Transform 2022: cómo las empresas exploran, caminan y luego chocan con sus implementaciones de IA/ML

Estamos emocionados de traer de vuelta Transform 2022 en persona el 19 de julio y virtualmente del 20 al 28 de julio. Únase a los líderes en IA y datos para debates en profundidad y emocionantes oportunidades para establecer contactos. ¡Regístrate hoy!

SAN FRANCISCO: las empresas no se resisten a las implementaciones de inteligencia artificial y aprendizaje automático de la noche a la mañana, y cuando se toma la decisión de hacerlo, involucra a la mayoría de los ejecutivos de la empresa y muchos analistas contratados con datos científicos y calificados. También implica una evolución que se puede comparar con una persona que aprende a gatear, caminar y luego correr.

Nada de esto es fácil ni sencillo, pero se hace necesario en la tercera década del siglo XXI. Las empresas están aprendiendo a gatear, caminar y correr cuando se trata de usar sus datos para brindarles una visión más profunda de sus datos comerciales protegidos, todos los datos superfluos que se encuentran en bóvedas de almacenamiento pero que no se contabilizan, y todos sus datos históricos. No olvides todas las redes sociales y datos externos (opiniones de clientes, opiniones de productos, etc.) que flotan en el gigantesco universo que es Internet y afectan a una empresa de cerca o de lejos.

En la conferencia Transform 2022 de VentureBeat aquí en el Palace Hotel, un panel compuesto por Fiona Tan, CTO de Wayfair; Rajat Shroff, vicepresidente de productos, DoorDash; Kevin Zielnicki, científico de datos sénior, Stitch Fix; y la moderadora Sharon Goldman, editora y escritora de VentureBeat, discutieron cómo sus procesos automatizados de IA/ML ayudan a escalar y acelerar la comercialización. Sus viajes los han llevado a todos desde la prueba de concepto hasta la producción de manera sostenible.

El enfoque de DoorDash

“En DoorDash, uno de nuestros valores es que soñamos en grande pero comenzamos de a poco”, dijo Shroff. “También aplicamos esto a nuestros esfuerzos de IA. Comenzaremos usando medios manuales para hacer cosas no escalables para aprender y comprender cómo encontrar un producto adecuado para el mercado. Una vez que vemos la señal, es cuando comenzamos a inventar algoritmos y escalarlos.

Evento

Transformar 2022

Únase a nosotros en el principal evento de IA aplicada para los responsables de la toma de decisiones en tecnología y negocios empresariales el 19 de julio y virtualmente del 20 al 28 de julio.

registrarse aquí

"Por ejemplo, cuando hicimos nuestro análisis, descubrimos que solo alrededor del 8 % de nuestro negocio entregaba pizza. Algunos de nosotros pensamos que era quizás la mitad de nuestro negocio. Nos dimos cuenta de que teníamos que ser mucho más precisos en nuestras evaluaciones. , así que reunimos al equipo y dijimos: "Necesitamos llegar al 99% de precisión". Después de unos meses de anotar manualmente la recopilación de datos, el equipo encontró una pequeña muestra (identificando un mercado, una categoría). Una vez que obtuvieron una señal, ampliaron todo el proyecto. Una vez que llegaron a un nivel de precisión que les gustó, fue cuando se lo pasaron al equipo de ML. Y comenzaron a construir (modelos de IA)."

Después de unos meses de creación de equipos e implementación, DoorDash pasó de una precisión del 60 % en el análisis de su negocio a su meta del 99 %, dijo Shroff.

Cómo usa Wayfair IA/ML

“Comenzamos nuestro proyecto (IA) observando la accesibilidad y la calidad de los datos disponibles para los problemas que intentábamos resolver”, dijo Tan, “así que queríamos asegurarnos de tener los ingredientes para aplicar a nuestra IA /ML proyecto. La segunda consideración que queríamos saber era "¿Cuánta tolerancia tenemos para las predicciones incorrectas?" Entonces, el primer lugar al que decidimos ir con nuestro proyecto fue en áreas dentro de