Мы много слышим о машинном обучении в новостях, и становится все труднее отделить гиперболы и захватывающие футуристические прогнозы от прагматичных реальных бизнес-приложений. Мне нравится область искусственного интеллекта, он вдохновляет меня каждый день, но часто может казаться, что искусственный интеллект происходит в далеком от передовых технологий месте или что единственные компании, реализующие его, - это Google, Facebook и Amazon. Думать так - значит упустить довольно большую возможность, которой уже воспользовались другие предприятия. На самом деле я бы сказал, что крупные предприятия имеют уникальное преимущество перед более обычно «маленьким», «шустрым» и «подрывным» сектором стартапов. Крупные предприятия имеют преимущество в реализации продуктов машинного обучения, которые меняют правила игры, или в использовании машинного обучения для повышения операционной эффективности. Это потому, что у крупного предприятия есть два огромных преимущества. 1) У вас есть существующая сеть распределения клиентов. Но что наиболее важно в контексте машинного обучения, 2) у вас есть способ большего количества закрытых данных для обучения алгоритмов машинного обучения, к которым у стартапов просто нет доступа.

Во-первых, вы часто слышите три общие фразы, говоря на эту тему: «искусственный интеллект», «машинное обучение» и «глубокое обучение» являются наиболее распространенными. Подумайте о них в виде иерархии понятий. «Искусственный интеллект» или «ИИ» находится на вершине, это целая дисциплина информатики, пытающаяся воспроизвести разумные рассуждения и поведение с помощью машин / программного обеспечения. Особенно действенной стратегией в области искусственного интеллекта является так называемое «машинное обучение», что, по сути, означает научить компьютер что-то делать, предоставив ему много данных для обучения. Алгоритмы машинного обучения - это просто очень мощные процессы распознавания образов. Видеть закономерности во множестве примеров данных - вот что такое машинное обучение. Затем, наконец, «глубокое обучение» - это особое семейство алгоритмов в рамках стратегии машинного обучения, которое оказалось чрезвычайно эффективным для решения проблем ИИ, которые раньше мы не могли решить (распознавание объектов, понимание текста и речи). В этой статье я часто использую машинное обучение и искусственный интеллект как синонимы, но теперь вы знаете, что это не так.

Думайте о машинном обучении и искусственном интеллекте, поскольку они могут применяться в вашем бизнесе, как о очень продвинутом распознавании образов! Если вы являетесь руководителем предприятия и читаете это, лучше всего не увлекаться технической реализацией или шумихой, а вместо этого создать концептуальную линзу, чтобы вы могли смотреть на различные области вашей организации и начнете замечать возможности для самостоятельного применения машинного обучения. Затем вы можете глубже изучить техническую реализацию. Вот несколько вопросов, которые стоит задать себе:

  1. Где данные? Где в вашей организации вы собираете или используете большое количество цифровых данных? (здесь много означает от 100 000 до 100 000 000 + записей. Рассматриваемые данные могут быть транзакциями клиентов, записями о продажах или обращениями в службу поддержки. Некоторое взаимодействие с приложением. Невозможно заранее сказать, будут ли данные, которые у вас есть, Алгоритмам машинного обучения требуются большие объемы высококачественных данных, чтобы начать формировать надежные прогнозы и гипотезы. И в зависимости от качества данных вам может потребоваться гораздо больше. Чем больше высококачественных данных, тем лучше. Эти области с высокой плотностью данных - это то место, где вы могут начать использовать машинное обучение, чтобы находить сложные закономерности и использовать их. Важно, что эти данные должны быть машиночитаемыми. Если у вас есть миллионы записей о клиентах, но они находятся в папках с бумажными файлами, вам сначала нужно подумать о оцифровке, прежде чем вы сможете даже мечтают об использовании машинного обучения. Типичный пример - использование машинного обучения для выяснения закономерностей в списках потенциальных клиентов на основе того, какие из них близки, а какие нет, чтобы вы могли заказать / p риоритизируйте списки потенциальных клиентов по вероятности закрытия, тем самым увеличивая коэффициент конверсии вашего внутреннего отдела продаж, поскольку они тратят свое время на наибольшую вероятность закрытия потенциальных клиентов первыми.
  2. Где вы делаете прогнозы? Где в вашей компании вы делаете прогнозы, используя данные? Это часто включает финансовые прогнозы, прогнозирование спроса, маркетинговое прогнозирование и т. Д. Чем крупнее прогнозы и чем больше данных вы делаете для прогнозов, тем более применимым будет машинное обучение для повышения точности этих прогнозов. Скорее всего, ваши бизнес-аналитики уже используют метод машинного обучения, называемый неконтролируемой кластеризацией, для создания клиентских сегментов, но вы можете начать делать гораздо больше. Например, используя исторические данные о спросе, все ваши данные CRM, даже данные о погоде, чтобы делать высокоточные прогнозы спроса в режиме реального времени.
  3. Где повторяющиеся процессы? Где повторяющиеся процессы, которые могут основываться на человеческом суждении, но, тем не менее, подпадают под предсказуемые параметры или границы. Везде, где вы пытаетесь оценить риск или вероятность мошенничества, используя хорошо структурированные данные (например, заявку на получение ссуды или страхование), или ориентируетесь в уже давно отработанном процессе (большинство запросов каналов поддержки, ввод данных). Часто вещи, которые, как мы считаем, требуют уникального понимания человеческого суждения, попадают в определенные проторенные пути с очень предсказуемыми ограничениями и параметрами. Конечно, всегда будут исключения из того, как оценивать, например, заявку на ссуду, но большинство из них можно автоматизировать с той же точностью, что и люди, оставляя исключительные случаи для оценки людям. Машинное обучение быстро автоматизирует эту традиционно человеческую деятельность.

Теперь эти вопросы должны дать вам начало вашей собственной линзы распознавания образов, чтобы заглянуть внутрь вашей компании и начать представлять, как вы могли бы использовать машинное обучение в своей компании. Однако если вы посмотрите, я могу предсказать, что вы чаще всего увидите одно из трех немедленных применений. Есть много других способов использовать машинное обучение, но, как правило, это малоизвестные плоды.

  1. Оптимизация продаж. Продажи часто являются областью, где у нас есть одни из лучших данных для машинного обучения. Это также место, где можно получить самый немедленный финансовый эффект от внедрения машинного обучения. Помните, что машинное обучение распознает закономерности, поэтому оно может заметить: когда определенные сегменты клиентов наиболее склонны к дополнительным продажам, какие типы потенциальных клиентов с наибольшей вероятностью закроются, а также вероятность закрытия потенциальных клиентов и системы рекомендаций по продуктам, основанные на шаблонах в ваших исторических данных. данные о продажах и профили клиентов. При наличии достаточного количества данных все эти реализации немедленно повлияют на коэффициент конверсии, поскольку вы начнете уделять приоритетное внимание времени торгового персонала тем вещам, которые имеют наибольшую вероятность получения продаж. Если вы хотите нанять кого-то для индивидуальной реализации этого, или вы пытаетесь использовать множество готовых предложений продуктов SaaS для оптимизации продаж с поддержкой AI, которые сейчас предлагают большинство CRM или которые пытаются разработать, это не имеет значения, компании уже имеют возврат в этом области реальны и значительны.
  2. Автоматизация процессов - это разнообразное использование машинного обучения. От автоматизации ручного ввода данных до автоматизации оценки приложений страховых рисков. Это поиск мест в вашей компании, где принятие решений широко используется людьми, но которые часто укладываются в общие шаблоны, границы или ограничения. Я уже приводил пример оценки приложений, но я бы также включил автоматизацию каналов поддержки в эту область. Если вы читаете об этой области, вы, несомненно, слышали о «чат-ботах» или «диалоговых интерфейсах», которые при правильной реализации могут значительно снизить нагрузку на вашу службу поддержки. Здесь данные не являются данными о продажах, а представляют собой комментарии по заявкам в службу поддержки и профили клиентов. Часто это не количественные данные, а качественные, но все же есть способы автоматизировать эти классические человеческие процессы суждения.
  3. Продукты / функции с поддержкой AI - это более аморфное и творческое приложение машинного обучения / искусственного интеллекта. Именно здесь вы используете свое преимущество как существующего предприятия с доступом ко всем этим закрытым данным и существующим сетям распределения клиентов для развертывания продуктов, ценность которых определяется использованием искусственного интеллекта. Здесь вы начинаете смотреть на данные своих клиентов и потребности своих клиентов и начинаете спрашивать себя, какие задачи распознавания образов, казалось бы, похожие на человеческие, вы могли бы теперь выполнять в масштабе для клиента, используя искусственный интеллект / машинное обучение, а не человеческий труд, который может быть не рентабельно как продукт / услуга. Это не замена рабочих мест, это выполнение того, что ваша компания никогда не смогла бы сделать, в первую очередь из-за затрат на выполнение этого с помощью человеческого труда.

Мой последний совет - начать читать о различных приложениях искусственного интеллекта в крупных компаниях. Это заставит ваше воображение работать над возможностями, которые вы могли бы создать в рамках своего собственного предприятия. Вот два ресурса для начала, но я обнаружил, что просто запрос Google «Приложения искусственного интеллекта в [вставьте сюда корпоративную функцию]» обычно помогает вам начать поиск интересных статей. Вот несколько, с которых можно начать.

Отчет« Делойт об инновациях в области искусственного интеллекта за 2016 год»
Искусственный интеллект в продажах: 10 компаний, на которые стоит обратить внимание
Как реальные компании используют машинное обучение

Наконец, когда вы будете готовы двигаться вперед, сформируйте / наймите небольшую команду, которая сможет приступить к изучению потенциальных приложений. Значительная часть ценности зависит от качества, корреляции и объема данных, поэтому вы не можете точно знать влияние, пока не начнете экспериментировать со своими данными, выясняя интересные закономерности и запуская пилотные проекты, чтобы проверить их влияние.