AI-projekter mislykkes af en grund. Hvordan får du dit succes?

Start ikke med dine data. Det er det problem, der betyder mest.

”Vi har masser af data. Hvordan kan vi bruge det med AI? ”

Det er spørgsmålet, som et stigende antal virksomheder stiller dagligt.

Mani til kunstig intelligens skaber en følelse af FOMO (frygt for at gå glip af) blandt store og små organisationer. Hvad hvis vi alle ikke bruger AI og bliver efterladt konkurrencen?

Der er bestemt en ret stor andel af sandheden ved at stille alle disse spørgsmål. Der er dog et vigtigt advarsel.

Du skal henvende dig til dine AI-projekter fra den rigtige vinkel.

Hvordan virksomheder bruger AI

Arbejder i en virksomhed, der er specialiseret i at hjælpe andre med at fange denne bølge, taler vi ofte med ledere og projektledere, der også ønsker at bringe AI til deres virksomheder.

Med nogle undtagelser falder disse virksomheder i to kategorier:

  1. Der er visionære virksomheder, der ved, hvad de vil gøre med AI, og som har en ret detaljeret handlingsplan fundet ud.
  2. Men ofte nok støder vi på virksomheder med en handlingsplan, der ser noget ud i denne retning:
  • Hent data
  • Anvend maskinlæring
  • ????
  • Profit

Nu er denne 4-trins handlingsplan på ingen måde dum eller 100% forkert. Du har brug for relevante data. Maskinlæring vil sandsynligvis hjælpe med at oversætte det til noget nyttigt. Og selvfølgelig vil du få en vis værdi ud af projektet.

Der er kun en ting galt med denne plan.

Det mangler nogle nøgleelementer.

Efter at have arbejdet med en rimelig andel af dataprojekter, har vi set et par nøglein ting, der får nogle projekter til at lykkes, mens andre svirrer og dør.

Så hvad er de magiske ingredienser, der vil gøre din maskinuddannelse mere tilbøjelig til at give et positivt ROI?

Lad os starte med at forstå, hvor virksomheder, måske inklusive dit, står i dag.

De fleste virksomheder, selv små virksomheder, genererer store mængder data. Dette kan være enhver form for data. Tænk for eksempel på enhver type logfiler: brugslogfiler, kommunikationslogfiler… Alle har logfiler!

Forestil dig nu, at du sidder på en bunke forretningsdata ... Den første konklusion for de fleste virksomhedsledere ville være ...

”Vi har masser af data - kunne vi gøre noget interessant ud af det?”

Lad os kalde dette Data First-metoden.

Problemet med Data First-metoden

Den enkle årsag til, at folk kan lide at starte AI-projekter ud fra data, er, at det er det, de har i deres hænder.

Og fordi det virkelig er virkelig vanskeligt for mennesker at give mening om store mængder data ved hjælp af regneark og SQL, ønsker vi at anvende maskinlæring for at give mening om alt det hele.

Ville det ikke være rart at give alle vores data til maskinerne og se dem forvandle det til forretningsidéer og overskud?

Men det er normalt ikke, hvad der sker.

Hvad der mere sandsynligt sker, er, at en masse smarte mennesker danner hypoteser og tester dem mod deres data. Som et resultat kan de muligvis finde et par mønstre, der har en vis relevans for virksomhedens forretningsside.

Imidlertid er de fleste af Data First-maskinindlæringsprojekter langt fra optimale.

Hvorfor?

”AI-projekter mislykkes, fordi de spørgsmål, virksomheder stiller, for det meste er forkerte eller irrelevante for virksomheden.”

Dertil kommer omkostningerne ved at implementere resultaterne og integrere dem i dit teams arbejdsgang. På et tidspunkt vil nogen indse, at gevinsterne ikke dækker omkostningerne. Desillusionering af maskinlæring følger og alle yderligere planer om at køre AI-hype-togskrik stoppes.

Kort sagt, hvis du starter dine AI-projekter ved at stille spørgsmål, som du tror, ​​at AI kan besvare, vil du sandsynligvis ...

  1. stille spørgsmål, der ikke har brug for AI for at løse dem
  2. bruge meget tid på at løse problemer med lav indvirkning

Så hvad skal du gøre? Anvender du ikke maskinlæring på dine forretningsdata?

Det er langt fra den optimale løsning.

Gå ind i problemet Første tilgang

Der er en alternativ måde at anvende maskinlæring på dine forretningsdata. Og vi har set langt flere virksomheder lykkes med denne anden løsning.

Denne anden mulighed kaldes Problem First-fremgangsmåden.

Lad os forestille os, at du driver en moden virksomhed, der allerede har masser af data. Og du vil finde et godt formål med det.

Kun denne gang, i stedet for at begynde at blinde søge efter mønstre i disse data, vil du tale med de mennesker, der er ansvarlig for forskellige processer i din virksomhed. Disse mennesker kender de forskellige sider og operationer i din virksomhed bedst og er i stand til at få frem de problemer, der har størst betydning.

”De mennesker, der er bedst egnede til at stille de rigtige spørgsmål fra AI, er dine teammedlemmer.”

Bed disse mennesker om at definere så specifikt som muligt et antal problemer, de har behov for at løse. Dette kan også være en proces, der skal forbedres.

F.eks. Kan de problemer, der kan løses med AI, være:

  • Hvad udløser vores kunders churn?
  • Hvordan gør vi vores onboarding-proces mere effektiv?
  • Hvordan reduceres omkostningerne i vores produktionslinje?
  • Hvordan undgår man, at defekt produkt bliver sendt til kunderne?
”Først når du kender de problemer, du har brug for, kan du spørge, om svaret kan findes i data.”

Hvordan man stiller de rigtige spørgsmål fra AI?

Dine medarbejdere har ingen tidligere erfaring med AI.

Derfor skal vi huske på, at en stor del af definitionen af ​​dette sæt problemer hviler på mennesker, som ikke nødvendigvis er godt fortrolige med evnerne og begrænsningerne i maskinlæring.

Det giver mening at give dine teammedlemmer, der er involveret i ideationsprocessen, i det mindste nogle kortheder til at beslutte, om et forretnings problem kan automatiseres ved hjælp af maskinlæring.

Som en generel regel finder jeg, at de følgende to spørgsmål er nyttige til dette formål.

1. Kunne en person gøre det på mindre end et sekund? - point: Andrew Ng

”Mennesker er gode til mønstergenkendelse. Vi ser mønstre overalt. Selvom der ikke er nogen! ”

Hvis en mønsterdetekteringsopgave er enkel nok til at en person kan udføre den på mindre end et sekund, er der en god chance for at du kan lære en maskine at udføre den samme opgave med lignende nøjagtighed, men meget hurtigere.

Disse opgaver inkluderer enkle opfattelsesopgaver, som enhver kan udføre, som at beslutte, om der er en kat eller en hund i et billede. Men de inkluderer også langt mere komplekse opgaver som overvågning af sensordata for at beslutte, om en komponent snart har brug for vedligeholdelse.

Nogle gode og relatable eksempler på maskinlæring på dette område er ansigtsgenkendelse og stemmekommandoer, der bruges på telefoner.

Potentielt spørgsmål:

Et almindeligt problem, når man automatiserer menneskelige opgaver med AI, er, at jo mere kompliceret opgaverne bliver, jo flere træningsdata får du brug for. For eksempel er det forholdsvis enkelt at bygge en maskine, der kan genkende formen på et menneskeligt ansigt.

At bygge en maskine, der nøjagtigt kan skelne mellem en milliard forskellige ansigter, er en bestræbelse, der er så vanskelig, at det usandsynligt har en positiv ROI.

Derfor skal du altid tænke, hvor kompleks en løsning du virkelig har brug for.

Der er også et andet spørgsmål, du kan stille ...

2. Er der et mønster her, som jeg kunne se, hvis jeg kun kunne passe det hele på et regneark?

"Tror du, at der er en sund logik til at tro, at svaret på dit spørgsmål kan findes i de data, du har?"

For eksempel:

"Dataene angår brugsmønstre på mit produkt, så det giver mening, at årsagen til kerne kunne trækkes ud af disse data."

Det kan være vanskeligt at oprette de rigtige forbindelser mellem dine data og et problem. Når alt kommer til alt er du nødt til at foretage et dømmekald, og din logik kan vise sig at være forkert.

Så hvad er de rigtige situationer til at bruge denne tilgang?

Se efter projekter med stor betydning, som det er værd at prøve at løse - noget, der potentielt kan generere en masse værdi for din virksomhed og er værd at være en lille risiko.

Prioriter dine AI-projekter

Når du har samlet en række spørgsmål eller problemer, der skal løses, skal du begynde at prioritere dem på en liste.

Det er meget vigtigt at have både maskinlæringseksperter og dine nøglemedarbejdere involveret i denne proces.

Prioriter dine problemer baseret på:

  • Den potentielle værdi til at løse problemet ville generere
  • Problemet med maskinlæringsprojektet
  • Det haster med at løse hvert problem

Og endelig er der et mere vigtigt spørgsmål at stille:

”Er maskinlæringsprojektet overhovedet den optimale løsning i hver situation?”

Det kan godt være, at et computervisionsprojekt sparer dig X mængde penge hver dag, men da det har en høj risiko og tager mere end et år at gennemføre, giver det ringe forretningsmæssige mening.

Efter en gennemtænkt overvejelse har du en liste over faktiske forretningsproblemer, du kan løse ved hjælp af dine data.

Data First vs. Problem First tilgang

Så hvad er den største forskel mellem Data First og Problem First tilgang?

For det første kræver problemet First-metoden en vis ekstra indsats for at samle en flok travle mennesker og bede dem om at bruge deres tid på at uddybe din organisations flaskehalse.

På den anden side, ved at lægge dette ekstra arbejde op, kommer du sammen til et sæt meget specifikke og veldefinerede problemer, der både kan løses og har en langsigtet fordel for virksomheden.

"Med Problem First-metoden kommer du sammen til et sæt meget specifikke og veldefinerede problemer, der både er løsbare og har en langsigtet fordel for virksomheden."

En anden fordel ved Problem First-metoden er, at selv om de indledende skøn vil være langt fra specifikke, vil alle involverede i det mindste have en generel idé om projektets vanskeligheder og resultater at forvente.

Hvordan kan du sikre dig, at du har de rigtige data?

Denne proces med at stille de rigtige profitorienterede spørgsmål lyder godt, men hvad nu hvis du ikke har den rigtige type forretningsdata endnu?

På den anden side har du et produkt, som du mener kan have gavn af en vis yderligere intelligens.

Hvad er den mest effektive måde at begynde at indsamle de rigtige data til at løse dine problemer eller forbedre dit produkt?

Det, der fungerer bedst her, er at tænke, hvordan dit produkt i øjeblikket fungerer. Spørg dig selv, hvad er de vigtigste problemer, der bremser eller hæmmer dets arbejde eller hastighed på forskellige punkter.

Normalt kan produkter eller tjenester bedst forbedres:

  • Hvor der kræves noget menneskeligt engagement - spørg dig selv, om du kan hjælpe disse mennesker med at være mere effektive eller fjerne opgaven helt.
  • Når der er et stort frafald af kunder - kan du gøre dit produkt klistret eller mere spændende?
  • Når opgaven udføres på et suboptimalt niveau - er der nogle handlinger, der kan håndteres, der kan automatiseres eller endda udelades?

Når du har lavet en liste over de trin, du gerne vil forbedre, skal du arrangere dem efter det niveau af værdi, de potentielt kan generere. Find derefter en maskinlæringsekspert, der hjælper med at evaluere vanskelighedsniveauet for hvert element på din liste.

Det kan godt vise sig, at nogle problemer ikke kan løses med maskinlæring, eller at det ville være mere effektivt at få en person til at arbejde med opgaven dagligt.

”Det kan godt vise sig, at nogle af dine problemer ikke kan løses med maskinlæring, eller at det ville være mere effektivt at have en person, der arbejder med opgaven.”

Når du har fundet ud af nogle af de felter, der kunne forbedres med AI, skal du lave en plan for, hvordan du indsamler de nødvendige data til løsning af problemet. Foretag også en vurdering af, hvor meget tid og ressourcer hele processen fra dataindsamling til udførelse vil tage.

Som et resultat har du en klar køreplan for forbedring af dine produkt / forretningsprocesser med AI. Du ved også, hvor det er den mest potentielle værdi.

Vigtige takeaways

Du læser gennem artiklen, men er lidt usikker på, hvordan du anvender det hele til din virksomheds fordel?

Her er nogle vigtige punkter, du skal fjerne:

  1. Brug problemet først
  2. Engagér dit team i beslutningsprocessen
  3. Sørg for, at du faktisk skal bruge ML / AI til at løse problemet
  4. Prioriter dine AI-projekter baseret på deres indflydelse
  5. Sørg for, at din dataindsamlingsproces er optimal

Tak for at have læst! Hvis du kunne lide det, skal du støtte ved at klappe og dele indlægget. Efterlad en kommentar leave nedenfor!

Om forfatteren: Markus Lippus er medstifter og dataforsker hos MindTitan, et AI-udviklingsfirma, der hjælper virksomheder med at få mere ud af deres forretningsdata. Vi arbejder både med startups og store virksomheder, der dækker en bred vifte af rådgivning og udviklingsprojekter inden for maskinlæring. Du kan finde ud af mere om os på vores hjemmeside.