Як компанії можуть реалізувати весь потенціал своїх даних для ШІ (VB On Demand)

Представлено Wizeline

Багато компаній стикаються з перешкодами на шляху використання своїх даних і впровадження ШІ в масштаби всього підприємства. На цьому заході VB On-Demand експерти галузі досліджують, як компанії можуть використовувати весь потенціал даних для вирішення складних бізнес-завдань тощо.

Дивіться на вимогу зараз!

У різних галузях і регіонах реалізація перспектив штучного інтелекту може означати дуже різні речі для кожного бізнесу, але для кожного бізнесу це починається з розширення потенціалу великої кількості даних, на яких вони знаходяться. Але, за словами Хайде Мартінеса, менеджера програми технологій обробки даних Wizeline, перешкоди для розблокування даних пов’язані не стільки з фактичним впровадженням ШІ, скільки з культурою ШІ в компанії. Це означає, що компанії застрягли на нульовому етапі: встановлення цілей і завдань.

Для бізнесу, який тільки починає усвідомлювати переваги даних, зусилля штучного інтелекту зазвичай є ізольованим підприємством, яким керує ізольована команда, з цілями, які не узгоджуються із загальним баченням бізнесу. Великим компаніям, які знаходяться далі на шляху даних та штучного інтелекту, також потрібно позбутися відокремленості, щоб усі відділи та команди були узгоджені, а зусилля не дублювалися чи переслідували різні цілі.

«Щоб бути узгодженими, вам потрібно визначити цю стратегію, визначити пріоритети, визначити потреби бізнесу», — каже Мартінез. «Деякі з найбільших перешкод зараз — це просто бути впевненим, що ви збираєтеся робити і як ви збираєтеся це робити, а не сама реалізація, а також залучення всього світу до зусиль ШІ». Етапи обробки даних

Дані мають пройти кілька етапів, щоб стати придатними для виконання: вилучення даних, очищення, обробка даних, створення прогнозних моделей, створення нових можливостей і, нарешті, створення візуалізації даних. Але нульовий крок все ще пов’язаний із визначенням цілей і завдань, які керують усім процесом.

Одним із першочергових міркувань є розпочати з семінару по відкриттю, запитуючи інформацію від будь-яких зацікавлених сторін, які використовуватимуть цю інформацію чи запитуватимуть прогностичні моделі, або будь-кого, хто має збалансовану думку про бізнес. Щоб забезпечити безперебійну роботу проекту, не віддавайте перевагу жорстким навичкам над м’якими. Зацікавлені сторони часто не є науковцями з обробки даних чи інженерами машинного навчання; вони можуть навіть не мати технічної підготовки.

«Ви повинні вміти, як команда чи як окрема особа, змусити інших довіряти вашим даним і прогнозам», — пояснює вона. «Навіть якщо ваша модель була чудовою, і ви використовували передовий алгоритм, якщо ви не можете продемонструвати це, ваші зацікавлені сторони не побачать користі від даних, і цю роботу можна буде викинути на смітник... "

Переконайтеся, що ви маєте чітке розуміння цілей і цілей, а також постійне спілкування є ключовим тут. Інформуйте зацікавлених сторін і повертайтеся до них, щоб підтвердити свій напрямок і поставити запитання, щоб продовжувати коригувати та вдосконалювати. Це допомагає переконатися, що коли ви надаєте свою прогностичну модель або обіцянку штучного інтелекту, вона точно узгоджуватиметься з тим, що вони очікують.

Іншим аспектом роботи з даними є повторення, пробування нових речей і створення з них або використання нового підходу, якщо щось не працює, але ніколи не потрібно довго, щоб вирішити, що ви будете робити далі.

«Це називається наукою про дані, тому що це наука і вона дотримується наукового методу», — каже Мартінес. «Науковий метод — це побудова гіпотез і їх доведення. Якщо ваша гіпотеза не була доведена, спробуйте інший спосіб довести її. Якщо це неможливо, створіть іншу гіпотезу. Просто повторюйте."

Часто компанії, які починають працювати зі штучним інтелектом, спершу звертаються до подібних компаній, щоб наслідувати їхні зусилля, але насправді це може сповільнити або навіть зупинити проект штучного інтелекту. Бізнес-проблеми такі ж унікальні, як відбитки пальців, і існує безліч способів вирішити будь-яку проблему за допомогою машинного навчання.

Ще одна поширена проблема — негайно найняти фахівця з обробки даних у надії, що є лише одна проблема: що вони зможуть не лише впоратися з усім процесом, від вилучення та очищення даних до встановлення цілей, графічної візуалізації, прогнозного аналізу моделей тощо, але може одразу перейти до виконання ШІ. Це просто нереально.

По-перше, слід створити централізоване сховище даних, щоб не лише спростити побудову прогнозних моделей, але й розірвати відокремленість, щоб кожна команда мала доступ до необхідних даних.

Науковці та інженери даних також не можуть працювати поодинці, окремо від решти бізнесу; найкращий спосіб скористатися перевагами даних - ознайомитися з їх шиною...