AI Projeleri Bir Nedenle Başarısız. Sizinkiler Nasıl Başarılı Olur?

Verilerinizden başlamayın. En önemli olan sorun bu.

“Tonlarca veri var. AI ile bundan nasıl faydalanabiliriz? ”

Bu, giderek artan sayıda şirketin günlük olarak sorduğu soru.

Yapay zeka çılgınlığı, büyük ve küçük kuruluşlar arasında bir FOMO (eksiklik korkusu) duygusu yaratıyor. Ya hepimiz AI'dan faydalanamazsak ve yarışmanın gerisinde kalırsak?

Elbette, tüm bu soruları sormakta hakikaten adil bir pay var. Ancak, önemli bir uyarı var.

AI projelerinize doğru açıdan yaklaşmalısınız.

Şirketler AI’yı nasıl kullanıyor?

Başkalarının bu dalgayı yakalamalarına yardım konusunda uzmanlaşmış bir şirkette çalışmak, sıklıkla AI'yı şirketlerine de getirmek isteyen yöneticiler ve proje yöneticileri ile konuşuyoruz.

Bazı istisnalar dışında, bu şirketler iki kategoriye ayrılır:

  1. AI ile ne yapmak istediklerini bilen ve oldukça detaylı bir eylem planı olan vizyon sahibi şirketler var.
  2. Bununla birlikte, çoğu zaman, şirketlere şu satırlar boyunca bir şeyler görünen bir eylem planı ile karşılaşıyoruz:
  • Veri al
  • Makine öğrenmesini uygulayın
  • ????
  • kâr

Şimdi hiçbir şekilde bu 4 aşamalı eylem planı aptalca veya% 100 yanlış değil. İlgili verilere ihtiyacınız var. Makine öğrenmesi muhtemelen onu faydalı bir şeye çevirmeye yardımcı olacaktır. Ve elbette, projeden bir miktar değer elde etmek isteyeceksiniz.

Bu planda yanlış olan tek bir şey var.

Bazı kilit unsurları kaçırıyor.

Veri projelerinin adil bir payı üzerinde çalıştıktan sonra, bazı projelerin başarılı olmasına ve bazılarının ölmesine neden olurken birkaç önemli şey gördük.

Peki, makine öğreniminizi pozitif bir yatırım getirisi getirme olasılığını artıracak sihirli içerikler nelerdir?

Bugün, belki de sizinki gibi şirketlerin nerede durduğunu anlayarak başlayalım.

Çoğu işletme, küçük olanlar bile, çok büyük miktarda veri üretir. Bu her türlü veri olabilir. Örneğin, herhangi bir günlük türünü düşünün: kullanım günlükleri, iletişim günlükleri… Herkesin günlükleri var!

Şimdi bir dizi iş verisinde oturduğunuzu hayal edin… Çoğu şirket liderinin ilk sonucu ...

“Tonlarca veriye sahibiz - bunun dışında ilginç bir şey yapabilir miyiz?”

Buna Önce Veri yaklaşımı diyelim.

Veri ilk yaklaşımı ile ilgili sorun

İnsanların AI projelerine veriden başlamak istemelerinin basit nedeni, ellerinde olanın olmasıdır.

Ve insanların elektronik tabloları ve SQL kullanarak büyük miktarlarda veriyi anlamalarının gerçekten, gerçekten zor olması nedeniyle, her şeyi anlamlandırmak için makine öğrenmesini uygulamak istiyoruz.

Tüm verilerimizi makinelere vermek ve onların iş fikirlerine dönüşmesini ve kâr etmelerini izlemek hoş olmaz mıydı?

Ama bu genellikle olan şey değil.

Gerçekleşmesi daha muhtemel olan, bir çok akıllı insanın hipotezler oluşturacak ve bunları verileriyle test edeceğidir. Sonuç olarak, şirketin iş tarafıyla bir ilgisi olan birkaç model bulabilirler.

Ancak, Data First makine öğrenme projelerinin çoğu, optimal olmaktan uzaktır.

Neden?

“AI projeleri başarısız oluyor, çünkü şirketlerin sorduğu sorular çoğunlukla yanlış ya da işle ilgisiz”.

Buna sonuçları dağıtmanın ve bunları ekibinizin iş akışına entegre etmenin maliyetini de ekleyin. Bir noktada, birileri kazançların maliyetleri karşılamadığını anlayacaktır. Makine öğrenmesinde hayal kırıklığı yaratır ve AI hype treninin çığlığını durdurma planlarını tamamlar.

Basitçe söylemek gerekirse, AI projelerinize AI'nın cevap verebileceğini düşündüğünüz sorular sorarak başlarsanız, muhtemelen ...

  1. Bunları çözmek için AI’ya ihtiyaç duymayan sorular sorun
  2. düşük etkili problemleri çözmek için çok zaman harcamak

Peki sen ne yapacaksın? Makine öğrenmesini işletme verilerinize uygulamıyor musunuz?

Bu, optimal çözümden uzak.

Önce Problem Yaklaşımını Girin

Makine öğrenmesini işletme verilerinize uygulamanın alternatif bir yolu var. Ve bu ikinci çözümde çok daha fazla şirketin başarılı olduğunu gördük.

Bu diğer seçeneğe İlk Problem Sorunu yaklaşımı denir.

Zaten çok fazla veri içeren olgun bir işletmeyi işlettiğinizi düşünelim. Ve bunun için iyi bir amaç bulmak istiyorsun.

Sadece bu kez, bu verilerdeki örnekleri kör bir şekilde aramaya başlamak yerine, şirketinizdeki çeşitli işlemlerden sorumlu kişilerle konuşacaksınız. Bu kişiler, şirketinizin farklı taraflarını ve faaliyetlerini en iyi bilir ve en büyük etkiye sahip sorunları ortaya çıkarabilir.

“AI'dan doğru soruları sormaya en uygun kişiler ekip üyelerinizdir.”

Bu insanlardan, mümkün olduğu kadar çözülebilecekleri bir dizi sorunu tanımlamalarını isteyin. Bu da iyileştirilmesi gereken bir süreç olabilir.

Örneğin, AI ile çözülebilecek sorunlar şunlar olabilir:

  • Müşterilerimizin karmaşasını ne tetikliyor?
  • Gemiye binme sürecimizi nasıl daha etkin hale getirebiliriz?
  • Üretim hattımızdaki maliyetler nasıl düşürülür?
  • Hatalı ürünün müşterilere gönderilmesini nasıl önleyebilirim?
“Sadece çözmeniz gereken sorunları öğrendikten sonra cevabın verilerde bulunup bulunmadığını sorabilirsiniz.”

AI'dan doğru soruları nasıl sorabilirim?

Çalışanlarınızın AI konusunda daha önce hiçbir tecrübesi yok.

Bu nedenle, bu sorun kümesini tanımlamanın büyük bir kısmının, makine öğrenmesinin yetenekleri ve kısıtlamaları ile ilgili tam olarak bilgi sahibi olmayan insanlara bağlı olduğunu unutmamalıyız.

Ekip üyelerinize, bir iş sorununun makine öğrenimi kullanılarak otomatik hale getirilip getirilmeyeceğine karar vermeleri için en azından biraz kısaca fikir verme sürecine dahil olmalarını sağlamak mantıklıdır.

Genel bir kural olarak, aşağıdaki iki soruyu bu amaç için yararlı buluyorum.

1. Bir insan bir saniyeden daha kısa sürede yapabilir mi? - kredi: Andrew Ng

“Model tanımada insanlar harika. Her yerde desenler görüyoruz. Hiçbiri olmasa bile! ”

Örüntü algılama görevi, bir kişinin bir saniyeden daha kısa sürede yapabileceği kadar basitse, bir makineye aynı görevi aynı doğrulukta, ancak çok daha hızlı yapmasını öğretme şansınız vardır.

Bu görevler, görüntüde bir kedi ya da köpek olup olmadığına karar vermek gibi herkesin yapabileceği basit algılama görevlerini içerir. Ancak aynı zamanda bir bileşenin yakında bakıma muhtaç olup olmadığına karar vermek için sensör verilerini izleme gibi daha karmaşık görevleri de içerir.

Bu alandaki makine öğrenmeye ilişkin bazı iyi ve zevkli örnekler, telefonlarda kullanılan yüz tanıma ve sesli komutlardır.

Potansiyel sorun:

AI ile insan görevlerini otomatikleştirirken karşılaşılan yaygın bir sorun, görevlerin ne kadar karmaşık hale geldiği, ihtiyaç duyduğunuz eğitim verilerinin artmasıdır. Örneğin, bir insan yüzünün şeklini tanıyabilecek bir makine inşa etmek oldukça basittir.

Bununla birlikte, milyarlarca farklı yüz arasında doğru bir şekilde ayrım yapabilen bir makine inşa etmek, pozitif bir yatırım getirisine sahip olmanızın muhtemel olmadığı bir girişimdir.

Bu nedenle, her zaman bir çözüme ne kadar karmaşık olmanız gerektiğini gerçekten düşünmelisiniz.

Ortaya koyabileceğiniz başka bir soru daha var.

2. Görebildiğim bir desen var mı, eğer hepsini bir elektronik tabloya sığdırabilirsem?

“Sorunuzun cevabının sahip olduğunuz verilerde bulunabileceğine inanmak için sağlam bir mantık olduğunu düşünüyor musunuz?”

Örneğin:

“Veriler, ürünümün kullanım modelleriyle ilgilidir, bu nedenle çalkalama nedeninin bu verilerden çıkarılabileceği mantıklı.”

Verilerinizle sorun arasında doğru bağlantıları yapmak zor olabilir. Ne de olsa, bir karar vermeniz gerekiyor ve mantığınız yanlış olabilir.

Peki bu yaklaşımı kullanmak için doğru durumlar nelerdir?

Şirketiniz için büyük bir değer yaratabilecek ve küçük bir riske değer olabilecek bir şeyi, çözmeye çalışmaya değer yüksek etkili projeler arayın.

AI projelerinize öncelik verin

Çözülecek bir sürü soru veya problemi topladıktan sonra, bunları bir listeye koymaya başlayın.

Hem makine öğrenim uzmanlarının hem de kilit çalışanlarınızın bu sürece dahil olması çok önemlidir.

Sorunlarınıza göre öncelik verin:

  • Problemi çözme potansiyeli ortaya çıkacaktır
  • Makine öğrenimi projesinin zorluğu
  • Her konuyu çözmenin aciliyeti

Ve son olarak, sorulması gereken bir önemli soru daha var:

“Makine öğrenimi projesi her durumda en uygun çözüm mü?”

Bir bilgisayar vizyonu projesinin size her gün X miktarından tasarruf etmesini sağlaması iyi olabilir, ancak yüksek risk taşıdığı ve tamamlanması bir yıldan fazla sürdüğü için, çok az anlam ifade ediyor.

Dikkatli bir düşünmeden sonra, verilerinizi kullanarak çözebileceğiniz gerçek iş sorunlarının bir listesi olacaktır.

İlk Veriye Karşı İlk Sorun yaklaşımı

Öyleyse Data First ile Problem First yaklaşımı arasındaki temel fark nedir?

Birincisi, İlk Sorun yaklaşımı, bir grup meşgul insanı bir araya getirme ve zamanlarını kuruluşunuzun darboğazları üzerinde çalışarak geçirmelerini isteme konusunda bazı ekstra çabalar gerektirir.

Öte yandan, bu fazladan çalışmayı başararak, hem çözülebilir hem de şirket için uzun vadeli bir fayda sağlayacak çok spesifik ve iyi tanımlanmış bir dizi soruna birlikte varacaksınız.

“İlk Sorun yaklaşımıyla, hem çözülebilir hem de şirket için uzun vadeli bir fayda sağlayacak çok spesifik ve iyi tanımlanmış bir dizi soruna bir araya geleceksiniz.”

Problemin İlk Yaklaşımı'nın bir başka avantajı, başlangıçtaki tahminlerin spesifik olmaktan uzak olmasına rağmen, katılan herkesin en azından projenin zorluğu ve beklenecek sonuçlar hakkında genel bir fikir edinmesidir.

Doğru verilere sahip olduğunuzdan nasıl emin olabilirsiniz?

Doğru kar odaklı soru sorma süreci kulağa çok hoş geliyor, fakat henüz doğru işletme verisi yoksa ne olacak?

Öte yandan, bazı ek zekâlardan faydalanabileceğini düşündüğünüz bir ürününüz var.

Sorunlarınızı çözmek veya ürününüzü iyileştirmek için doğru verileri toplamaya başlamanın en etkili yolu nedir?

Burada en iyi sonuç, ürününüzün şu anda nasıl çalıştığını düşünmektir. Kendinizi, farklı noktalardaki çalışmalarını veya hızını yavaşlatan veya engelleyen ana sorunların neler olduğunu sorun.

Genellikle, ürünler veya hizmetler en iyi şekilde geliştirilebilir:

  • Bazı insan müdahalesinin gerekli olduğu yerlerde - bu insanlara daha verimli olmalarına ya da görevi tamamen kaldırmalarına yardımcı olup olamayacağınızı kendinize sorun.
  • Çok fazla sayıda müşteri olduğunda, ürününüzü daha çekici veya daha ilgi çekici hale getirebilir misiniz?
  • Görev alt düzeyde bir seviyede gerçekleştirilirken - otomatikleştirilebilecek veya hatta bırakılabilecek herhangi bir işlem yapılabilir adım var mı?

Geliştirmek istediğiniz adımların bir listesini yaptıktan sonra, potansiyel olarak üretebilecekleri değer düzeyine göre düzenleyin. Ardından, listenizdeki her bir öğenin zorluk seviyesini değerlendirmeye yardımcı olan bir makine öğrenme uzmanı bulun.

Bazı sorunların makine öğrenmesiyle çözülemeyeceği veya görev başında çalışan bir kişinin günlük olarak çalışmasının daha etkili olacağı iyi anlaşılabilir.

“Sorunlarınızın bazılarının makine öğrenmesiyle çözülemez olduğu veya görev üzerinde çalışan bir kişinin daha verimli olacağı iyi bir sonuç olabilir.”

AI ile geliştirilebilecek alanlardan bazılarını öğrendikten sonra, sorunu çözmek için gerekli verilerin nasıl toplanacağına dair bir plan yapmalısınız. Ayrıca, veri toplamadan yürütmeye kadar tüm sürecin ne kadar zaman ve kaynak alacağına dair bir değerlendirme yapın.

Sonuç olarak, AI ile ürün / iş süreçlerinizi geliştirmek için net bir yol haritasına sahip olacaksınız. Ayrıca, potansiyel değerin nerede olduğunu da bileceksiniz.

Anahtar teslim paketler

Makaleyi okudunuz, ancak hepsini şirketinizin yararına nasıl kullanacağınızdan emin değil misiniz?

İşte almanız gereken bazı önemli noktalar:

  1. İlk önce problem yaklaşımını kullanın
  2. Takımınızı karar sürecine dahil edin
  3. Sorunu çözmek için gerçekten ML / AI kullanmanız gerektiğine emin olun
  4. AI projelerinizi etkilerine göre önceliklendirin
  5. Veri toplama işleminizin optimum olduğundan emin olun

Okuduğunuz için teşekkürler! Eğer beğendiyseniz, lütfen cla'ı alkışlayarak ve gönderiyi paylaşarak destekleyin. Aşağıda bir yorum bırakmak için çekinmeyin!

Yazar hakkında: Markus Lippus, işletmelerin işletme verilerinden daha fazla yararlanmasına yardımcı olan bir AI geliştirme şirketi olan MindTitan'da Kurucu ve Veri Bilimcisidir. Çok çeşitli makine öğrenme danışmanlığı ve geliştirme projelerini kapsayan hem yeni başlayan hem de büyük ölçekli firmalarla çalışıyoruz. Hakkımızda web sitemizden daha fazla bilgi edinebilirsiniz.