Zillow's Zestimate hindab maja ühesuguseks, olenemata sellest, kes seda vaatab, või on kohandatud vastavalt konkreetsele kliendile - nt hinnangu, mille kasutaja tõenäoliselt annab filmile, mida nad pole oma konkreetse maitse järgi näinud.
  • Sisemised funktsioonid, protsessid ja äriloogika. Masinõpe võib säästa teie aega ja muuta ressursside investeeringud äriprotsesside ja otsuste tegemisel tõhusamaks. Näiteks: laenu pakkuv ettevõte soovib tähtsustada oma potentsiaalsete laenutaotlejate teavitamist. See peab kindlaks määrama, kes soovib piisavalt laenu, et seda pakkumise korral tegelikult võtta, kuid tõenäoliselt suudab selle siiski tagasi maksta. Kõige krediidivõimelisemate klientide tähtsuse järjekorda seadmine ei pruugi olla vastus, kuna neil klientidel on tavaliselt palju võimalusi ja nad konverteerivad vähem tõenäolisemalt, seetõttu on vaja keerukamat mudelit.
  • Laienemine uutele vertikaalidele ja uutele toodetele. Andmed võivad aidata teil avada täiesti uusi ärivõimalusi - luua oma olemasolevatele klientidele täiesti uusi tooteid või teenindada segmente või kliente, keda te pole varem teenindanud. Näiteks: Netflix saab teenindada stuudioid, mis ei olnud peamised sihtrühmad, müües neile oma andmete põhjal teavet selle kohta, millised teemad ja süžeeliinid töötavad selle jaoks; Zillow võib aidata kinnisvaraarendajatel mõista, millised ehitiste omadused annavad neile suurima investeeringutasuvuse jne.

Otsus, millist valdkonda kõigepealt käsitleda, peaks sõltuma võimalikust ärimõjust, samuti probleemi keerukusest ja selle mõju saavutamise kuludest.

„Peame oma andmetega midagi ette võtma“ on strateegia, mitte andmeteaduse probleem

Paljud ettevõtted soovivad palgata andmeteadlasi - inimesi, kes loovad ML-mudeleid, sest “me peaksime oma andmetega midagi ette võtma”. Olen kuulnud, kuidas paljud tuntud ettevõtete juhid ütlevad, et „näeme, et meie konkurendid ostavad andmeid, nii et peame seda tegema, et konkurentsis püsida”, ja siis palkavad paar andmeteadlast palkama, lootes, et nad tulevad kokku mõne maagiaga. See toob mind ML-i kohta suure väärarusaama juurde.

ML pole teie ettevõtte jaoks võlukepp. ML-i esimene väljakutse on välja selgitada, millist mõju tehnoloogiale eesmärk on suunata. ML on lahendus - kõigepealt peate probleemi määratlema: milliseid äritulemusi loodate ML-iga saavutada? Mis kasu saab ML teie klientidele pakkuda? ML on haamer - aga kui sul pole naela, pole haamrist eriti kasu. Klišee veelgi venitamiseks on ML tohutult mitmekesine haamerkomplekt ja see, millise küünte teil on, määrab, millise haamri valite ja kuidas seda kasutate. Täpne probleem, mida proovite lahendada, dikteerib kõik - kuidas tulemust kasutatakse, mida teie mudel peaks ennustama ja kuidas seda tuleks kalibreerida, milliseid andmeid te kogute ja töötate, milliseid algoritme testite ja palju muid küsimusi.

Selle keskmes on „millist probleemi me lahendame?“ On äriküsimus, mis tähendab, et selle määratlemine on lõppkokkuvõttes tootejuhtide ja ärijuhtide, mitte andmeteadlaste vastutus. Andmeteadlased ja muud sidusrühmad peaksid määratluse määratlemisse olema absoluutselt kaasatud - ärge lihtsalt heitke neile küsimust ja oodake, et nad tuleksid vastustega tagasi. Kui teil on andmeid, mida te ei tea, mida teha, viige läbi intervjuusid kliendiga ja mõelge teiste klientidega silmitsi seisvate inimestega kogu organisatsioonis. Andmeteadlased võivad aidata teil oma andmeid uurida, mõtteid koostada ja korrata, kuid kui neil pole palju probleemse kosmosealaseid teadmisi, oleks neil keeruline iseseisvalt ettevõtlusega tutvuda. ML-i väärtuse suurendamiseks äritegevuses vajate pidevat koostööd tootejuhtide ja andmeteadlaste vahel, kus tootejuhtide kohustus on tagada, et lahendatavad probleemid oleksid ettevõttele kõige mõjukamad.

Lahti pakkimine, kuidas ML saab teie ettevõtet edasi viia

Ehkki võimalusi ML-ga on lõputult, on teatud küsimusi, mida võiksite küsida, et selgitada välja, kuidas see tehnoloogia saaks teie organisatsioonis rakenduda. siin on mõned näidised:

Sisemised protsessid

  • Kus kasutavad minu ettevõtte inimesed täna teadmisi, et teha otsuseid, mida saaks automatiseerida, et nende oskusi saaks mujal paremini kasutada?
  • Milliseid andmeid minu ettevõtte inimesed tavaliselt teatud teabehoidlatest otsivad, koguvad või käsitsi kaevandavad ja kuidas seda automatiseerida?
  • Milline on otsuste komplekt, mida inimesed minu ettevõttes teevad? Kas neid otsuseid saab mõeldes teha masin, kui see maagiliselt seob kõik andmed, mis minu inimestel on?

Tooted ja kogemused olemasolevatele klientidele

  • Milliseid osi minu klientide suhtlusest inimesed kohandavad ja masinad võivad neid kohandada?
  • Kas ma jagan oma kliendid selgelt vastavalt nende eelistustele, käitumisele ja vajadustele? Kas minu toode / kogemus on kohandatud iga segmendi jaoks?
  • Kas ma saan kohandada kogemusi iga kliendi jaoks vastavalt sellele, mida ma nende kohta tean või nende suhtlemisest minu saidi / rakenduse / tootega? Kuidas saaksin neile parema, kiirema või muul moel vaimustavama kogemuse luua?
  • Täpsemalt, milliseid otsuseid ja valikuid palun täna oma klientidel teha? Kas neid otsuseid saab automatiseerida mingite teadmiste põhjal, mis mul juba on või võiksin olla?
  • Kuidas saaksin paremini tuvastada head ja halvad kliendikogemused? Kas ma saan tuvastada probleeme, mis mõjutavad negatiivselt klientide kogemusi või rahulolu enne nende ilmnemist või levikut?

Uued vertikaalid või kliendid

  • Kas mul on andmeid, mis võiksid olla kasulikud teistele tööstuse või sellega külgnevate tööstusharude sidusrühmadele? Milliseid otsuseid saab see aidata neil sidusrühmadel teha?

Kõik ülaltoodud

  • Millised on mõõdikud või suundumused, millel oleks õigesti ennustatuna tähenduslik mõju minu võimele oma kliente teenindada või muul viisil selles valdkonnas konkureerida, nt prognoositav nõudlus teatud tootekategooriate järele, kulude kõikumine jne?
  • Millised on peamised üksused, kelle kohta andmeid kogun (inimesed, ettevõtted, tooted jne)? Kas ma saan neid andmeid abielluda mis tahes väliste andmetega (avalikest allikatest, partneritelt jne) viisil, mis ütleb mulle nende üksuste kohta midagi uut või kasulikku? Kellele kasulik ja kuidas? Näiteks: tehke kindlaks potentsiaalsed kliendid, kui nad on teie toodet otsimas, mõistke, kuidas välised tegurid mõjutavad teie tööstuse nõudlust, ja reageerige vastavalt jne.

Mõningaid neist küsimustest (ja ka teistest) ajendage oma meeskonna ja organisatsiooni peamiste sidusrühmadega. Kui te pole kindel, kust alustada - alustage kuskilt. Lihtsalt mõne andmetega eksperimenteerimine aitab teil ja teie meeskonnal aru saada, kuhu saate sealt minna.

2. osas arutame kõiki ML-i tehnilisi termineid, mida PM-id peavad mõistma, kuidas teie probleemi määratlus mõjutab tehnoloogia valikut ja mõned modelleerimise lõksud, mida tuleb silmas pidada ja mis mõjutavad teie ettevõtet.

Kui leiate, et see postitus on huvitav, klõpsake palun allolevat rohelist südant, et mulle sellest teada anda, või jagate seda kellegi teisega, kellele see võib kasulikuks osutuda? See teeks mu päeva täielikult!