Transform 2022: як компанії досліджують, ходять, а потім стикаються зі своїми розгортаннями AI/ML

Ми раді повернути Transform 2022 особисто 19 липня та віртуально з 20 по 28 липня. Приєднуйтеся до лідерів у галузі штучного інтелекту та даних для поглиблених обговорень і захоплюючих можливостей для спілкування. Зареєструйтеся сьогодні!

САН-ФРАНЦИСКО. Компанії не протистоять розгортанню AI/ML відразу, і коли рішення про це приймається, у ньому беруть участь більшість керівників компанії та багато аналітиків, які наймають кваліфіковані та наукові дані. Це також включає еволюцію, яку можна порівняти з людиною, яка вчиться повзати, ходити, а потім бігати.

Нічого з цього не легко чи просто, але це стає необхідним у третьому десятилітті 21 століття. Підприємства вчаться повзати, ходити та бігати, коли справа доходить до використання їхніх даних, щоб дати їм глибше розуміння своїх захищених бізнес-даних, усіх зайвих даних, які зберігаються в сховищах, але які не враховуються, і всіх своїх історичних даних. Не забувайте про всі соціальні мережі та зовнішні дані (відгуки клієнтів, відгуки про продукт тощо), які ширяють у гігантському всесвіті, яким є Інтернет, і впливають на компанію як поблизу, так і далеко.

На конференції VentureBeat Transform 2022 тут, у готелі Palace, група складається з Фіони Тан, технічного директора Wayfair; Раджат Шрофф, віце-президент із продуктів, DoorDash; Кевін Зєльніцкі, старший спеціаліст із обробки даних, Stitch Fix; і модератор Шерон Голдман, редактор і автор VentureBeat, обговорили, як їхні автоматизовані процеси AI/ML допомагають масштабуватись і прискорювати вихід на ринок. Їхні подорожі пройшли від перевірки концепції до виробництва в екологічно чистий спосіб.

Підхід DoorDash

«У DoorDash одна з наших цінностей полягає в тому, що ми мріємо про велике, але починаємо з малого», — сказав Шрофф. «Ми також застосовуємо це до наших зусиль ШІ. Ми почнемо з використання ручних засобів для виконання немасштабованих речей, щоб навчитися та зрозуміти, як знайти відповідний продукт для ринку. Як тільки ми бачимо сигнал, ми починаємо винаходити алгоритми та масштабувати їх.

Подія

Перетворення 2022

Приєднуйтесь до нас на провідному заході прикладного штучного інтелекту для керівників корпоративного бізнесу та технологій 19 липня та практично 20–28 липня.

зареєструватися тут

Наприклад, під час аналітики ми виявили, що лише близько 8% нашого бізнесу займаються доставкою піци. Деякі з нас вважали, що це, можливо, половина нашого бізнесу. Зрозуміли, що нам потрібно бути набагато точнішими в своїх оцінках , тож ми зібрали команду й сказали: «Нам потрібно досягти 99% точності». Після кількох місяців вручну коментування зібраних даних команда знайшла невелику вибірку (визначення ринку, категорії). сигналом, вони розширили весь проект. Коли вони досягли рівня точності, який їм сподобався, тоді вони передали це команді ML. І вони почали створювати (моделі AI)."

Після кількох місяців створення команди та розгортання DoorDash перейшов від 60% точності в аналізі свого бізнесу до своєї мети в 99%, сказав Шрофф.

Як Wayfair використовує AI/ML

«Ми розпочали наш (IA) проект, дивлячись на доступність і якість даних, доступних для проблем, які ми намагалися вирішити, — сказав Тан, — тому ми хотіли переконатися, що у нас є інгредієнти для застосування до нашого ШІ. /ML. Другим питанням, яке ми хотіли знати, було: «Наскільки ми можемо терпіти неправильні прогнози?» Тож перше місце, куди ми вирішили піти з нашим проектом, було в межах