Подходит ли машинное обучение для вашего бизнеса?

Большинство компаний признают, что машинное обучение может создавать исключительную ценность, но многие все еще задаются вопросом, как, в каких конкретных областях и не пора ли интегрировать его в свою стратегию обработки данных. Сегодня мы рассмотрим, какие вопросы вы должны задать, чтобы узнать, подходит ли машинное обучение для вашего бизнеса.

Во-первых, подходит ли время для машинного обучения? Или это модное слово и технологический пузырь, основанный на маркетинге?

Время пришло, и вот почему.

Посмотрите на все сигналы:

Улучшение вычислительной мощности: повышенная производительность в микроэлектронике позволяет предприятиям обрабатывать больше данных. Поскольку все больше и больше из них переключают свои процессоры на графические процессоры, трудоемкие процессы (такие как обучение нейронной сети) значительно увеличились в скорости. Лидеры рынка, такие как Nvidia, Google и Microsoft, даже работают над аппаратным обеспечением, специально предназначенным для машинного обучения.
Стоимость хранения. По данным исследовательского сайта Statistic Brain, стоимость снизилась со 105 000 долларов США за гигабайт в 1985 году до 0,03 доллара США за гигабайт в 2014 году. о космосе.
Рост данных.ScienceDaily писал в 2013 году: «Полные 90 % всех данных в мире были созданы за последние два года». Сегодня мы можем ожидать, что этот процент будет выше. С таким количеством данных количество потенциальных приложений машинного обучения становится бесчисленным.
Размер и рост рынка. В последнем отчете marketandmarkets.com говорится, что «ожидается, что к 2022 году рынок искусственного интеллекта (ИИ) будет стоить 16,06 млрд долларов США, а среднегодовой темп роста (среднегодовой темп роста) составит 62,9. % с 2016 по 2022 год». Если вы знаете о сегменте рынка, который превышает предполагаемый CAGR для ИИ, напишите мне. Мне было бы любопытно узнать.
Активность по слияниям и поглощениям в области искусственного интеллекта увеличилась в 7 раз с 2011 года – это признак усиления конкуренции с четкими ценностными предложениями на рынке.
Это везде. «Десять лет назад мы изо всех сил пытались найти 10 бизнес-приложений на основе машинного обучения. Теперь мы изо всех сил пытаемся найти 10, которые его не используют». как заявил вице-президент Gartner по исследованиям Александр Линден.
Машинное обучение не ново: его истоки восходят к 50-м годам. Бернард Марр дает хороший обзор временной шкалы машинного обучения в своей статье: Краткая история машинного обучения — каждый менеджер должен прочитать.

Как сказал еще в 1988 году Радж Редди, бывший сопредседатель отдела информационных технологий при президенте США, эта область интересна как никогда. Наши недавние достижения значительны и существенны. И мифическая «зима ИИ могла превратиться в весну ИИ. Я вижу много цветущих цветов».

Имея все это в виду, я думаю, можно с уверенностью сказать, что зима ИИ прошла, весна здесь, а лето не за горами. Редди не единственный, кто заметил цветение цветов.

Как вы могли прочитать в сообщении на прошлой неделе, Arcbees прикладывает много усилий для создания того, что мы считаем логическим развитием нашего опыта: искусственного интеллекта. Наша команда пчел собирается опылить некоторые из этих цветущих проектов (извините за каламбур) с помощью услуг по разработке, ориентированных на ИИ.

Какие бизнес-задачи может решить машинное обучение?

Чтобы помочь вам определить, какие ситуации можно решить с помощью машинного обучения, начните с ваших данных. Ищите области вашего бизнеса, которые способны производить данные (в больших количествах), и какую ценность можно извлечь из них.

Машинное обучение отличается от других технологических достижений; это не решение plug and play, по крайней мере пока. Машинное обучение можно использовать для решения многих ситуаций, и каждая ситуация требует определенного набора данных, модели и параметров для получения ценных результатов.

Это означает, что вам нужна четко определенная цель, когда вы начинаете. Машинное обучение значительно продвинулось вперед во многих областях, и все функции внутри организации, скорее всего, в ближайшем будущем претерпят революционные изменения. Тем не менее, некоторые области более созрели, чем другие, для его принятия.

В Arcbees мы считаем, что есть две функции, которые, в частности, являются новаторскими во внедрении машинного обучения:

Логистика и производство;
Продажи и маркетинг.

Причина, по которой эти две области ведут к более широкой интеграции в повседневную практику, проста. Они обещают прямое влияние на рентабельность инвестиций.

Какую рентабельность инвестиций вы можете ожидать от машинного обучения?

Измерение рентабельности инвестиций в машинное обучение в рамках вашей бизнес-стратегии сильно зависит от контекста и решаемой проблемы. Большинство выгод от его использования можно разделить на две основные области: предиктивное понимание и автоматизация процессов. И то, и другое можно использовать таким образом, чтобы либо снизить затраты, либо увеличить доход.

Прогнозное понимание:

Прогнозное понимание поведения клиентов предоставит вам больше возможностей для продаж;
Прогнозирование эффективности лекарств может сократить время выхода на рынок;
Прогнозирование того, когда пользователь собирается уйти, может улучшить удержание.

В этом контексте машинное обучение может повысить вашу реактивность, предоставляя вам инструменты и информацию для более быстрого и точного принятия решений.

Автоматизация процессов и эффективность:

Расширение решений по управлению инвестициями с помощью программного обеспечения на основе машинного обучения может обеспечить более высокую прибыль и помочь смягчить дорогостоящие ошибки;
Обучение движениям роботизированной руки может повысить точность вашей производственной линии и облегчить ваши потребности в контроле качества;
Распределение ресурсов в соответствии с потребностями пользователей может сэкономить время и затраты во время доставки.

Когда машинное обучение используется в таком контексте, ваш бизнес становится умнее. Ваши процессы и системы дополняют ваше ценностное предложение, а ваши ресурсы используются более эффективно.

По мере того, как все больше компаний будут стремиться к его интеграции в повседневную деловую практику, будет доступно больше тематических исследований, измеряющих его влияние.

Например, в настоящее время мы помогаем Международному аэропорту Квебек-Сити реструктурировать их стратегию данных, анализ и архитектуру. Организация использует десятки внутренних систем для управления рейсами, багажом, связью и многим другим. По мере того, как мы соединяем эти отдельные компоненты и позволяем им обмениваться данными друг с другом, использование машинного обучения становится все более интересным. Интеграция его в эти технологические условия обеспечивает ощутимую отдачу от инвестиций: более эффективные операции, снижение затрат на разработку и новые источники дохода.

Что мне нужно, чтобы начать использовать машинное обучение?

Независимо от того, связаны ли ваши инвестиции с прогностическим анализом или автоматизацией процессов, определенные условия могут способствовать вашему успеху. TechEmergence опросил 31 эксперта индустрии искусственного интеллекта, и были выявлены три условия успеха для получения заметной отдачи от инвестиций: достаточное количество данных, квалифицированный персонал и выбор правильной проблемы.

Машинное обучение зависит от данных. По сути, помимо программного обеспечения и таланта для выбора и обучения моделей, все, что вам нужно, — это согласованные данные в достаточном количестве, как того требует проблема, которую вы пытаетесь решить.

Как бы легко это ни звучало, это не так.

Данные, полностью сгенерированные с помощью программных процессов (например, реклама в Google), как правило, непротиворечивы, но когда у вас есть люди, все становится сложнее. Обычно требуется изменение менталитета людей, вовлеченных в процесс производства данных. В некоторых организациях использование искусственного интеллекта требует столько же управления изменениями, сколько и новых технологий.

Чтобы получить понятные данные, учитывайте свои возможности по их сбору, их источник, требуемый формат, место их хранения, а также человеческий фактор. И руководители, и сотрудники, участвующие в процессе, должны понимать его ценность и почему важно заботиться о его качестве.

Например, при бизнес-отслеживании складской инвентаризации возможно виртуальное несоответствие из-за манипуляций человека: программа думает, что на складе есть 10 банок меда, а на самом деле их всего 9 (или они не в той корзине и т. ). Это может незначительно повлиять на повседневную работу, но может повлиять на качество данных. Понимание того, как повседневная деятельность может повлиять на производство данных для всех людей, вовлеченных в процесс, является первым шагом на пути к более эффективной практике работы с данными.

В чем секрет?

Сотрудничество. Искусственный интеллект разрушительен, и, честно говоря, его внедрение иногда может оказаться трудным. С другой стороны, по нашему опыту, представители области ИИ глубоко увлечены этим и с радостью готовы поделиться своими знаниями и ноу-хау. В Arcbees мы поставили перед собой задачу стать связующим звеном в области искусственного интеллекта. Мы стремимся связать людей с сотрудниками, любознательные умы со знаниями, предприятия с возможностями и партнерами с результатами. Наша философия помогать. Мы предлагаем вам открыть телефонную книгу и позвонить местному специалисту по искусственному интеллекту за советом. Если у вас его нет, мы с радостью ответим на звонок.

Если вы хотите узнать больше о стратегии, разработке и дизайне данных, подпишитесь на наш блог. На следующей неделе я представлю нетехническое руководство по пониманию машинного обучения.

Не стесняйтесь комментировать или задавать вопросы ниже. Вы также можете подписаться на меня в Твиттере или связаться со мной напрямую через LinkedIn или электронную почту.

Первоначально опубликовано на blog.arcbees.com 20 декабря 2016 г.

Подходит ли машинное обучение для вашего бизнеса?