Всем должно быть очень ясно, насколько популярен искусственный интеллект, поэтому я не буду здесь подробно останавливаться.Многие технологические компании делают ставку на ИИ в ближайшие несколько лет — «все в ИИ», и есть также бесчисленное множество компаний, которые готовятся трансформировать ИИ., Кроме того, есть много компаний, которые не имеют ничего общего с ИИ, но выкрикивают лозунги ИИ, чтобы привлечь внимание. В целом ИИ будет становиться все популярнее, и в эту армию будет поступать все больше талантов.
В процессе трансформации ИИ не обязательно гладко и даже сложно. Я не знаю, сколько людей обратили внимание на процент неудач проектов искусственного интеллекта? 20%? 30%? ..или 50%? ? Возможно, это слишком упрощенно: по неполной статистике, процент отказов дата-проекта достигает более 85%! На самом деле это и не удивительно, на данном этапе процент отказов общего ИТ-проекта также составляет более 50%, не говоря уже о ИИ-проектах....
Поэтому во многих случаях инвестирование в реализацию проектов ИИ сопряжено с риском.Это зависит от того, достаточно ли у вас возможностей контроля рисков.Наконец-то вы сможете успешно реализовать проект и создать ценность!Так почему же большинство проектов ИИ заканчиваются неудачей?проблема человека? неуверенно! Возможные основные причины включают в себя: 1. Решение неправильной задачи или обращение с псевдотребованием как с реальным требованием 2. Выбор проблемы, которую алгоритм не может решить... и т. д.
В этой статье мы обобщили шесть принципов, которые особенно важны для реализации успешного проекта ИИ. Мы также ссылаемся на [1] для этих принципов.
1. Узнайте, подходит ли время?
В чем наибольшая ценность искусственного интеллекта? Это может помочь вам принять решение! Итак, какие условия необходимы для принятия такого решения? Должны быть данные! Без данных ИИ — это просто разговоры. Итак, первое, что нужно сделать, это выяснить, является ли это лучшим временем для того, чтобы отказаться от ИИ, или для его активного продвижения.
Технический процесс ИИ-проекта таков: построить систему сбора данных -> сбор данных -> очистка -> ИИ... Если у компании не так много данных, которые должны анализироваться машинами, то можно сделать две вещи на на этот раз: 1. Заранее продумайте будущие сценарии применения и организуйте работу по сбору данных 2. Сначала сосредоточьтесь на успешном ведении бизнеса, а потом займитесь ИИ. В общем, данные — это основа ИИ.Если данных нет, нужно сначала найти способ генерировать или собирать данные, а не прыгать прямо в эту «яму», а потом тянуть вниз другие бизнесы.
На самом деле такие примеры единичны. В частности, руководители или стратеги, которые не имеют глубокого понимания ИИ, часто беспокоятся об этих «вишенках на торте», но не могут добиться результатов на поле боя, где им нужно проявить свои силы. Поэтому для первого принципа продолжайте спрашивать себя:Достаточно ли у нас данных? Сейчас подходящее время? Что можно сделать на данном этапе, чтобы через год модернизировать технологию искусственного интеллекта до стратегического уровня компании?
2. Правильный выбор проблемы важнее, чем какую технику использовать
Машинное обучение и глубокое обучение — модные словечки в области ИИ, и звучат они великолепно. В школе, в академии и даже на соревнованиях мы привыкли к техническому мышлению: «У меня отличные навыки, я хочу делать ХХХ проекты». На самом деле, найти правильные вопросы — это самое главное, и это высший навык человека. Почему такие ученые, как Эйнштейн, так успешны? Быть умным — это только один аспект, суть в том, что они могут найти «хорошую» проблему! Почему многие докторанты в Соединенных Штатах не получают диплом через 6 или 7 лет? Они потому что тупые? На самом деле, это не потому, что я не могу найти правильный вопрос! Таким образом, найти правильный вопрос — это, возможно, полдела для проекта ИИ.
Так как же найти правильный вопрос? Это вопрос без правильного ответа, но суть его в том, чтобы выявить болевые точки в бизнесе. В качестве ориентира можно использовать следующие пункты:
1. Прежде всего, вы должны понимать бизнес, а не просто болтать с другими, вы должны углубляться. Например, сейчас главный бизнес — это интеллектуальное обслуживание клиентов, затем вы будете на передовой в качестве службы поддержки клиентов в течение нескольких дней, а затем обсудите, что делать дальше! Если вы просто сядете и поболтаете за чашечкой кофе с человеком, отвечающим за обслуживание клиентов, как вы думаете, сможете ли вы поговорить о реальных болевых точках? Поэтому, как лицо, ответственное за проект ИИ, вы должны чутко относиться к бизнесу и пытаться понять его с точки зрения бизнес-персонала. На этом этапе у людей, которые занимаются ИИ, кажется, есть чувство превосходства, и им трудно понять бизнес приземленным образом, что приводит к закрытым дверям и, в конечном итоге, к отсутствию результатов.
2. Знайте, что делают ваши конкуренты и где они уже получают результаты. Знание соотношения является очень важным моментом в деловом мире, чтобы всегда знать, что делают другие. Если они доказали успешные случаи в определенной области, то это хорошая рекомендация для вас.
3. Установите приоритеты проекта
ИИ — это очень открытое поле, и даже для бизнеса мы можем столкнуться с самыми разными проблемами. Но следует помнить одну вещь: любой проект ИИ должен быть долгосрочным проектом, и затраты, которые он приносит, относительно велики. Значит, должен быть приоритет. Предположим, мы столкнулись с тремя вариантами выбора, пункт 1, пункт 2 и пункт 3, какой из них нужно сделать первым? Выбрать самое интересное? Выбрать самое сложное? Или выбрать наиболее интересующие меня технологии? нет, не делай этого...
При реализации проектов ИИ высшим приоритетом является тип проектов, которые оказывают наибольшее влияние на бизнес. С другой стороны, задумайтесь, какой бизнес в компании каждый день ругают из-за его неэффективности? Группа людей, каждый день выполняющая однообразную работу, но тратящая много денег? Какая часть продукта вызывает наихудший опыт?
Мы можем начать с этих болевых точек, сначала перечислить самые «болезненные» и «с поддержкой ИИ» проекты, а затем примерно рассчитать ожидаемую ценность проекта или улучшения бизнеса.. Как рассчитывается это значение? Этот аспект частично зависит от понимания технологии ИИ.Например, есть система А, но после разработки алгоритма в течение следующих трех месяцев, насколько можно повысить эффективность? Кроме того, вы также можете сослаться на некоторые успешные случаи в этой области.Если вы действительно не можете, просто посмотрите на результаты в статье.Конечно, результаты здесь можно использовать как максимально достижимые ожидаемые результаты.
Другой способ — придумать самый простой путь, чтобы быстро попробовать. Например, если начинающая компания хочет запустить автоматическую систему обслуживания клиентов, создание такой системы займет много времени. Как быстро проверить в это время? Мы можем полностью управлять им вручную (клиенты думают, что это машина) и наблюдать за отзывами пользователей.Если этот метод осуществим, мы будем в основном знать, что делать. Итак, на данном этапеПридумайте всевозможные ярлыки или «обманки», чтобы быстро протестировать и найти наилучший вариант.
4. Поймите верхний предел технологий, не думайте, что ИИ может решить все
ИИ подобен ребенку 3-4 лет, его возможности ограничены, и его нельзя использовать для решения каких-либо задач. Для некоторых задач его роль действительно относительно велика, например, распознавание лиц, распознавание изображений, обнаружение объектов и т. д. Но для других задач эффект может быть неочевидным, или соотношение ввода-вывода очень низкое, например, предсказание цены акций А с помощью ИИ или попытка создать интеллектуального робота, который может ответить на все вопросы.
Например, вы можете использовать ИИ для прогнозирования цены акций A (акции США не были предсказаны, поэтому я не осмеливаюсь здесь комментировать), что в настоящее время трудно сделать. Зачем? Цена акций сама по себе зависит от человеческой природы, а также от других неценовых факторов, поэтому эту информацию, очевидно, трудно получить из данных фондового рынка, к которым у нас есть доступ. Может быть, кто-то скажет, что тогда мы можем анализировать человеческое поведение и использовать его как сигнал, верно? Конечно, это также третий пункт, который я перечисляю ниже. Но даже в этом случае эта неопределенность в отношении A-акций мешает современным системам искусственного интеллекта давать точные прогнозы.
Чтобы принять такое решение, необходимо быть очень чувствительным к переднему краю технологии. Только после этого можно проводить оценку:1. Осуществим ли этот проект? Как осуществимость? 2. Сколько стоит ожидаемое улучшение после завершения проекта и как выгоды от этого улучшения будут соотноситься с затратами? 3. Чтобы текущий проект был осуществим, какие условия должны быть соблюдены? Или какие данные? Для того, чтобы иметь эти условия, каков следующий план?
5. Итерируйте быстро, итерируйте непрерывно
Ядром проекта ИИ является итеративный процесс проб и ошибок.. Это необходимо согласовать с продакт-менеджерами и разработчиками. Это для лучшей итерации,Нам нужно подумать об итеративном пути, то есть о том, какой итеративный метод может заставить продукт быстрее достичь желаемого эффекта.? Здесь много знаний, как можно улучшить дизайн продукта, чтобы получить обратную связь? Как собираются данные? и Т. Д.
Если ИИ-проект не дает эффекта более 3-х месяцев, он более опасен, почему вы так говорите? Потому что отсутствие эффекта равнозначно отсутствию итераций.Итеративная идея на самом деле очень похожа на идею MVP (минимально ценный продукт)., и эта идея также похожа на обучение с подкреплением.
Сама итерация разделена на две части: одна — быстрая итерация всего проекта, а другая — быстрая итерация внутри каждого модуля проекта.. Мы можем использовать моделирование в качестве аналогии. Например, первая модель, которую мы хотим построить во время моделирования, называется базовой линией. Что такое базовая линия? Логистическая регрессия? SVM? в моих глазах,Базовый план — это модель, которую можно сделать за один день!Неважно, насколько велики данные или насколько сложна сцена, вам нужно увидеть простейший результат за один день. А если данных много? Затем попробуйте часть; что, если данные слишком грязные? Затем сначала удалите грязные данные, а если ресурсов не хватит? Затем используйте простую модель, такую как логистическая регрессия! На самом деле всегда есть способ в кратчайшие сроки придумать работающую модель, и использовать этот результат для оценки реализуемости проекта и ожидаемого эффекта в будущем. Эти данные особенно важны для реализации последующих проектов. Кроме того, если вы позволите другим увидеть результаты как можно скорее, это также повысит их доверие к вам, иначе дальнейшая работа будет очень пассивной.
6. Проведите хорошую оценку бизнеса перед запуском проекта
Когда мы моделируем, мы обычно рассматриваем некоторые показатели «типа AI», такие как AUC, F1-оценка и т. д., которые должны быть знакомы многим людям. Вопрос здесь в том, чем выше эти показатели, тем выше ценность для бизнеса? Не обязательно! Оценка с точки зрения бизнеса и оценка с точки зрения модели не обязательно идеально пропорциональны. Но по крайней мере должна быть аналогичная пропорциональная зависимость, иначе использовать эти показатели бессмысленно!Поэтому вам, как персоналу ИИ, также необходимо обращать внимание на показатели, которые волнуют бизнес-отдел, и думать о том, какое состояние модели наиболее подходит для текущей бизнес-ситуации.
Кроме того,Интерпретация модели также важна во многих сценариях.. Особенно для таких сценариев, как финансы и образование. Мы надеемся получить представление об этих моделях перед развертыванием, например, модель делает ошибку, понимаете, почему? Это также недостаток современного глубокого обучения — плохая интерпретируемость.
Ссылаться на:
[1] к data science.com/6-uncommon-…