AI 팀이 투자 새로운 프로젝트 가이드 라인을 정의하는 데있어 매우 엄격합니다. 그러나 기존 프로젝트를 죽이는 경우도 마찬가지입니다. 명확한 지침이없는 상황에서 팀은 실행 불가능한 프로젝트를 몇 달 동안 끌어 올립니다.
그들은 나쁜 소식의 메신저가 될까봐 프로젝트 검토 회의에서 개와 조랑말 쇼를 열었습니다. 실행 불가능한 프로젝트에서 빠르게 실패하는 프로세스를 간소화함으로써 팀은 AI 이니셔티브를 통해 전반적인 성공을 크게 높일 수 있습니다.
빠르게 실패하려면 AI 이니셔티브를 마케팅 및 판매 퍼널과 유사한 전환 퍼널로 관리해야합니다.
AI 프로젝트는 기존 소프트웨어 프로젝트와 다릅니다. 올바른 데이터 세트의 가용성, 필요한 정확도 임계 값을 충족하기위한 모델 교육, 프로덕션 권장 사항의 공정성과 견고성 등 알려지지 않은 사항이 훨씬 많습니다.
빠르게 실패하려면 AI 이니셔티브를 마케팅 및 판매 퍼널과 유사한 전환 퍼널로 관리해야합니다. 프로젝트는 XNUMX 단계 깔때기의 상단에서 시작하여 어느 단계에서나 중단 할 수 있으며, 일시적으로 얼음 위에 놓거나 영구적으로 중단하고 AI 묘지에 추가 할 수 있습니다. AI 깔때기의 각 단계는 시간 제한 성공 기준 목록으로 검증 할 명확한 알 수없는 항목을 정의합니다.
AI 프로젝트 유입 경로는 XNUMX 단계로 구성됩니다.
이미지 크레딧 : 산딥 우 탐찬 다니
1. 문제 정의 :“만들면 올까요?”
이것은 퍼널의 상단입니다. AI 프로젝트는 초기 개발 단계뿐만 아니라 지속적인 모니터링 및 개선 과정에서 상당한 투자가 필요합니다. 이를 통해 해결중인 문제가 구축 노력과 비교하여 잠재적 인 비즈니스 가치와 관련하여 진정으로 해결할 가치가 있는지 확인하는 것이 중요합니다. 문제를 해결할 가치가 있더라도 AI가 필요하지 않을 수 있습니다. 문제를 해결하기 위해 인간이 인코딩 한 휴리스틱이 더 쉬울 수 있습니다.
AI 솔루션 개발은 전투의 절반에 불과합니다. 나머지 절반은 솔루션이 실제로 사용되고 통합되는 방식입니다. 예를 들어, 고객 이탈을 예측하기위한 AI 솔루션을 개발할 때는 고객 지원 팀 워크 플로에 손실 예측을 통합하는 것에 대한 명확한 이해가 필요합니다. 완벽하게 강력한 AI 프로젝트는 이러한 수준의 통합 명확성이 없으면 비즈니스 가치를 제공하지 못합니다.
이 단계를 성공적으로 종료하려면 다음 문이 참이어야합니다.
- AI 프로젝트는 성공적으로 전달되면 가시적 인 비즈니스 가치를 창출 할 것입니다.
- 필요한 정확도 임계 값으로 문제를 해결할 수있는 더 저렴한 대안은 없습니다.
- 영향을 미치기 위해 기존 흐름 내에 AI 권장 사항을 통합하는 명확한 경로가 있습니다.
내 경험상 프로젝트의 초기 단계는 지상 현실에 비해 열망 비율이 더 높습니다. 잘못된 형식의 프로젝트를 죽이면 팀이 "문제를 찾기위한 솔루션"을 구축하는 것을 피할 수 있습니다.
2. 데이터 가용성 : "우리는 그것을 구축 할 데이터가 있습니다."
퍼널의이 단계에서 문제를 해결할 가치가 있음을 확인했습니다. 이제 AI 프로젝트에 필요한 인식, 학습 및 추론 기능을 구축하기 위해 데이터 가용성을 확인해야합니다. 데이터 요구 사항은 AI 프로젝트 유형에 따라 다릅니다. 프로젝트 구축 분류 인텔리전스에 대한 요구 사항은 권장 사항 또는 순위를 제공하는 요구 사항과 다릅니다.
데이터 가용성은 일반적으로 올바른 품질, 수량 및 기능을 갖는 것으로 해석됩니다. 올바른 품질이란 데이터 샘플이 다음과 같은 특성을 모델링하고 충족하려는 현상을 정확하게 반영한다는 사실을 의미합니다. 독립적이고 동일하게 분포. 일반적인 품질 검사에는 레이블이 지정된 샘플의 데이터 수집 오류, 일관성없는 의미 및 오류 발견이 포함됩니다.
올바른 양은 사용 가능한 데이터의 양을 의미합니다. 일반적인 오해는 기계 학습 모델을 학습하는 데 상당한 양의 데이터가 필요하다는 것입니다. 이것은 항상 사실이 아닙니다. 사전 구축 된 전이 학습 모델을 사용하면 아주 적은 양의 데이터로 시작할 수 있습니다. 또한 더 많은 데이터가 항상 유용 데이터. 예를 들어 10 년에 걸친 과거 데이터는 현재 고객 행동을 제대로 반영하지 못할 수 있습니다. 마지막으로 모델을 구축하려면 올바른 기능을 사용할 수 있어야합니다. 이는 일반적으로 반복적이며 ML 모델 설계를 포함합니다.
이 단계를 성공적으로 종료하려면 다음 문이 참이어야합니다.
PlatoAi. Web3 재창조. 데이터 인텔리전스 증폭.
