저자에 대해 자세히 알아 보려면 클릭하십시오. 존 라일리.
AI 스타트 업의 공동 창립자로서 저는
AI를 구현하기 위해 일하는 회사와 이야기하는 데 많은 시간을 할애합니다.
조직. 종종 그들은 비전, 흥분, 그리고
추진력 —하지만 자신의 방식에서 벗어나는 데 어려움을 겪습니다.
문제는 New
Vantage 파트너 2021 AI 설문 조사 – 99 %의 기업이
AI는 그들 중 약 XNUMX/XNUMX만이 혁신적인 비즈니스 결과를보고 있다고보고합니다.
더 흥미로운 점은 92 %가“원칙적 과제
사람, 비즈니스 프로세스 및 문화에 " 단 12
설문 조사에 참여한 기업의 %는
생산.
그래서 채택 의지 사이의 큰 단절을 일으키는 원인은 인공 지능 기술과 비즈니스에서의 성공적인 배포? 완벽을 추구하고 당신이 씹을 수있는 것보다 더 많이 깨 물어 라.
추격 성능
완벽 함 : 실패를위한 레시피
인간 행동의 자연스러운 결과 인 완벽을 추구하는 것부터 시작합시다. 중요한 비즈니스 결정을 안내하는 예측 모델을 구축하는 경우 가능한 한 정확해야합니다. 최고의 성과에 대한 본능은 학업 상태와 결합됩니다. 데이터 과학. 그 좋은 예는 Kaggle 대회입니다. 최고의 데이터 과학자와 기계 학습 엔지니어가 작은 성과를내는 모델을 구축하는 대신 Facebook과 Google에서 축구 선수와 같은 급여를받습니다.
모델 완벽 성을 쫓는 문제는 성능의 마지막 마일을 얻기 위해 많은 조직과 인프라 작업이 필요하다는 것입니다. 매우 깨끗한 데이터가 필요합니다. 실제로는 깨끗한 데이터가 거의 없습니다. 학습 세트에 적용하는 모든 데이터 위생 작업에는 모델에 대해 실행하는 데이터를 정리하기위한 반사 시스템 작업이 필요합니다. 두 가지 시나리오로 끝납니다. 제공하는 정보가 교육 세트만큼 깨끗하지 않거나 채택에 상당한 인프라 장벽이 있기 때문에 프로덕션에서 작동하지 않는 최고 성능의 모델입니다. 이러한 시나리오 중 하나는 트랙의 진행을 중지합니다.
더 많이 물어 뜯기
씹을 수있는 것보다
AI를 탈선시키는 다른 문제
기업의 이니셔티브는 모델을 크고
복잡한 프로세스. 여기에서 일반적인 사고 과정은“AI 모델을 구축하자
모든 비즈니스 데이터를 바탕으로 핵심 성과 지표를 예측합니다. "
범위 초과는 리더십이 최상위에서 채택을 유도 할 때 가장 자주 발생합니다.
하위. 문제는 KPI가 일반적으로 수백 또는 수천 개의 롤업이라는 것입니다.
하위 비즈니스 프로세스.
예를 들어, 판매 및
마케팅 퍼널. 첫 번째 사례는 내년 수익을 예측하는 것입니다.
따라서 작년의 수익에 대한 모델을 학습하고이를 사용하여 내년의
결과. 결과는 예측할 때 기대할 수있는 것입니다.
날씨 — 단기적으로는 잘하지만 예측이 길수록
당신이 틀릴 가능성이 더 큽니다.
왜? 기본 패턴이
큰 그림 모델이 추적하는 비즈니스에서 지속적으로 변화하고 있습니다.
새로운 제품을 출시하고 마케팅 캠페인을 변경하며
판매 퍼널 최적화. 모든 변경 사항은 다운 스트림에 영향을 미칩니다.
수익이지만 작동 할 시간이있을 때까지 모델에서 캡처 할 수 없습니다.
시스템을 통해. 그때까지 당신은 당신의
사업. 진전없이 계속 달리는 가혹한 트레드밀입니다.
생산 방법은 다음과 같습니다.
깨달아야 할 첫 번째 중요한 것은
이것이 80/20 규칙의 완벽한 예라는 것입니다. 20 %의
기계 학습 채택 노력을 통해 가치의 80 %를 달성 할 수 있습니다.
포착. 그 규칙을 실제로 어떻게 적용합니까? 첫 번째 단계는 추적을 중지하는 것입니다
완벽한 모델. 가지고있는 복잡한 데이터로 훈련하는 것은 괜찮습니다.
당신의 미래 데이터도 마찬가지로 나쁠 것입니다. 최고의 AutoML 엔진은
지저분하거나 누락 된 데이터에 견고하므로 모델이 실제로 실제에서 작동합니다.
세계.
완벽하지 않은 모델은
AI를 사용하지 않는 것보다 훨씬 효율적입니다. 더 나은, 당신은 할 수 있습니다
즉시 AI 활용을 시작하십시오. 대규모 점검을 기다릴 필요가 없습니다.
레거시 시스템 및 광범위한 데이터 위생 작업. 80 %를 캡처 할 수 있습니다.
혁신적 비즈니스 결과의 20 %를
노력. 가치를 확인하면 향후 데이터에 대한 ROI 분석을 쉽게 실행할 수 있습니다.
작업하고 모델을 점진적으로 개선 할 가치가 있는지 결정합니다.
두 번째로 중요한 접근 방식
조직 내에서 AI를 채택하는 것은 작게 시작하는 것입니다. 나는 그것을 한입 크기의 AI라고 부른다.
(또는 일일 AI). 더 큰 성장 엔진의 하위 프로세스를 선택하고
더 효율적입니다. 한 입 크기의 애플리케이션으로 시작하는 또 다른 이점은 무엇입니까?
학습 할 모델의 복잡성은 더 낮습니다. 당신은 더 정확할 것입니다
개별 프로세스 흐름에 집중할 때 더 나은 성능을 가진 모델.
리드를 영업팀에 넘겨 주면서 리드를 점수화하여 우선 순위를 정할 수 있습니다.
누구에게 먼저 전화해야할까요? 개방형 텍스트 문의를 올바른 위치로 라우팅
자동으로. 문제가 구체적 일수록 개선하기가 더 쉽습니다.
기계 학습을 통한 성능.
작은 하위 프로세스가 업데이트됨에 따라
시간이 지남에 따라 새 모델을 조정, 재교육 및 재배포하는 것도 똑같이 쉽습니다. 그만큼
효율성 향상의 합계가 KPI에 롤업되고 그 결과는
눈에.니다. 그리고 작게 시작하고 시간이 지남에 따라 성장함으로써
AI로 효율적으로 비즈니스 결과를 이끌어내는 방법을 배우십시오.
더 나은 성능과 손쉬운 채택-저는이를 윈윈이라고 부릅니다.
출처 : https://www.dataversity.net/ai-for-business-why-perfect-is-the-enemy-of-good/
