Трехэтапное руководство для оценки любого бизнес-сценария использования ИИ

Если кто-нибудь спросит меня, чему я научился, начав свою карьеру в венчурной фирме, я первым делом отвечу, что это уникальное удовольствие быть универсалом в мире, который ожидает, что недавние выпускники колледжей будут работать в определенных областях.

Если подумать, это единственная отрасль, которая дает вам возможность оценить идеи и тенденции. Я называю это «обнаружением возможностей». Или окунь, чтобы посмотреть, что нас ждет в будущем. Когда каждый предприниматель, с которым вы встречаетесь, и каждый отчет, который вы изучаете, говорит об ИИ, вы, как правило, внимательно следите за этим.

Когда я перешел в стартап, финансируемый венчурными компаниями (серия C), я взял с собой именно этот набор навыков, позволяющих выявить возможности. Глубокое погружение в несколько отраслей, выявление вариантов использования ИИ и определение точек входа на рынок было продолжением того, что я узнал в венчурном капитале. Я, не теряя времени, применил те же принципы и рамки мышления.

Но я не мог ошибиться больше.

В Columbia я прошел количественные курсы, посвященные машинному обучению, чтобы получить представление о внедрении решений ИИ. Это было мое первое знакомство с Python, языком, который The Economist назвал самым популярным языком программирования в мире и лингва-франка для большинства людей, работающих в области искусственного интеллекта / науки о данных.

За последние 12 месяцев американцы чаще искали Python в Google, чем Ким Кардашьян, звезду реалити-шоу.

Часто используемая фраза (клише?) Менеджеров - это взгляд на 30000 футов на построение бизнеса. Как молодой профессионал, интересующийся технологическим бизнесом, я был настолько увлечен попытками отточить этот навык, что не понимал, что область моих интересов требует другого подхода.

Тем не менее, практическое знакомство с исполнительной стороной машинного обучения с помощью курсовых работ, пары МООК, проектов, связанных с доставкой клиентов, и большого количества чтения привело меня к выводу, что традиционный способ оценки возможностей в области ИИ в лучшем случае является неполным. и в худшем случае рудиментарный.

Вот трехэтапная структура, которую я сейчас использую.

Понять все данные

«Без данных вы просто еще один человек, у которого есть свое мнение».

У. Эдвардс Деминг был назван национальным народным героем Японии за возрождение своей промышленности после Второй мировой войны. Его введение содержит много прилагательных, но, следуя приведенной выше цитате, мы должны добавить к этому пророческое.

Проект курсовой работы, включающий логистическую регрессию и деревья решений, занял у команды из 3 человек около 20+ часов, чтобы сгруппировать общедоступные данные по годам, выяснить, что мы на самом деле можем сделать с собранным набором данных, понять факторы, которые могут помочь нам предсказать результат и принять решение. от комбинации факторов, которые мы собирались использовать.

Вероятно, нам потребовалось около 20% этого времени, чтобы построить модель и сделать выводы.

В течение последнего квартала 2018 года наша проектная группа проконсультировалась с глобальной фирмой по анализу рынка и рекламно-технологической компанией, зарегистрированной на NASDAQ. Мы используем глубокое обучение / аналитику данных для решения задач бизнес-процессов.

Для проекта автоматического извлечения ключевых слов с несколькими типами статей нашим идеальным подходом было бы использование глубоких исследований по извлечению ключевых фраз, проводимых пионерами в мире НЛП. Но когда мы получили данные от нашего клиента, мы поняли, что аннотированных данных недостаточно для построения традиционной модели, основанной на глубоком обучении.

Теперь мы вернулись к столу для исследования статистических методов / ручных аннотаций для работы с ним.

Чтобы действительно понять, что нужно для создания решений на базе AI / ML, вам нужно работать с вашим первым набором данных. Либо для курсового проекта, либо для готового к развертыванию решения, основные задачи ИИ требуют от практиков обучения алгоритмов с огромными объемами данных.

На сбор, очистку и систематизацию таких данных уходит непропорционально много времени по сравнению с работой над алгоритмами. Многие профессионалы отрасли высказывают мнение, что на самом деле прорывом являются наборы данных, а не алгоритмы.

Глядя на решения, внедряемые в отрасли, с точки зрения конкурентного анализа, не задумываясь о том, какие наборы данных дали определенной компании конкурентное преимущество, какие партнерские отношения открывают доступ, и оценка базового подхода может оказаться излишним, когда ваша команда работает над размещением подготовлена дорожная карта.

Если вы занимаетесь бизнесом, на любом слайде с осязаемыми рекомендациями должен быть раздел, в котором подробно описывается, каким должен быть подход организации к получению / обработке данных.

Отслеживайте состояние искусства

Как выздоравливающий профессионал венчурной индустрии, я все еще люблю концепцию делового рва (и это слово постоянно появляется в моем блоге!). Когда мне пришлось исследовать внедрение ИИ в различных отраслях, моим первым шагом было понять, как компании по всему миру используют ИИ сегодня.

Но тогда вы не можете увидеть то, что сегодня наиболее модно, и положить яйца в эту корзину. Вам нужно иметь представление о том, что принесет вам завтрашний день. Чтобы учесть это, мы отслеживали подобласти, в которых росли венчурные инвестиции. Однако, оглядываясь назад, это могло быть не полным решением. Это была моя традиционная склонность к «поиску возможностей», которая проявляется в полную силу.

Как только вы взглянете на его часть реализации, вы поймете головокружительные темпы исследований и широкий набор решений, которые существуют для решения бизнес-задач. Возьмем, к примеру, распознавание образов.

Облачные платформы AI / ML, такие как Google Vision / Amazon Rekognition / Clarifai, упростили распознавание лиц, обнаружение объектов, обнаружение текста, логотипов / обнаружение ориентиров. Затем есть другие решения, такие как OpenCV, которые объединяют множество алгоритмов для того же. Такие платформы plug and play в значительной степени уменьшили потребность фирм в найме инженеров по машинному оборудованию для малоизвестных сценариев использования.

Но в глобальном масштабе компьютерное зрение - это горячая зона, в которую текут миллиарды долларов венчурных денег, причем один только китайский стартап SenseTime собрал 1,2 миллиарда долларов. Для разных бизнес-сценариев требуются алгоритмы разного уровня сложности. Различный уровень сложности мотивирует компании преодолевать барьеры того, что ранее было возможно.

Не существует единого числа, которое могло бы охватить размер возможности, точно так же, как не существует единого алгоритма, подходящего для всех.

Здесь есть еще один момент. Ежегодные встречи по обзору бизнеса имеют стратегический план на 3-5 лет. Но несколько факторов способствовали взрывному росту исследований в области ИИ, и мы видим, что определение современного состояния искусства меняется, иногда всего через год.

Попробуйте это. Давайте посмотрим на базовую инфраструктуру, чтобы оценить скорость прогресса. За полтора года время, необходимое для обучения сети классификации изображений из знаменитого корпуса ImageNet, сократилось с одного часа до примерно 4 минут. В отчете AI index упоминается, что это стало возможным благодаря инновациям в алгоритмах и лучшей инфраструктуре.

Теперь представьте каскадное влияние этих достижений на другие области в процессе обучения и вывода в облаке или на границе.

Боковое примечание: Рекомендуем прочитать Отчет AI Index (2018). Он написан профессионалами / экспертами в предметной области из Open AI и множества других университетов под руководством Стэнфорда и представляет собой авторитетный текст, в котором резюмируются ключевые события. Таким образом, идея бизнес-рва не является долгосрочным по своей природе, а является временным преимуществом, поскольку раз они меняются.

Со стратегической точки зрения важно подумать о способах поддержания этого, и это обычно происходит за счет прогресса в количественной части (здесь объединение аппаратно-программной инженерии / науки о данных и т. Д.).

Это подводит меня к заключительному этапу.

Поговорите с коллегой по Quant

«Контент без метода ведет к фантазии; метод без содержания пустой софистики ».

Я проходил собеседование для прохождения стажировки по продукту (сфера машинного обучения) в крупной технологической компании в сфере недвижимости (B2C), когда у меня была возможность задать вопрос своему интервьюеру ближе к концу.

«Как вы включаете / оцениваете идеи продуктов, которые предлагает ваша команда по анализу данных, в вашей дорожной карте?»

"Ой! Это часто случается. Мы обычно…………… ."

Естественно предположить, что видение продукта задает бизнес-команда. В таких отраслях, как полупроводники и т. Д., Где дорожная карта продукта высечена в камне, это может быть правдой. Но когда дело доходит до ИИ, эта логика ошибочна.

В быстро меняющихся областях специалисты по количественному анализу находятся в авангарде инноваций. С высоты 30 000 футов (не могу сопротивляться!) Большинство текущих достижений, которые мы наблюдаем в передовых исследованиях в области глубокого обучения / видения, были инициированы неустанными усилиями одного исследователя.

Джефф Дин из Google, Джон Джаннандреа из Apple, Илья Суцкевер из Open AI, Янн Ле Канн из Facebook - все они были частью нескольких бизнес-единиц, коммерциализирующих продукты на миллиарды долларов, и ни один из них никогда не посещал курсы бизнес-школы.

Граница между инженерами и бизнес-профессионалами будет размытой в любом приложении, связанном с ИИ. Исследователи из компании, занимающейся вычислением искусственного интеллекта, получили уникальное представление о том, что отличает конкретный алгоритм от конкретного случая использования. На руководящем уровне именно руководитель программного обеспечения проявлял большой интерес к пониманию того, существует ли основной вариант использования / соответствие продукта.

Этот момент поиска совета у количественных членов команды был ввернут в меня, когда я работал над проектами в Колумбии.

Звонок специалисту по анализу данных из компании по анализу рынка дал нам больше информации, чем 3 встречи с бизнес-аналитиком, отвечающим за реализацию проекта. Мы сосредоточились на точности классификации, а не на улучшении нашей запоминаемости. Когда вы занимаетесь бизнесом, это изменение соотношения, но полное изменение подхода к анализу данных в нашей команде.

30 000 футов просмотров (в последний раз!) Обычно смотрят на бизнес-стратегии сверху. Как и в случае с обучающими тестами (смещение / дисперсия), мой опыт показывает, что если вы не привлечете своих специалистов по данным / инженеров к сессиям стратегии, есть все шансы, что вы можете столкнуться с неприятными сюрпризами на этапе реализации. .

Вероятно, поэтому большинство компаний вовлечены в войну талантов, чтобы нанять таланты в области искусственного интеллекта. Альтернативные издержки, связанные с невыполнением этого требования, представляют собой реальную угрозу для бизнеса.

«У нас были проблемы с заполнением рабочих мест в течение ряда лет. Это действительно замедляет работу ».

По мере того, как я углубляюсь в темы ИИ / машинного обучения, которые помогут мне лучше общаться с командами инженеров / специалистов по обработке данных, я вижу много рекламы, связанной с приобретением навыков ИИ / машинного обучения, в моих лентах в социальных сетях.

В основном они следуют шаблону, показывающему статистику, связанную с внедрением ИИ предприятиями, и курсом, который поможет вам понять концепции. Продолжительность варьируется от 6 дней до 6 месяцев в зависимости от обычно двух групп целевой аудитории - бизнес-профессионалов в случае первой и студентов колледжа для второй.

Я не уверен, хватит ли глубины 6-дневного курса, чтобы охватить основную разницу между алгоритмами классификации и кластеризации или объяснить, что составляет статистика по сравнению с машинным обучением и искусственным интеллектом.

Однако, если вы профессионал в сфере бизнеса и увлечены этим пространством, я думаю, что есть лучший способ понять истинные последствия этого. Тот, который поможет вам лучше в построении стратегии.

Попробуйте найти набор данных в той области, в которой вы работаете, и воспользуйтесь одним из огромного количества учебных пособий, доступных в Интернете, чтобы построить элементарную модель после обдумывания того, чего вы хотите достичь.
Теперь проверьте прогресс в этом конкретном вопросе и подумайте, как ваше решение может поддерживать устойчивое преимущество над решением вашего конкурента. Думайте о «скорости», а не о «скорости».
А если вы застряли или вам нужно проверить свои мысли, просто попросите специалиста по анализу данных / инженера по ИИ в вашей компании для встречи за чашкой кофе. :)

В настоящее время я учусь на степень магистра менеджмента в Колумбийском университете в Нью-Йорке. Мой предыдущий опыт работы включает репортаж с генерального директора венчурного стартапа AI Hardware, работу в венчурном капитале и неудачную попытку стать предпринимателем!

Напишите сообщение uday (точка) marepalli [gmail].