# 1: Какво може да направи машинното обучение за вашия бизнес и как да го разбера

Това е част 1 от ръководството за 6 части, Ръководство стъпка по стъпка за изграждане на продукти, базирани на машинно обучение. Следвайте връзката за преглед на цялата серия.

Инвестирането в ML е като инвестиране в мобилни преди 10 години - може да трансформира вашия бизнес

Изследването на съществуващите данни за прозрения е добре позната, широко възприета дисциплина. ML обаче е следващата граница в анализа на данните. Това е дисциплина, при която компютърните програми правят прогнози или черпят прозрения въз основа на модели, които идентифицират в данните и са в състояние да подобрят тези прозрения с опит - без хората изрично да им казват как да направят това. Тъй като организациите имат достъп до повече данни, машинното обучение им дава възможност да черпят поглед от данните в мащаб, на ниво на детайлност, което варира от взаимодействие на един потребител до световните тенденции и тяхното въздействие върху планетата. Използването на тези данни може също да варира от персонализиране на опита на отделен потребител на ниво пиксел до създаване на нови продукти и бизнес възможности, които понастоящем не съществуват. Обърнете внимание, че с ML можете да отидете далеч отвъд използването на вътрешни данни - силата на ML често може да бъде подобрена, като се омъжвате за вътрешни с външни данни, за да създадете нови прозрения, които по-рано не са били възможни.

Frank Chen от A16Z има отличен грунд върху потенциалните приложения на изкуствения интелект, много от които изискват или ще изискват машинно обучение. Някои от тези приложения са изглеждащи в бъдеще и все още не са постижими със съществуващите технологии, но дават чудесен усет на възможностите.

Точно както потребителските компании започнаха да мислят за инвестиране в мобилни преди 8–10 години, сега е моментът компаниите да започнат да изследват ML като технология, която може да помогне за постигане на бизнес резултати. За компании, които се фокусират върху използването на съществуващите технологии за ML, има няколко ключови теми за това, което ML ви позволява да правите. Те не са изчерпателни или взаимно изключващи се, а представляват различни ъгли на мислене за потенциално въздействие върху вашия бизнес:

  • Масово персонализиране на потребителска среда, опит и реакции на системата. Представете си, че всичко, което човек прави или вижда, може да бъде персонализирано специално за тях и дори да предвиди своите нужди и поведение. Това включва препоръки за продукти или услуги, подредени по степен на значимост за тях; адаптиран потребителски опит или потоци въз основа на знанията, които имате за потребителя, поведението им, други хора като тях или външни данни, включително прогнозиране какво биха искали да направят по-нататък и др. потребители, а не индивиди.
  • Способността за визуално идентифициране на обекти и автоматизиране или приспособяване на опита съответно. Технологиите днес могат да идентифицират обекти в снимки и видеоклипове, включително в камерата на живо. Pinterest използва това, за да предложи подобни / допълващи се обекти на тези на снимка, която потребителят разглежда; Facebook използва технология за разпознаване на лица, за да предложи на приятелите да маркират на снимка, Amazon изгражда автоматична проверка в магазина въз основа на визуална идентификация на обекти и т.н.
  • Автоматично извличане, генериране или обработка на съдържание. ML дава възможност за бърза обработка на огромните количества съдържание в света. Често използвани са извличане на документи - напр. намиране на всички документи, които са от значение за правен случай (имайте предвид, че това надхвърля само ключови думи в контекстно търсене), класификация на документи по теми и ключови думи, автоматично обобщение на съдържанието, извличане на подходяща информация от големи количества съдържание - напр. намиране на конкретни условия в договори за доставчици и т.н. „Съдържание“ тук се прилага за всички видове медии, а не само за текст.
  • Прогнози, прогнози и тенденции в мащаб. ML дава прогнози, които са много скъпи или е трудно да се направи друго. ML е особено полезен за направата на прогнози, които в противен случай изискват високо ниво на експертиза, като цената на жилището или дори са невъзможни за човека да направи такова, каквото съдържание ще се справи добре в социалните медии. Машините могат също така да идентифицират тенденциите в данните, преди да станат очевидни за хората.
  • Откриване на необичайна активност или повреди в системата. Всяка система има грешки и проблеми, но ML ви позволява не само да откриете дали възникват проблеми, но и дали тези проблеми са необичайни и тревожни. Това е особено полезно при различни системи за наблюдение и сигурност.

От стратегическа гледна точка ML може да постигне няколко вида бизнес резултати:

  • Подобрено изживяване и функционалност за вашите клиенти. Най-често срещаният случай на използване е масовото персонализиране - намирането на продуктите, които е най-вероятно да са подходящи за вашите клиенти по-бързо и ефективно, напр. най-добрите им съвпадения в сайтове за запознанства, песни, които може да харесат на музикални сайтове, продукти, които може да се интересуват от закупуване и др. Другият случай на използване е използването на прогнози, за да ги информирате за субекти или ситуации, които иначе не биха имали. Това може да бъде общо - напр. Zillow's Zestimate цени една и съща къща, независимо от това, кой гледа в нея, или персонализирана за отделния клиент - напр. оценката, която потребителят вероятно ще даде филм, който не са гледали, предвид специфичните им вкусове.
  • Вътрешни функции, процеси и бизнес логика. Машинното обучение може да ви спести време и да направи инвестицията ви в ресурси по-ефективна, що се отнася до бизнес процеси и решения. Например: Кредитна компания би искала да даде приоритет на своите контакти с потенциални кандидати за кредит. Необходимо е да се определи кой иска заем достатъчно, за да го вземе в действителност, ако бъде предложен, но все още е вероятно да може да го изплати. Приоритизирането на най-кредитоспособните клиенти не е непременно отговорът, тъй като тези клиенти обикновено имат много възможности и е по-малко вероятно да конвертират, така че се изисква по-сложен модел.
  • Разширяване до нови вертикали и нови продукти. Данните могат да ви помогнат да отворите напълно нови бизнес възможности - да създадете чисто нови продукти за съществуващите си клиенти или да обслужвате сегменти или клиенти, на които не сте служили преди. Например: Netflix може да обслужва студия, които не бяха основната целева аудитория, като им продава информация за своите данни за това, кои теми и сюжетни линии работят за коя аудитория; Zillow може да помогне на разработчиците на недвижими имоти да разберат кои характеристики на сградите ще им осигурят най-висока възвръщаемост на инвестициите и т.н.

Решението коя област да се обърне първо трябва да зависи от потенциалното въздействие върху бизнеса, както и от сложността на проблема и разходите за постигането на това въздействие.

„Трябва да направим нещо с нашите данни“ е стратегия, а не наука за данни, проблем

Много компании търсят да наемат учени за данни, хората, които изграждат модели на ML, защото „ние трябва да направим нещо с нашите данни“. Чух много ръководители в известни компании да казват „виждаме нашите конкуренти да купуват данни, така че трябва да направим това, за да останем конкурентоспособни“, след което да наемем няколко учени с данни, надявайки се, че ще измислят някаква магия. Това ме довежда до голямо погрешно схващане за ML.

ML не е вълшебна пръчица за вашия бизнес. Първото предизвикателство в ML е намирането на въздействието върху бизнеса, което технологията цели да управлява. ML е решение - първо трябва да дефинирате проблема: Какви са бизнес резултатите, които се надявате да постигнете с ML? Какви ползи може да предостави ML за вашите клиенти? ML е чук - но ако нямате пирон, чукът не е особено полезен. За да разтегнете клишето още повече, ML е изключително разнообразен набор чукове и видът на нокътя, който имате, ще определи кой чук ще изберете и как ще го използвате. Точният проблем, който се опитвате да решите, ще диктува всичко - как ще се използва резултатът, какво трябва да предскаже моделът ви и как трябва да се калибрира, какви данни събирате и обработвате, какви алгоритми тествате и много други въпроси.

В основата си „какъв проблем решаваме?“ Е бизнес въпрос, което означава, че определянето му в крайна сметка е отговорност на продуктовите мениджъри и бизнес лидерите, а не на учени по данни. Учените за данни и други заинтересовани страни трябва абсолютно да участват в достигането на определението - просто не им хвърляйте въпроса и не очаквайте да се върнат с отговори. Ако имате данни, които не знаете какво да правите, провеждайте интервюта с клиенти и идейте с други хора, насочени към клиентите в цялата организация. Учените за данни могат да ви помогнат да проучите вашите данни, да създадете идеи и да повтаряте, но ако не разполагат с много експертизи за проблемното пространство, би било трудно те сами да измислят бизнес случая. За да постигнете максимална стойност на ML за бизнеса, се нуждаете от непрекъснато сътрудничество между продуктови мениджъри и учени по данни, където отговорността на продуктовите мениджъри е да гарантират, че проблемите, които се решават, са най-въздействащите за бизнеса.

Разопаковане как ML може да движи бизнеса си напред

Въпреки че възможностите с ML са безкрайни, има някои въпроси, които бихте могли да зададете, за да разберете как технологията може да се приложи към вашата организация. Ето няколко примера:

Вътрешни процеси

  • Къде хората в моята компания днес прилагат знания, за да вземат решения, които биха могли да бъдат автоматизирани, така че уменията им да бъдат по-добре използвани на друго място?
  • Какви са данните, които хората в моята компания обикновено търсят, събират или извличат ръчно от определени хранилища с информация и как това може да бъде автоматизирано?
  • Какъв е наборът от решения, които хората в моята компания вземат? Могат ли тези решения да бъдат взети от машина, ако магически погълна всички данни, които има моите хора?

Продукти и опит за съществуващи клиенти

  • Какви части от взаимодействието на клиентите ми са персонализирани от хората и потенциално могат да бъдат персонализирани от машини?
  • Имам ли ясна сегментация на клиентите си въз основа на техните предпочитания, поведение и нужди? Моят продукт / опит ли е персонализиран за всеки сегмент?
  • Мога ли да персонализирам опита за всеки отделен клиент въз основа на това, което знам за тях или взаимодействието им с моя сайт / приложение / продукт? Как бих могъл да създам по-добро, по-бързо или по-приятно изживяване за тях?
  • По-конкретно, какви са решенията и изборите, които моля моите клиенти да направят днес? Могат ли тези решения да бъдат автоматизирани въз основа на някакви знания, които вече имам или бих могъл да имам?
  • Как мога да идентифицирам по-добре доброто или лошото преживяване на клиента? Мога ли да открия проблеми, които ще повлияят отрицателно на клиентското преживяване или удовлетворение, преди да се случат или разпространят?

Нови вертикали или клиенти

  • Имам ли данни, които биха могли да бъдат полезни за други заинтересовани страни в индустрията или в съседни индустрии? Какви решения могат да помогнат на тези заинтересовани страни да вземат?

Всички гореизброени

  • Какви са показателите или тенденциите, които, ако мога да предскажа правилно, биха имали смислено въздействие върху способността ми да обслужвам клиентите си или по друг начин да се конкурирам в бранша, напр. прогнозно търсене на определени категории продукти, колебания на разходите и т.н.?
  • Кои са основните субекти, за които събирам данни (хора, компании, продукти и т.н.)? Мога ли да се омъжа за тези данни с външни данни (от публични източници, партньори и т.н.) по начин, който ми казва нещо ново или полезно за тези субекти? Полезно за кого и как? Например: Идентифицирайте потенциалните клиенти, когато са на ръба да търсят вашия продукт, разберете как външните фактори влияят върху търсенето във вашата индустрия и реагират съответно и т.н.

Мозъчна атака някои от тези въпроси (и други) с вашия екип и ключови заинтересовани страни в организацията. Ако не сте сигурни откъде да започнете - започнете някъде. Само експериментирането с някои данни може да помогне на вас и вашия екип да разберете къде можете да отидете оттам.

В част 2 ще обсъдим всички технически термини на ML, които трябва да разберат, как влиянието на избора на технологията зависи от дефинирането на проблема ви и някои от клопки за моделиране, които трябва да внимавате, които оказват влияние върху вашия бизнес.

Ако ви се стори интересна тази публикация, моля, щракнете върху зеленото сърце по-долу, за да ме уведомите или да споделите с някой друг, който може да го намери полезен? Това напълно би ми направило деня!