6

Quyết định khi nào và làm thế nào để sử dụng AI trong tổ chức của bạn là một nhiệm vụ khó khăn. Các tùy chọn rất nhiều: theo  venturescanner.com , các VC hiện đang tài trợ cho 855 công ty AI với số tiền đầu tư gần 9 tỷ đô la. Và đó không tính số lượng lớn các nhà cung cấp được thành lập và các công ty khởi động. Nó đủ để làm cho đầu bạn quay cuồng, dẫn đến tê liệt phân tích.

Nhưng hãy đối mặt với nó - với tất cả các lựa chọn thay thế này, chúng tôi vẫn được trang bị tốt hơn nhiều để đưa ra lựa chọn như vậy so với phần mềm AI mà chúng tôi đang đánh giá. Mặc dù công nghệ rất tiên tiến, chúng ta có thể áp dụng nhiều phương pháp thử và đúng mà chúng ta sử dụng cho các loại phần mềm khác.

Bắt đầu với kết thúc trong tâm trí

Trong một bài viết trước đó,  Suy nghĩ dữ liệu lớn? Thay vào đó hãy nghĩ những câu hỏi táo bạo , tôi khuyến khích bắt đầu bằng một câu hỏi hơn là một công cụ khi đánh giá các cơ hội Dữ liệu lớn. Điều tương tự áp dụng trong không gian học tập AI / máy. Điều thú vị về độ tuổi chúng ta đang sống là chúng ta có thể hỏi những câu hỏi thực sự táo bạo. Chúng tôi không còn bị hạn chế bởi các giới hạn phần cứng hoặc phần mềm.

Bắt đầu bằng cách dành thời gian thực sự làm rõ loại câu hỏi bạn đang tìm cách trả lời hoặc vấn đề cần giải quyết. Sử dụng cách tiếp cận của "Five Whys" (hỏi Tại sao? Năm lần) để đi đến gốc rễ của vấn đề. Tôi đã tìm thấy một số chủ đề phổ biến trong kinh nghiệm của tôi:

  • Dòng trên cùng (Doanh thu):  Ai là sản phẩm tốt nhất / có lợi nhất của chúng tôi, khách hàng, khách hàng tiềm năng, v.v., và chúng tôi nên làm gì để tối đa hóa? Đây là một phần mở rộng của phân khúc thị trường cổ điển và báo cáo Business Intelligence. Với các công cụ mới hơn trong không gian Dữ liệu lớn và AI, chúng ta có thể phân tích lượng lớn dữ liệu và nhóm / dự đoán với rất nhiều độ chính xác và sắc thái.
  • Điểm mấu chốt (Chi phí): Sự  thiếu hiệu quả nào tồn tại trong hoạt động của chúng tôi và làm thế nào chúng tôi có thể tối ưu hóa để giảm chi phí? Đây cũng là một phần mở rộng của các kỹ thuật báo cáo truyền thống.
  • Trải nghiệm khách hàng:  Yếu tố nào thúc đẩy trải nghiệm khách hàng tối ưu / tích cực và chúng tôi có thể làm gì để cải thiện nó? Ngoài cách tiếp cận và các công cụ được đề cập ở trên, các công cụ đề xuất (như các công cụ cung cấp năng lượng cho Amazon và Netflix) đóng một vai trò lớn trong không gian này. Trợ lý tự động cho dịch vụ khách hàng cũng đi vào lĩnh vực khả năng.
  • Khám phá kiến ​​thức / Hỗ trợ quyết định:  Những kiến ​​thức và hiểu biết mới nào chúng ta có thể lượm lặt được từ thông tin hiện có và làm thế nào chúng ta có thể sử dụng nó để đưa ra quyết định? Đây là không gian yêu thích của cá nhân tôi và là nơi tôi đã dành phần lớn sự nghiệp của mình. Các công cụ hỗ trợ quyết định đã xuất hiện được một thời gian, nhưng những tiến bộ công nghệ tiếp tục cải thiện mức độ phân tích mà máy tính có thể xử lý, ngày càng giải phóng chúng ta để tập trung vào khám phá.
  • Máy móc / Phần mềm thông minh : Mặc dù các lĩnh vực khác tập trung vào việc làm cho doanh nghiệp hoặc người tiêu dùng trở nên tốt hơn, khu vực này tập trung vào việc tạo ra các máy thông minh để giải quyết các vấn đề cụ thể trên thế giới: từ điều hướng thế giới thực đến phân tích và phản ứng với dữ liệu theo thời gian thực. Cơ hội vẫn tồn tại ở đây ngay cả khi bạn không phải là một công ty phát triển phần mềm khó tính. Nếu bạn có một ý tưởng kinh doanh trong không gian này, bạn luôn có thể hợp tác với một người có thể mang lại tầm nhìn của bạn cho cuộc sống.

Đừng ngạc nhiên nếu dòng câu hỏi này dẫn bạn đến một giải pháp phi kỹ thuật. Đôi khi giải pháp tốt nhất là không triển khai phần mềm, mà là cải thiện con người hoặc xử lý các mặt của phương trình.

Ví dụ: tôi được mời đến để giúp một tổ chức xuất bản đánh giá các công cụ phân tích mới. Sau khi đi sâu vào chi tiết, tôi biết rằng vấn đề thực sự mà họ gặp phải là "vấn đề nan giải của nhà đổi mới". Bất kỳ công nghệ mới nào cũng sẽ làm suy yếu mô hình kinh doanh hiện tại của họ, trừ khi họ giải quyết sự gián đoạn trong thị trường của họ trước tiên. Tôi đã đề xuất một vài cải tiến công nghệ khiêm tốn nhưng khuyến khích phần lớn trọng tâm của họ là giải quyết vấn đề mô hình kinh doanh.

Bạn cũng có thể thấy rằng các công cụ kinh doanh thông minh truyền thống hơn là đủ, hoặc những gì bạn có là vấn đề mở rộng dữ liệu lớn không cần trí tuệ nhân tạo. Hãy nhớ rằng thành công thường là đặt câu hỏi đúng, không chọn đồ chơi mới sáng bóng. 

Xác định lớp học máy

Mặc dù có rất nhiều nhà cung cấp và thuật toán choáng váng, nhưng thực sự chỉ có một vài lớp phương pháp học máy. Bắt đầu bằng cách xác định phương pháp bạn cần để giải quyết vấn đề của mình, sau đó bạn có thể thu hẹp các nhà cung cấp và công cụ hỗ trợ tốt nhất cho phương pháp này. Điều này có vẻ hiển nhiên, nhưng tôi không biết đã bao nhiêu lần tôi thấy các công ty bắt đầu với một công cụ cụ thể (Hadoop, bất cứ ai?) Trước khi hiểu nhu cầu hoặc cách tiếp cận.

Các phương pháp phổ biến nhất là

  • Khai thác tính năng:  Cách tiếp cận này lấy một đầu vào thô như văn bản, hình ảnh, video, âm thanh và trích xuất các "tính năng" có liên quan hoặc các mẫu có thể được sử dụng trong các thuật toán học máy tiếp theo. Điều này thường không liên quan đến chính nó nhưng là một bước tiền xử lý quan trọng.
  • Phân cụm:  Còn được gọi là "học tập không giám sát", phân cụm lấy dữ liệu thô hoặc các tính năng và nhóm các đối tượng với nhau dựa trên mức độ giống nhau của chúng. Yêu cầu thực sự duy nhất là các đối tượng cần một phương tiện để so sánh, ví dụ những gì làm cho chúng giống hoặc khác nhau.
  • Phân loại:   Còn được gọi là "học có giám sát", phân loại lấy dữ liệu thô hoặc các tính năng cùng với danh mục do người dùng xác định và phát triển các quy tắc để đặt các đối tượng vào các danh mục này. Các quy tắc có thể được sử dụng để dự đoán danh mục cho các đối tượng mới, chưa được phân loại. Kỹ thuật này cũng hữu ích cho việc gắn thẻ nội dung, ví dụ như hình ảnh, video hoặc sản phẩm.
  • Dự đoán:  Cách tiếp cận này xác định các mối quan hệ trong dữ liệu hiện có để phát triển các quy tắc và đưa ra dự đoán về các sự kiện trong tương lai, ví dụ: khách hàng sẽ rời khỏi ("khách hàng rời đi") hoặc một người sẽ mua cái này ("công cụ đề xuất"). Phần lớn sự quan tâm và phấn khích nằm trong dự đoán và vì lý do chính đáng: ai không muốn dự đoán tương lai?

Đây có vẻ như là một danh sách ngắn cho rất nhiều công ty đang tự vấp ngã để hành động, nhưng đó là về nó. Ngay cả các giải pháp tiên tiến hơn như xe không người lái của Google cũng sử dụng các khối xây dựng cơ bản này: trích xuất tính năng (giảm không gian 3D của nó thành một loạt các vật thể có thể đọc được bằng máy), phân loại (những vật thể này trông giống như một chiếc xe hơi, giống như người đi bộ) và dự đoán (nếu đèn chuyển sang màu đỏ xe phía trước tôi sẽ dừng lại). 

Xác định xem cái nào trong số này (riêng lẻ hoặc kết hợp) mà bạn cần để giải quyết vấn đề của mình và bạn đang trên đường đến một dự án học máy thành công.

Chọn công nghệ phù hợp với khả năng chấp nhận rủi ro của bạn

Khi bạn biết các loại thuật toán học máy bạn cần, Bước cuối cùng là đánh giá và chọn công nghệ đáp ứng nhu cầu cụ thể của bạn. Bạn có thể bị cám dỗ để đi theo các phương pháp tiếp cận giàu tính năng và tinh vi nhất, nhưng điều đó có thể dẫn đến sự không phù hợp trong khả năng chịu rủi ro của tổ chức. Tôi đã thấy các tổ chức lớn, trưởng thành chọn phần mềm từ một anh chàng trong nhà để xe và nhanh nhẹn hơn, các tổ chức nhỏ hơn đi cùng với một người khổng lồ như IBM. Trong mỗi trường hợp, các vấn đề tăng lên trước khi mực của hợp đồng thậm chí khô.

Bạn nên đi cùng với một nhà cung cấp có chiến lược, triết lý và khả năng chấp nhận rủi ro chung trong cùng khu vực với bạn. Không gian đang thay đổi nhanh đến mức một quyết định về công nghệ thuần túy là khá thiển cận. Bạn muốn một đối tác sẽ phát triển và thích nghi với tốc độ tương tự, do đó không có sự không phù hợp trong kỳ vọng. Ngoài công nghệ, đánh giá như sau:

  • Chiến lược tăng trưởng của công ty
  • Đội ngũ lãnh đạo
  • Phương pháp tư vấn của họ (thác nước truyền thống, nhanh nhẹn, v.v.)
  • Phong cách công nghệ của họ (độc quyền với R & D nặng, tích hợp, v.v.)

Tìm những công ty phù hợp với bạn về mặt đạo đức của công ty và bạn sẽ tìm được một đối tác tốt để bắt đầu cuộc hành trình này. Bạn cũng có thể sử dụng đánh giá này để cố ý di chuyển ra khỏi vùng thoải mái của bạn. Nếu bạn là một công ty lớn cần nhiều sự đổi mới, bạn có thể chọn một nhà cung cấp năng động và tích cực hơn cho mục đích duy nhất là bơm suy nghĩ và năng lượng mới vào một doanh nghiệp trì trệ. Chỉ cần chắc chắn rằng bạn đang đi vào với đôi mắt mở. 

Suy nghĩ cuối cùng

Bên dưới sự ồn ào của học máy là những cơ hội thực sự để giải quyết các vấn đề kinh doanh phức tạp hoặc đổi mới sản phẩm mới. Nhưng với tất cả sự ồn ào và ồn ào trong không gian, bạn cần giữ bình tĩnh và tiếp cận các dự án đó một cách hợp lý: xác định nhu cầu, lựa chọn phương pháp phù hợp và đánh giá các nhà cung cấp một cách chu đáo và toàn diện. Có được những điều này đúng, và bạn sẽ là người đứng đầu và vượt lên trên đối thủ cạnh tranh của bạn.


|