Коммодитизация машинного обучения происходит с такой беспрецедентной скоростью, что трудно найти компанию — большую или маленькую, Давида или Голиафа, — которая не изучает машинное обучение как средство оставаться актуальным в этой быстро меняющейся бизнес-среде.

Пытаясь оставаться актуальными, компании начали размещать ключевое слово машинное обучение на странице своего продукта, в своей инвестиционной колоде, а также в своем доменном имени — неудивительно. Доменное имя .ai продается так дорого — я знаю это, потому что думал о покупке его для своего киоска с лимонадом. Ангилья, владелец всех доменов верхнего уровня .ai, не будет жаловаться, потому что каждый раз, когда регистрируется или продлевается имя .ai, остров взимает плату в размере 50 долларов в год, которая в основном поступает в государственную казну (Источник).

Это привело к росту числа специалистов по обработке и анализу данных в большинстве компаний, занимающихся разработкой и улучшением продуктов. В результате группы специалистов по обработке и анализу данных становятся стратегическим подразделением компании, и большинство компаний заявляют, что они управляются данными.

Но, как и у всего остального, у этого есть обратная сторона, когда мы начинаем находить способы встроить науку о данных во все, и вскоре фирмы забывают, являются ли они «технологиями, поддерживающими бизнес» или «бизнесом, поддерживающим технологии». Иногда мы отдаем приоритет проблеме, которая соответствует решению, которое у нас есть, а не решению проблемы, которую команда должна решить для пользователя.

Хуже того, мы забываем, что машинное обучение, как и его аналог, основанный на правилах и в настоящее время в значительной степени игнорируемый, также является инструментом. Один мудрый человек правильно сказал: «Когда у тебя в руке молоток, все вокруг кажется тебе гвоздем»

Чтобы проиллюстрировать этот момент, предположим, что бизнес-задача состоит в том, чтобы увеличить квартальный доход за счет повышения конверсии пользователей. Воронка продукта от незарегистрированных пользователей, переходящих к продукту, к покупке продукта, может быть разбита на множество подэтапов. Теперь одним из шагов может быть улучшение «опыта поиска», что приведет к тому, что больше людей найдут нужный продукт и добавят его в корзину, но тогда это также может сделать платежную страницу бесшовной, однако, когда решение принимает команда специалистов по обработке и анализу данных. какие шаги предпринять, по всей вероятности, они предпочтут инвестировать в алгоритм, такой как Learning to a Rank, чтобы улучшить поисковый опыт.

Теперь я не могу предложить полностью избегать использования ИИ/МО в инвестиционных колодах, но я определенно могу порекомендовать руководителям использовать МО только тогда, когда оно создает ценность, потому что выбор неправильного инструмента из набора инструментов уничтожает ценность.

В свете вышеизложенного в этой статье мы поговорим о двух важных аспектах стратегического использования науки о данных для решения бизнес-задач. Это будет актуально для тех, кто либо возглавляет команду по обработке данных в своей фирме, либо регулярно взаимодействует с командой в качестве лидера продукта или бизнеса — формулирует бизнес-проблему как проблему машинного обучения, а затем передает решение обратно бизнес-пользователям.

В моей фирме я руковожу системами принятия решений бизнес-аналитики, которые отвечают за описательную аналитику, предиктивную аналитику и предписывающую аналитику и дополняют процесс принятия решений человеком с помощью различных моделей, иногда основанных на машинном обучении. Я регулярно взаимодействую с бизнес-командами, чтобы понять их болевые точки, которые, что неудивительно, часто бывают весьма неоднозначными. На самом деле, некоторая двусмысленность является признаком здорового рабочего места, потому что тогда она дает достаточно возможностей:
а) Выберите игровое поле — где вы хотите играть, почему?
b) Выберите правила игры, чтобы ваша команда могла проявить свои творческие способности.

Прежде чем остановиться на использовании машинного обучения как средства решения проблемы, подумайте о проблеме, которую мы пытаемся решить.

Короче говоря, решение правильной проблемы важнее, чем решение проблемы сразу.

Типичные вопросы, которые нужно задать: — Какую именно проблему мы пытаемся решить? Нужно ли ее вообще решать? Почему — помогает ли решение проблемы вашему рву — вашему конкурентному преимуществу? Насколько? Насколько устойчиво преимущество? Как выглядит рентабельность инвестиций? Эти вопросы помогают оценить фирмы сосредоточиться на наиболее важном аспекте, который является сутью их существования. Вот предостережение, не продолжайте обсуждать эти вопросы. Цель состоит не в том, чтобы чрезмерно анализировать это до такой степени, что вы выезжаете со своей спортивной машиной из гаража только тогда, когда все огни в городе горят зеленым. Я помню время, когда моя предыдущая команда планировала крупный бизнес-переход, и лидеры придумали 200 открытых вопросов. К сожалению, большинство из этих вопросов были настолько открытыми, что команда потратила недели, пытаясь получить ответы, но безуспешно. Хотя можно зарегистрировать как можно больше известных неизвестных, не позволяйте этому быть причиной держать свою машину в гараже. К сожалению, не существует точного теста, позволяющего количественно определить, насколько много анализа является излишним, поэтому я оставлю это на ваше усмотрение.

После того, как вы оценили это, следующее, что нужно оценить, это как мы хотим решить проблему, именно здесь мы изучаем наш набор инструментов, и мы все искренне надеемся, что у вас есть больше, чем один вид инструмент в вашем наборе инструментов.

Если у вас есть несколько способов решить проблему, нам понадобится какой-то способ сократить до возможного набора подходов. Типичные вопросы, которые я использую, чтобы сузить возможные варианты, следующие: с каким временным горизонтом мы работаем для MVP и для полномасштабного решения, как выглядят ключевые бизнес-показатели — это чрезвычайно важно понять, потому что Бизнес метрики и метрики производительности модели (модель не обязательно должна быть ML и вполне может быть основана на правилах), как правило, выровнены по направлению, но имеют разные наклоны, которые, если их не обсудить между заинтересованными сторонами бизнеса и технологий, могут привести к неоправданным ожиданиям, что такое «локоть». "точка доходности", за пределами которой убывающая норма доходности не имеет смысла вкладывать средства.

Как только заинтересованные стороны бизнеса и технические группы согласовали проблему, которую они решают, и результат, технологическая группа может изучить компромисс между подходами, основанными на правилах, и подходами, основанными на машинном обучении. Типичное правило, которое я предлагаю, состоит в том, чтобы предпочесть основанный на правилах метод на основе машинного обучения только потому, что он дешевле в обслуживании и его легче объяснить бизнес-командам.

После того, как мы сузили его до машинного обучения как средства решения проблемы, мы можем предпринять шаги, чтобы перевести нашу бизнес-задачу в математическую конструкцию, которую может решить машинное обучение.

Теперь, когда мы знаем об опасностях применения инструмента машинного обучения к каждой бизнес-проблеме, в следующей статье мы обсудим основную тему формулирования бизнес-проблемы как проблемы машинного обучения, а также последнюю милю проекта машинного обучения, который донести решение до бизнес-пользователей.