Оценка готовности ML для вашего бизнеса

Появляется ли в последнее время машинное обучение на презентациях Power Point компании? Готовы ли вы инвестировать значительные средства в новейшие и лучшие технологии? Скорее всего, это не так, и если вы не хотите этого слышать, вам следует перестать читать и вернуться к этому:

Если вы зашли так далеко, значит, вашей команде пора принять вызов PAR. Это 3 простых вопроса для саморефлексии. Совет. Возьмите доску, стикеры и начните мозговой штурм.

Процесс

Вопрос 1: Ударились ли мы о стену, улучшая наши процессы?

Оцените свой бизнес и процессы обработки данных. Некоторые распространенные примеры:

Инструмент Aрегулярно ломается, вызывая:

  • Инженер бросает все время на разработку, чтобы исправить
  • Аналитик для проведения противопожарных учений
  • Менеджер должен объяснить заинтересованным сторонам, почему команда потеряла 40 % продуктивности за неделю.

Набор данных А прибыл с опозданием или был грязным, что привело к следующему:

  • Аналитик для очистки данных, чтобы числа совпадали
  • Инженердля экстренного развертывания
  • Менеджер, чтобы объяснить заинтересованным сторонам, почему цифры неточны, а отчет опаздывает на 2 дня.

Звучит знакомо? Есть много перестановок этого. Если вы можете что-то исправить без машинного обучения: сделайте это. Составьте план по улучшению ваших процессов (и, надеюсь, качества ваших данных).

Аналитика

Вопрос 2. Достаточно ли развиты наши аналитические платформы?

Представьте, что сегодня вы наняли нового специалиста по данным или инженера по машинному обучению.

  1. Есть ли у них платформа для достижения успеха? Хранилище данных, озеро данных, хранилище данных, инструменты и т. д.
  2. Легко ли доступны данные? Например, вы (или кто-то другой) можете указать новому специалисту по данным на платформу. Если ваш ответ О, это доступно, позвольте мне просто отправить вам по электронной почте 40 файлов Excel, в которых есть отчеты за последние 3 года. ДОРОГОЙ ЗЕВС, ВО ВСЕМ СВЯЩЕННОМ:НАЙМИТЕ ИНЖЕНЕРА ПО ДАННЫМ. Также дайте этому инженеру пиво и время. Вы наняли художника для росписи Сикстинской капеллы, но забыли упомянуть, что сначала они должны построить часовню. Data Scientist = Микеланджело. Data Engineer = Джон С. Портман. (Боковая панель: если вы не знакомы с архитектурой Джона Портмана, вы многое упускаете.)
  3. Надежны ли данные? Если вы прочтете эту статью, вы получите один совет: Не инвестируйте в шумиху, инвестируйте в свои данные. Я потратил годы на очистку данных (данные о местоположении, данные приложений, данные о развлечениях и т. д.). Ваши данные не обязательно должны быть идеальными, но вы (или кто-то другой) должны быть в состоянии объяснить аномалии. Довольно часто я слышу, как «инновационное лидерство» говорит о продвинутой аналитике, и мне просто хочется крикнуть:

Сначала создайте (или купите) аналитическую платформу и переходите к следующему вопросу:

Дорожная карта

Вопрос 3. Есть ли у нас четкий план развития машинного обучения?

Предположим, вы в отличной форме со своими Процессами и Аналитикой. Теперь вы хотите получить эти машинное обучение. Почему? Что вы пытаетесь достичь? Не в целом. Какую бизнес-задачу вы конкретно пытаетесь решить, и можно ли (нужно ли) решить ее с помощью машинного обучения? (Сильный должен)

Теперь есть два способа приблизиться к этому: правильный путь и легкий путь. Поскольку вы зашли так далеко и не принадлежите к группе «заткнись и возьми мои деньги», я верю, что ты выберешь правильный путь.

Правильный способ. Вместе со своей командой супер-друзей выпишите все бизнес-проблемы, которые вы пытаетесь решить. Затем подумайте, как бы вы решили эти проблемы, если бы машинное обучение было невозможно. Почему это правильный путь? Вы, эксперт по предметным вопросам в своем бизнесе, инвестируете в решение своих бизнес-проблем. Вы не даете себе оправдания для использования машинного обучения. Пример ниже:

Простой способ. Найдите в Google все интересные вещи, которые можно делать с помощью машинного обучения: распознавание изображений, создание чат-бота, линейную регрессию и т. д. Затем стройте вокруг этого бизнес-задачи. Да ладно, в этот раз поставьте телегу впереди лошади. Тогда иди продай. Снарк, я знаю, но это происходит везде. Честное слово, сделайте это правильным способом, а затем простым способом. Это может дать вам еще несколько идей.

Кратко об оценке PAR:

  • Процесс: уперлись ли мы в улучшение наших процессов?
  • Аналитика: достаточно ли развиты наши аналитические платформы?
  • Дорожная карта. Есть ли у нас четкая дорожная карта для машинного обучения?

Спасибо за чтение! Если у вас есть вопросы/комментарии, пожалуйста, оставьте их ниже. Если у вас есть более острые вопросы (или вы ищете Дальнейшие шаги), не стесняйтесь обращаться ко мне в LinkedIn. Всегда рад помочь.

С уважением,
AndrewDoesData
DAG Solutions