Улучшение бизнес-результатов за счет масштабного внедрения искусственного интеллекта

Искусственный интеллект (ИИ) обеспечивает новую норму для бизнеса в разных отраслях. Например, розничные продавцы могут использовать ИИ для прогнозирования заказов на покупку на основе исторических данных о запасах, чтобы принимать разумные решения о пополнении запасов. Группы поддержки клиентов могут использовать ИИ для автоматического ответа на высокоприоритетные заявки в службу поддержки и направления их в нужные группы. Существует целый мир возможностей, где вы можете использовать искусственный интеллект, и особенно машинное обучение, для достижения практических результатов в бизнесе.

По данным Deloitte Insights, 83 % предприятий, первыми внедривших ИИ, получили положительную отдачу от инвестиций (ROI) от проектов в производстве. К ним относятся такие примеры, как внедрение стороннего корпоративного программного обеспечения с использованием ИИ, использование чат-ботов и виртуальных помощников, а также механизмы рекомендаций для платформ электронной коммерции. 83 % опрошенных компаний планировали увеличить расходы на ИИ в 2019 году. 63 % предприятий, инвестирующих в ИИ, внедрили машинное обучение.

Построение стратегии прагматичного использования ИИ и машинного обучения для достижения бизнес-целей является главным приоритетом для многих предприятий. Для многих основной проблемой успешного внедрения машинного обучения является понимание, планирование и управление целостным развертыванием машинного обучения в организации.

Главные соображения по внедрению машинного обучения

«Правильный» способ решения жизненного цикла науки о данных отличается от одной организации к другой. Было предпринято много попыток систематизировать и стандартизировать процедуры жизненного цикла науки о данных. Однако ни один подход не учитывает потребности каждого предприятия.

Использование устойчивой и удобной в сопровождении стратегии для данных и науки о данных — это постоянно развивающееся упражнение, индивидуальное для каждого предприятия. Поскольку потребности, структура и возможности каждой компании уникальны, необходимо консультироваться с заинтересованными сторонами по всему предприятию, чтобы построить гибкую и масштабируемую модель машинного обучения и реализовать целостную стратегию обработки данных.

Операционные проблемы и изменения в инфраструктуре и методах разработки, которые должны решать каждое предприятие, будут разными.

Крайне важно, чтобы ваша организация учитывала вашу культуру, системы и потребности при определении и развитии жизненного цикла науки о данных. Наличие базовой структуры для представления в группах помогает создать общую основу для общения, в то время как вы продолжаете развивать и развивать свою операционную ML.

Давайте рассмотрим стандартную структуру, которая может помочь вашей организации начать работу с машинным обучением.

Этап 1. Определите свою проблему

В основе любой инициативы по машинному обучению лежат два вопроса:

1. Какую проблему вы пытаетесь решить?

2. Почему вы считаете, что машинное обучение и лучшее понимание ваших данных могут помочь вам решить проблему?

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

На первом этапе основные заинтересованные стороны должны собраться вместе, чтобы определить первоначальный масштаб проблемы и ее требования.

Этап 2. Изучите свои данные

Какова история ваших данных? Откуда берутся ваши данные и сколько источников данных имеют отношение к решению вашей конкретной бизнес-задачи?

На этом этапе предприятия сосредотачиваются на следующем:

• Отображение соответствующих источников данных и сред, в которых они находятся (такие среды могут быть локальными или облачными, настроенными как хранилище данных, озеро данных или потоковые платформы данных)

• Определение того, какие конвейеры данных существуют в настоящее время и какие конвейеры данных необходимо создать для проверки, очистки и исследования данных

• Как часто обновляются данные

• Понимание надежности данных

• Оценка соображений и требований к конфиденциальности данных

• Включение исследования данных с помощью визуализаций, статистических свойств необработанных и преобразованных данных и т. д.

Понимание ваших данных — непростая задача. Важно подходить к этому этапу последовательно. По мере того, как вы узнаете больше о своих данных, вы можете обнаружить проблемы, влияющие на вашу способность решить проблему, что может потребовать переопределения или пересмотра проблемы с первого этапа.

Этап 3. Создание модели машинного обучения

Когда у вас есть готовые данные, вашим специалистам по данным пора построить модель машинного обучения. Общие шаги для создания надежной модели машинного обучения включают:

• Извлечение и инженерные функции (включая бинирование, отбеливание данных и применение статистических преобразований)

• Выбор функций

• Обучение модели (включает разделение данных на любое количество наборов данных для обучения, перекрестной проверки и проверки)

• Настройка гиперпараметров

• Оценка модели

• Проверка статистической значимости

Разработка модели требует постоянной обратной связи от заинтересованных сторон. Например, деловая проблема может потребовать близости к чувствительности по отношению к специфичности. Аналогичным образом вы можете пожертвовать низкой эффективностью прогнозирования (например, оценкой F1) ради эффективности работы модели (например, более быстрых прогнозов) или объяснимости модели.

Цель специалиста по данным — построить модель, которая использует данные, чтобы рассказать четкую историю, связанную с бизнес-проблемой. По мере развития проблемы и изменения требований подход к моделированию также должен развиваться, чтобы соответствовать текущему контексту.

Этап четвертый:развертывание развивающейся модели

Построение начальной модели — это только начало пути машинного обучения. Развертывание развивающейся модели — важный шаг к созданию долгосрочной ценности для организации.

Для развертывания развивающейся модели требуется:

• Обслуживание модели (делая модель высокой доступностью и горизонтально масштабируемой)

• Управление версиями модели (включая откаты и развертывания Canary/Challenger)

• Переобучение модели (модификация или построение новой модели по мере поступления новых данных в систему)

• Мониторинг модели (отслеживание показателей работы и взаимодействия с пользователем во время обслуживания и обучения)

Отслеживание отклонений данных и модели, требующая специализации модели для целевых вариантов использования внутри организации и поддержка конвейеров данных (среди прочего обслуживания) имеют решающее значение для постоянного успеха модели.

Общекорпоративные и отраслевые требования могут быстро меняться и влиять на источники данных и входные данные. Например, вопросы управления и соответствия требованиям в любом масштабе охватывают весь жизненный цикл науки о данных.

Соблюдение нормативных требований, таких как Общий регламент ЕС по защите данных (GDPR), требует более глубокого уровня прослеживаемости на уровнях управления версиями данных, управления версиями модели и входных данных модели. Разработка стратегии реагирования на эти отраслевые изменения и требования с помощью данных может помочь компаниям продолжать использовать машинное обучение для достижения более высоких бизнес-результатов, таких как рост доходов, снижение затрат и снижение рисков.

Что дальше?

Внедрение машинного обучения гибким, поддерживаемым и масштабируемым образом требует многих шагов и соображений, выходящих за рамки того, что мы описали в этом блоге. Дьявол кроется в деталях.

В нашем следующем блоге мы более подробно рассмотрим технические аспекты, проблемы, которые могут возникнуть в результате специальной реализации крупномасштабной системы машинного обучения, и то, как UiPath помогает решать распространенные проблемы для корпоративных клиентов.