Масштабируйте ИИ для реальных бизнес-выгод: проверенные стратегии операционного успеха

Искусственный интеллект (ИИ) питвает новую норму для бизнеса во всех отраслях. Ритейлеры могут, например, использовать ИИ для прогнозирования заказов на закупку на основе исторических данных инвентаря для принятия интеллектуальных решений о пополнении запасов. Команды поддержки клиентов могут использовать ИИ для автоматического ответа и маршрутизации высокоприоритетных тикетов поддержки к нужным командам. Существует мир возможностей, где вы можете использовать ИИ, и специально ML, для достижения практических бизнес-результатов.

Согласно Deloitte Insights, 83% ранних пользователей корпоративного ИИ увидели положительный возврат инвестиций (ROI) от проектов в продакшне. К ним относились примеры такие как внедрение стороннего энтерпрайз-ПО с использованием ИИ, использование чат-ботов и виртуальных ассистентов, и рекомендательные движки для платформ электронной коммерции. 83% опрошенных компаний планировали увеличить расходы на ИИ в 2019 году. Из предприятий, инвестирующих в ИИ, 63% внедрили ML.

Построение стратегии для прагматичного использования ИИ и ML для достижения бизнес-целей — приоритет для многих предприятий. Для многих главная проблема успешной операционализации ML — это понимание, планирование и выполнение управления комплексным развертыванием ML по всей организации.

Главные соображения для операционализации ML

«Правильный» способ решения жизненного цикла науки о данных отличается от одной организации к другой. Множество попыток были сделаны для кодификации и стандартизации процедур жизненного цикла науки о данных. Однако ни один подход не включает потребности каждого предприятия.

Принятие устойчивой и поддерживаемой стратегии для данных и науки о данных — это вечно эволюционирующее упражнение, уникальное для каждого предприятия. Поскольку потребности, структура и возможности каждой компании уникальны, заинтересованные стороны из всего предприятия должны быть консультированы для построения гибкой и масштабируемой ML-модели и выполнения комплексной стратегии науки о данных.

Операционные вызовы и изменения инфраструктуры и практик разработки, которые каждое предприятие должно решить, будут отличаться.

Критично, чтобы ваша организация принимала во внимание свою культуру, системы и потребности, определяя и эволюционируя жизненный цикл науки о данных. Наличие базового фреймворка для представления между командами помогает развить общую основу для коммуникации, пока вы продолжаете развивать и эволюционировать свою операционализацию ML.

Давайте пройдемся по стандартному фреймворку, который может помочь вашей организации начать свой ML-путь.

Фаза первая: Определите свою проблему

В ядре любой ML-инициативы два вопроса:

1. Какую проблему вы пытаетесь решить?

2. Почему вы верите, что ML и лучшее понимание ваших данных могут помочь решить проблему под рукой?

Ответы на эти вопросы зависят от того, как ваша компания думает о стратегии и оценивает бизнес-проблемы.

Во время первой фазы ключевые стейкхолдеры должны собраться вместе, чтобы определить начальный объем проблемы и ее требования.

Фаза вторая: Поймите свои данные

Какая история ваших данных? Откуда приходят ваши данные, и сколько источников данных релевантно для помощи в решении вашей конкретной бизнес-проблемы?

В этой фазе предприятия фокусируются на:

• Картографировании релевантных источников данных и сред, в которых они живут (такие среды могут быть on-premises или в облаке, настроены как data warehouse, data lake или стриминговые платформы данных)

• Определении того, какие конвейеры данных сейчас существуют, и какие конвейеры данных нужно построить для валидации, очистки и исследования данных

• Понимании того, как часто данные обновляются

• Понимании надежности данных

• Оценке соображений и требований конфиденциальности данных

• Обеспечении исследования данных через визуализации, статистические свойства сырых и трансформированных данных и т.д.

Понимание ваших данных — не малая задача. Важно подходить к этой фазе итеративно. По мере того как вы узнаете больше о своих данных, вы можете обнаружить проблемы, влияющие на вашу способность решить проблему, что может дополнительно потребовать переопределения или пересмотра объема проблемы из первой фазы.

Фаза третья: Постройте ML-модель

Как только у вас готовы данные, пришло время для ваших ученых данными построить ML-модель. Общие шаги для построения надежной ML-модели включают:

• Извлечение и инженерию признаков (включает биннинг, убеление данных и применение статистических трансформаций)

• Выбор признаков

• Обучение модели (включает разделение данных на любое количество обучающих, кросс-валидационных и валидационных наборов данных)

• Настройку гиперпараметров

• Оценку модели

• Валидацию статистической значимости

Разработка модели требует постоянной обратной связи от бизнес-стейкхолдеров. Например, бизнес-проблема может требовать склонности к чувствительности vis-à-vis специфичности. Вы можете похожим образом жертвовать небольшой предиктивной производительностью (например, F1 score) за операционную производительность модели (например, более быстрые предсказания) или объяснимость модели.

Цель ученого данными — построить модель, которая использует данные, чтобы рассказать четкую историю, связанную с бизнес-проблемой. По мере эволюции проблемы и изменения требований, подход к моделированию также должен эволюционировать, чтобы служить текущему контексту.

Фаза четвертая: Разверните эволюционирующую модель

Построение начальной модели — лишь начало ML-путешествия. Развертывание эволюционирующей модели — критически важный шаг к долгосрочному созданию ценности для организации.

Развертывание эволюционирующей модели требует:

• Обслуживания модели (делая модель высокодоступной и горизонтально масштабируемой)

• Управления версиями модели (включая откаты и canary/challenger развертывания)

• Переобучения модели (модификации или построения новой модели по мере поступления новых данных в систему)

• Мониторинга модели (отслеживания как операционных, так и пользовательских метрик опыта на этапах обслуживания и обучения)

Мониторинг дрейфа данных и модели, требующий специализации модели для целевых внутриорганизационных кейсов, и поддержка конвейеров данных (среди других элементов ухода) критически важны для непрерывного успеха модели.

Предприятийные и отраслевые требования могут быстро эволюционировать и влиять на источники данных и входы. Например, управление и соответствие в масштабе — соображения, охватывающие полный жизненный цикл науки о данных.

Соответствие регуляциям — таким как Общий регламент по защите данных (GDPR) Европейского союза (ЕС) — требует более глубокого уровня прослеживаемости на уровнях версионирования данных, версионирования модели и входных слоев модели. Построение стратегии для ответа на эти отраслевые изменения и требования через данные может помочь компаниям продолжать использовать ML для достижения лучших бизнес-результатов, таких как рост выручки, снижение затрат и уменьшение риска.

Что дальше?

Операционализация ML гибким, поддерживаемым и масштабируемым способом требует множества шагов и соображений за пределами высокого уровня того, что мы обозначили в этом блоге. Дьявол в деталях.

В нашем следующем блоге мы погрузимся глубже в технические соображения, вызовы, которые могут возникнуть от ad-hoc внедрения крупномасштабной ML-системы, и как UiPath помогает решать общие вызовы для энтерпрайз-клиентов.