Повышение производительности модели не гарантирует роста бизнеса.

Повышение эффективности модели не всегда означает рост бизнеса. Мониторинг и сопоставление показателей модели искусственного интеллекта с бизнес-ключевыми показателями эффективности помогает преодолеть разрыв между анализом производительности и ростом бизнеса, интегрируя все предприятие для более эффективного выполнения поставленных задач. Координация различных отделов с отделом аналитики данных обеспечивает согласование технических целей анализа данных с бизнес-целями, обеспечивая прогресс, гармонию и отсутствие одноцелевой работы. Важно рассматривать каждое улучшение в конвейере машинного обучения через призму KPI, это помогает количественно оценить факторы, влияющие на рост бизнеса, заставляя специалиста по обработке данных или инженера опасаться, как настроить модель для оптимального роста бизнеса.

Машинное обучение - отличный аналитический инструмент, помогающий оптимизировать и масштабировать любой бизнес в настоящее время, он позволяет получать важные бизнес-идеи на основе данных и позволяет принимать более обоснованные решения. Эффективное использование моделей анализа данных позволяет предприятиям использовать данные для оптимизированного и быстрого роста бизнеса.

Производительность модели позволяет оценить, насколько хорошо работает модель машинного обучения. Но разве все дело в точности прогнозов модели? Ответ - нет. Производительность модели - это оценка способности модели точно выполнять задачу не только с данными обучения, но и в режиме реального времени с данными времени выполнения, когда модель фактически развертывается через веб-сайт или приложение. Необходимо оценить производительность, чтобы выявить любые ошибочные прогнозы, такие как дрейф в обнаружении, смещение, повышенная несогласованность данных. За обнаружением следует смягчение этих ошибок путем отладки, основанной на ее поведении, чтобы гарантировать, что развернутая модель делает точные прогнозы на стороне пользователя и устойчива к колебаниям данных.

Метрики модели AI измеряются и оцениваются на основе типа модели: линейная регрессия, двоичная классификация и т. Д., Чтобы получить статистическую таблицу, в которой перечислены все метрики и которая становится основой производительности модели. Вот основные показатели, которые измеряются для оценки производительности модели ИИ:

  1. Точность: это показатель количества правильных прогнозов, сделанных моделью. Это отношение правильных прогнозов к общему количеству прогнозов.

TP = True Positive: это значение, когда модель правильно предсказывает положительный результат.

TN = True Negative: это значение, когда модель правильно предсказывает отрицательный результат.

FP = False Positive: это значение, когда модель неверно предсказывает результат как положительный.

TN = False Negative: это значение, когда модель неверно предсказывает отрицательный результат.

2. Матрица неточностей: это табличное представление прогнозируемого значения и фактических значений набора данных. Созданная матрица предназначена для лучшего понимания и четкой визуализации результатов моделей, чтобы избежать «путаницы».

3. Точность и отзывчивость:

§ Точность: дает нам информацию о том, насколько правильно модель обнаружила положительные результаты. Это отношение истинных положительных результатов к общему количеству положительных результатов.

§ Напоминание: это мера положительных точек, предсказанных по отношению ко всем фактическим положительным точкам (включая ложноотрицательные). Он фактически сообщает смещение при правильном прогнозировании положительных значений моделью.

§ Кривая точности и отзыва (PR): эта кривая представляет собой корреляцию между точностью и отзывом при определенных значениях отсечки. Эти пороговые значения устанавливаются в соответствии с конкретной моделью: например, для модели прогнозирования заболевания будет выбрано пороговое значение, чтобы отличить прогноз заболевания A от заболевания B. Эта кривая показывает, насколько хорошо модель чувствительна и правильна при прогнозировании положительных точек. Большая площадь под кривой обеспечивает большую точность и значение отзыва, что является благоприятным, поскольку это означает, что модель правильно предсказывает истинные отрицания и чувствительна к ложноотрицательным результатам (с меньшим значением ложноотрицательных результатов).

4. Оценка F: это мера гармонического среднего значения точности и запоминания. Оценка F является результатом объединения этих параметров в один для лучшего понимания точности модели. F-балл может быть изменен на F, 0,5, 1 и 2 в зависимости от меры веса, придаваемого прецизионности над отзывом. Ниже приведена его формула.

5. Логарифмическая потеря. Этот показатель отслеживает любые ложные метки класса данных моделью и наказывает модель, если при классификации меток возникают отклонения в вероятности. Низкие значения потерь журнала обеспечивают высокую точность значений.

6. Специфичность: это мера отрицательных точек, прогнозируемых по отношению ко всем фактическим отрицательным точкам (включая ложные срабатывания). Это похоже на отзыв, но для отрицательных прогнозов он фактически сообщает смещение при правильном прогнозировании отрицательных значений моделью.

7. Кривая ROC и AUC: Это кривая рабочих характеристик приемника, которая строится между истинно положительной скоростью (TPR) и ложноположительной скоростью (FPR). Это кривая вероятности, которая помогает визуализировать модель бинарной классификации, предоставляя информацию о том, насколько хорошо модель может различать классы, например. есть ли у пациента болезнь А или нет и т. д. AUC - это площадь под этой кривой, чем выше площадь, тем лучше способность модели к классификации.

За счет улучшения измерения этих показателей, например: увеличения AUC, минимизации потерь журнала, улучшения запоминания и специфичности за счет уменьшения FP и FN, производительность модели улучшается. Хотя в академических кругах улучшение характеристик модели кажется очень многообещающим и революционным, в деловом мире это не так. Спойлер: мир бизнеса не заботит высокая точность, низкий дрейф, улучшенная область в рамках ROC, больше объяснимых моделей, чем ключевые показатели эффективности (KPI) своего бизнеса. KPI - это количественные показатели факторов, влияющих на цели компании. KPI, по сути, воплощают в себе ориентацию на стратегическое и операционное улучшение бизнес-цели или задачи. Есть несколько ключевых показателей эффективности, которые разветвляются на основе роста доходов, прибыльности, стратегического планирования: продажи, маркетинг и т.д. аналитическая основа для принятия оптимальных решений.

Чтобы лучше понять KPI, давайте углубимся немного глубже.

В основном есть два типа KPI:

1. Опережающий индикатор. Этот индикатор отслеживает будущую эффективность с точки зрения существующих показателей. например рост воронки продаж, скорость увеличения подписки на конкретный сайт. Отслеживание этих показателей позволяет компании наметить путь до того, как туда попасть, и гарантирует, что компания останется актуальной даже в будущем. Это больше похоже на «профилактика лучше, чем лечение». Компании готовятся к будущему графику, отслеживая и реагируя на ранние признаки возможного эффекта, который может последовать.

2. Индикатор запаздывания: этот индикатор позволяет компании формулировать существующие стратегии для ускорения роста бизнеса путем анализа и составления планов на основе прошлых действий. Эти индикаторы основаны на более конкретных доказательствах анализа данных, составленных на основе исторических данных. Поскольку это, в основном, анализ прошлых результатов на настоящий момент, большинство стратегий, в отличие от опережающих индикаторов, рассматриваются как часть контроля над ущербом только после того, как будут засвидетельствованы последствия. например удовлетворенность потребителя, затраты, связанные с продуктом.

Установление КПЭ

Бизнес распознает и оценивает свои цели / задачи с точки зрения некоторых конкретных и эксклюзивных показателей (KPI), чтобы организовать и оптимизировать свой рабочий процесс для основных целей, которые имеют решающее значение для эффективности бизнеса. При оценке бизнеса и его целей подбираются различные метрики, которые могут применяться исключительно к конкретному бизнесу в зависимости от его типа, стратегии и бизнес-модели. Даже в рамках одного бизнес-предприятия разные KPI назначаются разными отделами в зависимости от их конкретной цели в отношении продаж, финансов, брендинга, жалоб клиентов, маркетинга и т. Д. Однако существуют разные метрики, связанные с целью в бизнесе, но определяются только эти метрики. в качестве ключевых показателей эффективности, которые являются неотъемлемыми и важными для определения искомой цели, например В электронной коммерции затраты на продукт, посещаемость сайта, товары, перечисленные в списке желаний, просмотры продуктов, указанные в списке, но не купленные, просмотры страниц за посещение. Существует множество показателей, которые необходимо отслеживать, но лишь некоторые из них будут иметь существенное влияние на продажи и рост, что делает их достойными мониторинга. Товары, перечисленные в списке желаний, просмотры продуктов и перечисленные, но не купленные, являются только показателями, а не ключевыми показателями эффективности. Все KPI являются метриками, но не все метрики являются KPI. Мониторинг только значимых и актуальных экономит время и ресурсы.

Вот несколько примеров ключевых показателей эффективности различных предприятий:

Игровое приложение / веб-сайт:

Уровень удержания: этот показатель представляет собой процент активных игроков за определенный период времени. Это важно для получения дохода. Поэтому полезно для оценки производительности приложения.

Стоимость за установку (CPI): это стоимость одной установки приложения. Это цена приобретения нового пользователя.

Электронная коммерция:

Просмотров страниц за посещение: в среднем нет. страниц, посещаемых пользователем за одно посещение сайта. Высокое значение будет указывать на неудовлетворительный пользовательский опыт из-за огромного количества копаний, которые пользователь должен был сделать, чтобы достичь того, что он хочет.

Заказ возвращающегося клиента: он измеряет заказы существующего клиента, которые необходимо отслеживать для повышения ценности и роста бренда.

Цифровые медиа / издательский бизнес:

Кликов по рекламе за посещение: измеряет среднее количество кликов по рекламе, сделанных пользователем за одно посещение. Этот показатель напрямую влияет на получение дохода, и улучшение веб-сайта для увеличения количества кликов по рекламе сразу же приведет к увеличению доходов.

Среднее время просмотра: этот показатель - это среднее время, которое пользователь тратит на определенный пост. Этот показатель сообщает о взаимодействии с клиентами, их привычках и предпочтениях.

Сопоставление ключевых показателей эффективности и производительности модели машинного обучения

Наука о данных стала неотъемлемой частью любой бизнес-модели, способной масштабировать любой продукт или услугу, предлагаемую бизнесом. Согласно исследованию рынка аналитики больших данных за 2017 год, рост использования больших данных на предприятиях на 37% произошел только за короткий промежуток времени в 2 года, с 2015 по 2017 год. Это увеличивается с каждым годом.

Любая модель машинного обучения после развертывания в бизнесе становится продуктом или услугой. Этот продукт / услуга напрямую взаимодействует с пользователем, и бизнес компании зависит от взаимодействия с пользователем. Существуют модели машинного обучения, которые работают внутри компании (а не напрямую с пользователем как продуктом или услугой), чтобы улучшить взаимодействие с пользователем или повысить узнаваемость бренда только для поддержки основных целей компании. Повышение производительности модели не всегда способствует достижению бизнес-цели. Кажется интуитивно понятным, что улучшение модели на основе показателей производительности даст благоприятный результат. Однако по данным специалистов по данным, это не всегда так. Отличительной чертой здесь являются бизнес-KPI, часто оптимизация модели не дает результата по KPI, что означает, что улучшения не приносят пользы для заинтересованного лица компании, фактически, это будет рассматриваться как пустая трата ресурсов и времени, что эквивалентно к деньгам в суровом деловом мире. KPI лежат как стена перед моделью, чтобы достичь бизнес-цели, на которую она должна влиять и пересекать KPI. Пример прояснил бы эту проблему:

У цифрового издательского бизнеса есть веб-сайт, на котором публикуются статьи и который приносит доход за счет рекламы и абонентской платы для премиум-пользователей. Команда аналитиков данных разрабатывает шестимесячный проект, чтобы сосредоточиться на предоставлении точных предложений по статьям, чтобы удержать внимание пользователей, что требует улучшения отзыва, снижения количества ложных срабатываний и логарифмических потерь. После шести месяцев кропотливой работы производительность модели улучшилась с точностью более 95% при присвоении пользовательских данных правильных классификаций для выработки точных предложений. Через месяц после внедрения этой новой модели бизнес-аналитики заметили снижение доходов от рекламы. После создания команды для выявления проблемы и разработки решения команда отметила существенное снижение количества кликов по рекламе за посещение и просмотров страниц за посещение, что после критического анализа было выявлено как следствие повышения производительности новой модели.

Поскольку модель давала читателям точные предложения, им больше не приходилось рыться в нескольких статьях, чтобы найти ту, которая их интересует больше всего. Несмотря на то, что раньше пользователи получали довольно точные предложения, они все же читали несколько статей в поисках «наиболее подходящей», что поддерживало их заинтересованность, удовлетворение и в то же время вызывало у них желание нажимать на всплывающую рекламу. Но теперь они получают то, что хотят с самого начала, и не смотрят дальше, что не вызывает большого количества кликов по рекламе, а зрители тратят меньше времени на каждое посещение. Это изменение в модели предложения повлияло на доходы бизнеса. Потерянные время, ресурсы и деньги влекут за собой огромные штрафы для бизнеса, имеющие долгосрочные последствия, от которых иногда трудно избавиться.

Деловое предприятие аналогично телу, которое требует передачи электрохимических сигналов и энергии, аналогичных информации, основным целям, ресурсам и данным, на различные факультеты, аналогичные отделам, для надлежащего функционирования, которое поддерживает благополучие всего тела. Чтобы специалисты по обработке данных и инженеры не сосредотачивались на тривиальных задачах повышения эффективности бизнеса, необходимо мониторинг и сопоставление показателей модели с ключевыми показателями эффективности бизнеса. Координация различных отделов с отделом аналитики данных обеспечивает согласование целей анализа технических данных с бизнес-целями, обеспечивая прогресс, согласованность и отсутствие одноцелевой работы. Эта координация достигается путем тщательного мониторинга метрик модели по отношению к бизнес-KPI, позволяя установить приоритетные цели, построение стратегии, переоценку и повторное определение метрик с течением времени, каскадирование KPI и т. Д.

Вот шаги по согласованию ключевых показателей эффективности с показателями модели ИИ и исправлению ошибок:

1. Монитор. Информация собирается по определенным бизнес-ключевым показателям эффективности и метрикам модели искусственного интеллекта по отдельности.

2. Определить: эти значения данных затем идентифицируются и классифицируются по различным наборам ярлыков, таким как продажи, маркетинг, HR, поддержка, жалобы клиентов, брендинг в социальных сетях и т. Д.

3. Оценка: различные ключевые показатели эффективности и показатели модели после классификации теперь должны быть оценены на предмет их связи друг с другом. Связывание этих двух аспектов требует тщательной оценки влияния метрик модели на ключевые показатели эффективности на основе исторических данных.

4. Корреляция. После эффективной оценки показатели модели просто коррелируют с ключевыми показателями эффективности. Эта корреляция визуализируется с помощью диаграммы рассеяния корреляции или линейного графика. Изменения в точности и несогласованность данных могут вызвать серьезные колебания KPI, которые быстро обнаруживаются благодаря визуализации корреляции.

5. Отладка. На этом этапе отслеживается ошибка КПЭ, например падение продаж, выручка на клиента, низкий трафик сайта, возвращение к метрикам модели ИИ, которые могут быть возможными причинами отклонения, например дрейф данных, точность, предвзятость или большое количество ложных прогнозов. После отслеживания причины ошибок выполняется исправление модели путем повторной оценки или повторной оценки.

Система показателей бизнес-предприятия сбалансирована с учетом определенных факторов при мониторинге ключевых показателей эффективности и показателей модели искусственного интеллекта. Однако есть несколько нюансов, позволяющих эффективно отслеживать ключевые показатели эффективности с помощью метрик модели.

Нюансы мониторинга ключевых показателей эффективности и показателей модели:

1. Создание ссылки для отслеживания: важные бизнес-цели транслируются через KPI. Мониторинг и сопоставление ключевых показателей эффективности с метриками модели устанавливают связь, которая позволяет инженерам / бизнес-менеджерам достичь своей цели. Например, команда разработчиков игрового приложения делает свое игровое программное обеспечение более отзывчивым и быстрым. Через некоторое время показатель удержания резко снизился, и только после вмешательства команды аналитиков данных потребовались месяцы, чтобы выяснить, почему. По мере того, как программное обеспечение становилось быстрее, соответственно увеличивалась и стоимость установки, но бизнес-команда не знала об этих фактах из-за отсутствия координации, надлежащего мониторинга и корреляции. Установление связи между метриками модели искусственного интеллекта и ключевыми показателями эффективности помогает преодолеть разрыв между функционированием аналитики данных и влиянием аналитики данных на бизнес, интегрируя все предприятие для более эффективного функционирования для достижения поставленной цели.

2. Приоритетная проверка. На веб-сайте электронной коммерции мало постоянных клиентов и много просмотров страниц за посещение (PPV). Развернутая модель машинного обучения может либо улучшить предложения по уменьшению количества просмотров страниц за посещение, либо разработать стратегии для привлечения существующих клиентов при одновременном привлечении новых за счет улучшения взаимодействия в социальных сетях, предоставления скидок, специализированных предложений, снижения количества жалоб клиентов и т. Д. приоритет, присвоенный KPI по отношению к метрикам модели. Только после тщательного изучения отражающегося воздействия различных показателей и ключевых показателей эффективности можно разработать диаграмму приоритетов для роста бизнеса. Здесь более разумно работать над увеличением количества возвращающихся заказов клиентов в качестве главного приоритета, поскольку это имеет больше рычагов влияния на рост бизнеса, чем PPV. Кроме того, несогласованность данных может приводить к ошибочным результатам в системе ИИ, что также влияет на ключевые показатели эффективности. Точно так же обнаружение предвзятости ставит под угрозу доверие пользователей к бизнесу и ценности бренда. Эти колебания должны рассматриваться на приоритетной основе, позволяя метрике с наивысшим приоритетом получать больше ресурсов, денег и времени. Проверка приоритета позволяет бизнес-менеджеру проверить, сколько ресурсов нужно потратить, когда возникнет проблема.

3. Корреляция и каскадирование для более целенаправленной стратегии: различные метрики модели требуют изменений в KPI. Существуют разные KPI, которые соответствуют определенной мере, вызывающей определенный эффект. Например. если доход на одного посетителя и заказы постоянных клиентов низок, это означает единственную проблему. После того, как эти KPI коррелируются и каскадируются в системе, нагрузка на систему снижается, поскольку будут отслеживаться только определенные KPI, которые вызывают заметные эффекты в системе. Тогда будет легче обнаружить любые изменения в показателях производительности модели, чтобы отследить причины или исправить колебания. Мониторинг всех показателей означает, что система ничего не отслеживает. Ключевые события и KPI измеряются при внесении изменений в модели искусственного интеллекта, это помогает сопоставить необходимые причинно-следственные связи для стратегической оценки эффективности бизнеса.

4. Создание баланса: В примере с издательским бизнесом в цифровом формате повышение точности предложений привело к противоречивым эффектам и уменьшило доходы отчасти из-за того, что система уже давала довольно хорошие предложения, а необходимость импровизации была необоснованной. Следовательно, важно найти баланс между необходимостью улучшения показателей модели. Повышение производительности модели ИИ должно быть подкреплено ее подходящей корреляцией с одним из ключевых показателей эффективности, что помогает взглянуть на более широкую схему роста бизнеса. Для любого постоянного улучшения важно решить основные проблемы, иначе быстрые исправления еще больше усугубят проблему, например Для увеличения доходов минимизация затрат может показаться хорошим решением, но это за счет снижения качества нанесет ущерб бизнесу в долгосрочной перспективе. Следовательно, чтобы достичь надлежащего и просчитанного баланса внутри предприятия, когда улучшение не приводит к провалу бизнеса. Включение мониторинга ключевых показателей эффективности с помощью метрик модели помогает достичь баланса, глядя на то, на каких улучшениях производительности следует сосредоточиться, а на каких отпустить.

5. Быстрое обнаружение и отладка ошибок: утомительная задача выявления ошибок, фильтрации, сортировки потенциальных причин помогает отладить систему. Часто несогласованность данных или дрейф в прогнозах приводят к изменениям в KPI. Коррелированная система с надлежащим упоминанием объяснимой модели напрямую укажет на возможные причины, которые помогут пресечь проблему в зародыше и остановить любое дальнейшее распространение в другие отделы. Повторная оценка модели становится последним шагом к устранению любых проблем.

6. Оповещения включены: коррелированная информация фиксирует прошлые всплески и ошибки в прогнозировании модели с их соответствующим влиянием на бизнес с точки зрения ключевых показателей эффективности. Таким образом, пороговое значение может быть установлено для любых колебаний данных, смещения, пропущенного значения, неправильно маркированных значений или выбросов, позволяющих выводить предупреждение перед любым возможным повреждением. Каждая достигнутая цель действует как новая отправная точка, основанная на существующих данных и ошибках, для будущей оценки.

Важность корреляции KPI с показателями производительности модели

Визуализация корреляционного графика метрик модели и ключевых показателей эффективности может выявить определенные полезные идеи и модели поведения, которые остались незамеченными среди огромного массива данных. Корреляции между моделями KPI и AI могут выявить любой дрейф точности во время выполнения по отношению к конкретному KPI, а затем проанализировать эти наблюдения, чтобы выделить факторы, влияющие в наибольшей и наименьшей степени на успех бизнеса. Полученную информацию можно использовать дальше, выполнив тесты и импровизируя выявленные факторы для повышения эффективности бизнеса. Корреляция позволяет выявить любые зависимости между ключевыми показателями эффективности и факторами производительности модели, а также отсутствующие данные, выбросы данных и кластеры, после чего отладка любой ошибки в модели становится легкой для инженеров по данным. Чтобы лучше понять, давайте посмотрим на график сайта цифровой публикации, о котором мы упоминали ранее.

После того, как различные KPI каскадированы или коррелированы с метриками модели на основе приоритета, причинно-следственной связи и связи, можно разработать инструменты для тщательного мониторинга этих показателей. Здесь, на этом графике, «синяя линия» показывает, что количество кликов по рекламе увеличивается с увеличением продолжительности просмотра, что благоприятно для KPI, поскольку будет способствовать увеличению доходов бизнеса. Однако «оранжевая линия» имеет меньшее количество кликов по рекламе при увеличении среднего времени просмотра, что приводит к потере дохода и, следовательно, неблагоприятно. Графическая интерпретация показателей и ключевых показателей эффективности помогает визуализировать и выявлять ошибки до их корней. Подобные графики различных показателей модели и ключевых показателей эффективности могут быть визуализированы для поиска возможных причин уменьшения количества кликов по рекламе. Включение корреляции помогает указать серьезность, а также потенциальные причины аномалий. С помощью этого графика мы понимаем, что повышение производительности модели за счет улучшения предложений может отрицательно повлиять на ключевые показатели эффективности, и это можно легко отслеживать и, таким образом, корректировать. Мы можем идентифицировать плохие транзакции в модели, которая дает искаженные результаты из-за несогласованности данных, и соответственно переоценивать нашу модель, чтобы исключить ошибочные результаты модели.

Модели искусственного интеллекта не получают данные из коллектора с постоянным притоком, они могут меняться незначительно или беспорядочно. Даже идеально подобранная модель потребует восстановления или переделки через несколько лет эксплуатации из-за быстро меняющихся требований пользователей или таких катастроф, как пандемия. Несогласованность данных влияет на бизнес с точки зрения ключевых показателей эффективности из-за низкой производительности моделей искусственного интеллекта. Таким образом, мониторинг становится еще более необходимым во времена, когда нас уже поразила пандемия, которая повлекла за собой изменения в покупательских предпочтениях клиентов, выборе чтения статей, выборе развлечений, вызванной волатильности рынка, повышенных кредитных рисках и т. Д. Лучшая модель - это тот, кто адаптируется к ним. изменения, которые возможны только после тщательного мониторинга, корреляции и оценки. Мониторинг помогает среагировать на ранней стадии до того, как будет нанесен какой-либо серьезный отражающийся ущерб. Некоторые инструменты, такие как решение Splunk IT Service Intelligence (ITSI), IBM Watson OpenScale, помогают исследовать свойства модели с соответствующими бизнес-ключевыми показателями эффективности для интерпретации ошибок.

AI для AI

Идея искусственного интеллекта для искусственного интеллекта состоит в том, чтобы использовать модель машинного обучения для выявления, оценки, мониторинга, корреляции и отладки факторов производительности модели и ключевых показателей эффективности бизнеса. Модель машинного обучения может предсказать возможное изменение поведения бизнес-метрик на основе изменений, внесенных в метрики модели искусственного интеллекта, без необходимости тестирования на этапе постпроизводства, экономя ресурсы, время и деньги. Это проект будущего, который может устранить различные упущения и ошибки, вызванные непредсказуемостью бизнес-результатов при корректировке показателей моделей ИИ.

Можно настроить специализированную систему искусственного интеллекта, которая точно связывает ключевые показатели эффективности с возможными ошибками модели: дрейфом, смещением, неточностью, отсутствующими данными, выбросами или несогласованностью данных на основе тщательного анализа тенденций в исторических данных. Сводная статистика будет предоставляться для каждой модели ИИ, которая идентифицирует текущие и прогнозирует будущие ошибки, отслеживая их до источника проблемы, что в противном случае является утомительной задачей. Для исправления ошибок требуется повторная оценка модели, которая требует денег, времени и ресурсов, которую теперь можно обойти после развертывания модели ИИ, чтобы предсказать возможное влияние метрик модели ИИ на ключевые показатели эффективности. Однако искусственный интеллект для искусственного интеллекта требует доступа к колоссальному количеству данных, квалифицированной рабочей силы и вычислительной мощности для правильного выявления и сопоставления тенденций. Когда это станет реальностью, это будет революция.

Корреляция между метриками модели во время выполнения и ключевыми показателями эффективности бизнеса позволяет:

  • Проверка прогресса бизнес-цели по аналитическим моделям.
  • Более простое решение проблемы обеспечивает сравнение роста производительности и аналитических улучшений.
  • Выявление и влияние ошибок времени выполнения на эффективность бизнеса.
  • Отслеживание эффективности и поведения.
  • Правильное использование ресурсов, экономия времени за счет сосредоточения внимания на важных качественных характеристиках, которые оптимизируют успех бизнеса.
  • Предупреждения и рекомендации, основанные на влиянии ошибок (неточности, несоответствия, отклонения и т. Д.) На бизнес-API.

Заключение

KPI неотделимы от реальных бизнес-показателей. Реальные показатели анализируются на основе их роли в повышении эффективности бизнеса, которая оценивается и количественно определяется с точки зрения определенных показателей, таких как рост доходов, оборотный капитал, кадровая поддержка, маркетинговые цели и т. Д.

Модели искусственного интеллекта, используемые на предприятии, оцениваются с учетом ключевых показателей эффективности. Модели искусственного интеллекта продуктивно обслуживают бизнес-предприятие только тогда, когда они способствуют росту и успеху бизнеса, которые отмечаются с помощью ключевых показателей эффективности, связанных с этим конкретным бизнесом. Деловое предприятие работает намного эффективнее, когда аналитика данных и другие отделы легко интегрируются для достижения определенной цели. Мониторинг и корреляция помогают преодолеть разрыв между анализом производительности и ростом бизнеса. Таким образом, важно рассматривать каждое улучшение в конвейере машинного обучения через призму KPI, это помогает количественно оценить, какие факторы влияют на рост бизнеса, заставляя специалиста по данным или инженера опасаться, как настроить модель для оптимального роста бизнеса.

Искусственный интеллект для искусственного интеллекта - это модель будущего, но его внедрение изменит то, как функционируют и работают бизнес-предприятия. Кроме того, существуют определенные приложения, в которых оптимизация успеха в бизнесе не является основной целью при применении аналитики данных, например, в здравоохранении, доставке лекарств, моделировании физических или биологических процессов для анализа или создания определенных прогнозов. Итак, есть обширные области, в которых мы применяем ИИ и другие методы науки о данных, не беспокоясь о KPI.