Миссия Elipsa — создать доступный ИИ, который позволит организациям масштабироваться, предоставив своим бизнес-пользователям возможность взять на себя роль специалиста по данным с помощью решения без кода. Три столпа этой миссии — удобство использования, объяснимость и доступность. В этой серии из трех статей рассказывается, как сосредоточение внимания на каждом из них позволит более широко внедрить прогнозную аналитику и ускорить переход от данных к аналитической информации.
Удобство использования
Согласно опросу Forbes, ›75% организаций называют ограниченные навыки ИИ препятствием для своих инициатив в области ИИ. Бизнес-пользователи не разбираются в машинном обучении и науке о данных, что требует от организаций расширения групп специалистов по данным или найма дорогостоящих консалтинговых фирм только для того, чтобы начать работу. В результате неудивительно, что тот же опрос показывает, что 90% организаций изо всех сил пытаются оправдать рентабельность инвестиций.
Существующие платформы машинного обучения страдают от недостатка удобства использования. Представьте себе использование Excel, если каждая ячейка должна быть формулой, или Salesforce, если вам нужно написать SQL-запросы только для поиска и подключения информации о клиентах. Сложности существующих платформ предиктивной аналитики слишком тонки для нетехнических пользователей, что заставляет фирмы брать данные из рук тех, кто лучше всего в них разбирается.
Платформа elipsa ориентирована на удобство использования. Простой и интуитивно понятный интерфейс, позволяющий бизнес-пользователям применять прогнозную аналитику с помощью кликов, а не кода.
Шаг 1 — На какой вопрос вы хотите ответить?
Какую проблему вы хотите решить? Прогнозной аналитике нужен вопрос, чтобы найти ответ. Специалисты по данным не придумывают вопрос, бизнес знает, какие вопросы задавать, но не имеет возможности использовать передовые методы, чтобы помочь найти ответы.
Итак, первый шаг — это простой первый вопрос о том, какую проблему вы хотите решить. С помощью платформы elipsa пользователи могут применять прогностическую аналитику, чтобы помочь предсказать значение, результат события, сгруппировать похожие элементы вместе и найти выбросы в ваших данных.
В оставшейся части этого поста мы сосредоточимся на способности предсказывать события. Когда люди думают о предсказании событий, они часто думают о погоде или исходе выборов. Тем не менее, событие — это что-либо с определенным исходом. Подбрасывание монеты — это событие, покупатель, покупающий товар на веб-сайте, — это событие, а отказ детали машины — это событие. Прогнозирование такого события зависит от вопроса, который вы задаете, и данных, которые вы используете для ответа на этот вопрос.
Шаг 2 — Каковы ответы на вопрос, из которых вы хотите, чтобы система научилась?
Elipsa фокусируется на кликах, а не на коде. Пользователи могут перетаскивать свои собственные файлы csv/excel и легко выбирать столбец, который они хотят предсказать. Думайте о цели как об ответах на тест, который вы хотите, чтобы система изучила. Ключевым моментом здесь является то, что вы хотите, чтобы система извлекла уроки из этого столбца, а не запомнила его. Это общая проблема со многими алгоритмами машинного обучения и концепцией, называемой переоснащением. Мы не будем вдаваться в технические подробности в этом посте, но платформа elipsa оптимизирует модели за кулисами таким образом, чтобы способствовать изучению моделей, а не их запоминанию.
Шаг 3 — Что вы хотите использовать, чтобы предсказать ответ?
Как только вы сообщите системе, что вы хотите предсказать, вам нужно просто выбрать, какие столбцы вы хотите использовать в качестве предикторов. Система будет сортировать большие наборы данных, чтобы найти прогностические шаблоны, но она полагается на опыт пользователя в предметной области, чтобы указать, какие релевантные атрибуты использовать.
Шаг 4 — Собираем все вместе, без технического жаргона
До сих пор все было довольно просто, даже по сравнению с платформами прогнозной аналитики, представленными на рынке. Однако именно здесь обычно вступает в действие жаргон, который начинает терять нетехнических пользователей.
Как только вы знаете вопрос (ваша цель) и то, что вы хотите использовать для прогнозирования этой цели (ваши предикторы), все становится довольно техническим на пути от данных к пониманию. Некоторые из следующих ключевых шагов включают разработку функций, выбор модели и настройку параметров. Здесь устаревшие платформы спросят, хотите ли вы удалить коллинеарность или использовать логарифмическое преобразование, и процесс переходит от простого к чрезмерно сложному.
Машинное обучение должно быть прозрачным (об этом мы поговорим в посте об объяснимости), но эти мелкие детали и выбор должны быть в результатах, а не в процессе создания модели, если вы хотите, чтобы этот процесс был пригоден для использования средним человеком, ищущим инсайты. . Пользователь обычно не знает разницы между деревом решений и алгоритмом xgboost, чтобы выбрать, какой из них использовать, и наша позиция заключается в том, что он не должен этого делать. Машинное обучение созрело до такой степени, что система может выбирать для них подходящий алгоритм.
Платформа elipsa автоматизирует эксперимент по науке о данных. Мы не просим пользователя указать, какой алгоритм запускать, а вместо этого автоматически запускаем до 20 различных алгоритмов. Платформа перебирает различные комбинации параметров модели и различные комбинации методов, чтобы найти наиболее полезные предикторы. Конечным результатом является модель с лучшими параметрами и лучшими предикторами для ответа на ваш запрос, и все это в автоматизированном рабочем процессе, который интуитивно понятен и, что наиболее важно, удобен для бизнес-пользователя.
Вывод
Глубокое понимание данных лежит в руках и умах бизнес-пользователя. Когда данные переходят от этих пользователей к их техническим аналогам, теряется много ценности. Это приводит к тому, что через недели или даже месяцы можно увидеть результаты инициатив ИИ. Это приводит к статистике, указанной в верхней части сообщения, где организации изо всех сил пытаются увидеть и оправдать рентабельность инвестиций. Лучший подход — это гибрид, который сочетает в себе науку о данных с экспертизой в предметной области. Этот подход ускоряет получение информации, приводит к более совершенным моделям прогнозирования и более четкому пониманию окупаемости инвестиций за считанные минуты, а не недели. Наша цель — обеспечить это с помощью доступного ИИ, и она начинается с удобства использования.
