На данный момент нет никаких сомнений в том, что любая организация может использовать преимущества AI / ML в своих бизнес-процессах. Значимость приложения машинного обучения будет зависеть от того, как оно применяется и какую проблему вы, как организация, пытаетесь решить. Хотя машинное обучение является относительно доступной технологией с улучшенным оборудованием и инструментами с открытым исходным кодом, только небольшая часть предприятий может воспользоваться ею с сегодняшнего дня.
В чем проблема?
Хотя машинное обучение предлагает преимущества почти для каждой отрасли, очень немногие компании действительно адаптировали его для реальных бизнес-вариантов использования. Вот некоторые из основных препятствий для принятия:
- Несоответствие между бизнес-потребностями и возможностями машинного обучения
Большинству компаний сложно сопоставить бизнес-проблемы с возможностями машинного обучения. С одной стороны, существует множество созданных и опубликованных передовых моделей машинного обучения, которые потенциально могут решить бизнес-проблемы и открыть новые способы выполнения задач. С другой стороны, довольно сложно найти и адаптировать эти модели для извлечения выгоды для бизнеса.
2. Отсутствие необходимых талантов и навыков работы с данными
Индустрия AI / ML относительно новая, поэтому найти нужных людей - непростая задача. В наличии не так много опытных специалистов, и большинство из них уже работают в крупных компаниях или исследовательских учреждениях. Кроме того, просто не хватает осведомленности о возможностях и ограничениях машинного обучения и о том, как его можно адаптировать к вашим вариантам использования.
3. Отсутствие качественных данных
Данные, конечно же, необходимы для обучения алгоритмов машинного обучения. Многие компании просто не имеют данных, необходимых для такого обучения. Даже если у вас есть данные, они никогда не будут чистыми. Компаниям необходимо тратить большую часть своего времени на очистку и подготовку данных, а стоимость и рентабельность инвестиций становятся решающим фактором.
4. Отсутствие доверия и объяснимости
Поскольку многие модели машинного обучения представляют собой черные ящики, трудно с уверенностью объяснить, как они пришли к своим решениям, из-за чего им сложно доверять в таких областях, как медицина, бизнес и финансы. Другая проблема связана с предвзятостью, конфиденциальностью, справедливостью результатов, предоставляемых моделью машинного обучения.
5. Сложно продемонстрировать ценность для бизнеса
У большинства компаний нет времени и терпения, чтобы инвестировать в испытания или доказательство концепций с использованием моделей с открытым исходным кодом. Действительно, требуется много времени, чтобы разобраться в корпоративном сценарии использования, когда машинное обучение может принести пользу.
Как сократить разрыв в усыновлении?
Вот 7 советов, которые помогут снизить барьер на пути к усыновлению:
1. Бизнес-менеджеры должны понимать возможности и ограничения машинного обучения.
Компании должны вкладывать средства в то, чтобы их персонал понимал, для каких проблем подходит машинное обучение, а также что оно может и чего не может. Этого можно достичь, инвестируя в учебные программы или онлайн-курсы (MOOCS), посещая конференции по машинному обучению и интерактивные семинары, которые могут помочь им определить области, в которых решение машинного обучения является идеальным.
2. Разработайте стандартный способ поиска, обмена и использования моделей
Чтобы сделать исследования машинного обучения более доступными и ускорить его внедрение, должен быть стандартный способ для исследователей делиться своими моделями, а для разработчиков и специалистов по обработке данных, чтобы легко получить к ним доступ без необходимости повторного обучения или сложных настроек среды. Это также может быть для исследователей способом отслеживания использования и дальнейшего улучшения своих моделей, а также получения экономической выгоды от инноваций без особых дополнительных усилий.
3. Уменьшите потребность в данных для обучения
Для обучения модели машинного обучения может потребоваться до миллионов элементов данных, а получение и маркировка этих данных может потребовать много времени и средств для предприятий. Тем не менее, мы увидели ряд методов, позволяющих сократить объем обучающих данных, необходимых для машинного обучения. Некоторые используют синтетические данные, созданные с помощью алгоритмов, имитирующих характеристики реальных данных, и добились хороших результатов.
Предприятия также могут использовать трансферное обучение - подход, при котором модель машинного обучения предварительно обучается на одном наборе данных в качестве быстрого пути к обучению на новом наборе данных в аналогичной области, например, языковой перевод или распознавание изображений.
4. Сосредоточьтесь на автоматизации науки о данных с помощью рабочего процесса для анализа данных
Необходимо увеличить инвестиции в готовые решения или инструменты, упрощающие внедрение и развертывание машинного обучения. Это позволит разработчикам даже без сильного опыта работы с машинным обучением извлечь из этого выгоду. Facebook является примером компании, которая вложила значительные средства в обеспечение доступа к машинному обучению изнутри через свою платформу FBLearner, которая автоматизирует построение, обучение и масштабирование алгоритмов машинного обучения. Этой платформой пользуется более 25% инженеров Facebook, на ней обучено более миллиона моделей.
На изображении выше показано, как инженеры-программисты могут ускорить работу специалистов по данным, создав полностью автоматизированную систему машинного обучения, которая выполняет повторяющиеся задачи специалистов по данным в полностью автоматизированном режиме. На данный момент специалисты по данным готовы использовать свое время для решения новых проблем и просто следить за автоматизированной системой, чтобы убедиться, что она работает так, как они ожидали.
5. Умение объяснять результаты
Доверие и справедливость - большая проблема в некоторых сложных моделях. Исследователи Массачусетского технологического института разработали метод обучения нейронной сети, который дает точные прогнозы наряду с их обоснованием. Такие инструменты позволят компаниям в строго регулируемых отраслях найти больше возможностей для использования машинного обучения, говорится в отчете, в том числе в таких областях, как кредитный рейтинг, механизмы рекомендаций, обнаружение мошенничества, а также диагностика и лечение заболеваний.
6. Используйте API Cloud AI / ML для решения своих бизнес-задач
Различные организации, например, Google (например, CloudML), H2O (например, AutoML), создали программное обеспечение для автоматизированного машинного обучения, которое может использоваться любой организацией. Также доступны пакеты с открытым исходным кодом, например Auto-SKLearn, TPOT.
7. Аналитика по ИИ: создание информационной панели для реализации преимуществ
Установите свои бизнес-цели и определите ключевые показатели эффективности, которые вы будете использовать для отслеживания прогресса. Нанесите KPI на графики тренда, чтобы показать движение за неделю / месяц. Преобразуйте повышение производительности, экономию времени, повышение CSAT, снижение затрат в экономию долларов или увеличение дохода и отобразите это на своей панели инструментов. Автоматизируйте сбор ценностей и поделитесь им со своими заинтересованными сторонами.
— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —
Справочные статьи: