Nul
Tijdens een briefing met Kimberly Nevala, directeur van business strategieën voor SAS van deze middag, we facetiously aan de vraag van de reden waarom ze werden het verspillen van hun tijd bezig met klanten over kunstmatige intelligentie (AI). Het onderwerp van haar lezing van vorige week in Lagen op te rationaliseren risico met AI en ML raakte een snaar met ons op. Navala de boodschap was dat het begrijpen van wat uw modellen kan en niet kan doen is de sleutel tot het krijgen van AI om te slagen in uw bedrijf, met haar presentatie aangeven hoe te kwantificeren uw vertrouwen in AI en ML-modellen.
Een van onze meest-gelezen berichten was het een paar maanden geleden over het belang van en niet te vergeten de mensen en het proces bij het uitvoeren van AI-projecten. In de afgelopen paar maanden hadden we de kans om te spreken in de diepte met meer dan een dozijn senior analytics en data science leidinggevenden om een betere greep op het beheren van de mensen en de proces kant van AI-projecten. In volledige openheid van zaken, dit was een enquête mede was georganiseerd door Ovum en Dataiku.
Ook: Cheat sheet: Hoe word je een data scientist TechRepublic
Wij gerichte early adopter organisaties die ver voor de curve met tientallen tot honderden projecten in productie. Gezien het feit dat elke organisatie had tientallen van gegevens wetenschappers of meer op hun personeel, de inzichten die wij ontvangen weerspiegeld meer dan een eeuw van personeel met jaren ervaring. Verreweg het grootste deel van hun AI projecten was in de machine learning.
We wilden weten, wat de aanleiding was voor AI, wat is de criteria voor het gebruik van AI, hoe doe je het personeel en het beheren van projecten. Maar wellicht de meest interessante vraag was hoe AI projecten verschilden van meer traditionele data science.
Zoals we al hebben opgemerkt, je kunt niet AI-projecten zonder de gegevens van de wetenschap. Niet alle data science projecten vereisen AI. Bijvoorbeeld, als een klant segmentatie model voor een zeer stabiele markt, zoals de verwarming van uw huis olie leveringen, waarschijnlijk niet vergen veel van machine learning als je een wijk met een stabiele woningvoorraad en bevolkingssamenstelling. Maar als u probeert een stap voor te blijven van cyber-aanvallen, machine learning of diep leren modellen kan het nodig zijn vanwege de voortdurend morphing bedreiging.
Een andere kern veronderstelling met AI is de centrale rol, niet alleen van de modellen, maar de gegevens. En omdat AI-modellen zijn zeer hongerig naar gegevens fouten in de gegevens set selectie of kwaliteit van de gegevens kan gemakkelijk sneeuwbal. Als het verkrijgen van de juiste gegevens is belangrijk voor google analytics, het is zelfs zegger voor AI modellen.
Zo moet de impuls voor de AI start van boven naar beneden, of is het effectiever om ideeën te leid uit de loopgraven? Gezien de make-up van de onderzoek groep, het was dus niet verwonderlijk dat in de meeste gevallen, de inspiratie voor AI kwam van de C-suite. Maar dat betekent niet dat de CEO mandaten zijn de enige manier om te gaan.
Ook: De beste programmeertaal voor data science en machine learning
Bijvoorbeeld, de marketing afdeling van een kabel-tv provider die de zaken veranderd door overname op te nemen broadcast-netwerken en productie studio realiseerde zich dat de relatie met de klant aan het veranderen was. En dus keken ze prescriptive analytics als een middel voor het helpen van de meester van de nieuwe relaties te behouden en loyaliteit als de relatie uitgebreid van connectiviteit om content provider. Ze was een pionier in het gebruik van AI in die organisatie.
Wanneer te gebruiken AI? De antwoorden waren niet verrassend. In de meeste gevallen, het was voor zakelijke problemen die te complex zijn voor de mens, alleen al om hun armen en/of voor het probleem domeinen zijn voortdurend in beweging doelen, zoals online gaming markt die is verstoord door een nieuw aanbod dat vergroot het potentiële publiek. AI was ook het beste antwoord als er een probleem domeinen zijn zeer dynamische, waar een beroep op mensen om te veranderen van de modellen zou blijken te tijdrovend, te liggen met de cybersecurity voorbeeld hierboven vermeld. AI zou ook de juiste oplossing, waarbij normatieve benaderingen kunnen bieden oplossingen die voorheen ongrijpbare zoals het optimaliseren van het onderhouden van installaties en uitrustingen; het begeleiden van landbouwers op waar, wanneer, en hoe veel water en bevruchten; of wat te doen om te voorkomen dat een klant van het karnen.
Hoe is de data science teams, moeten ze centraal worden of geïntegreerd in de operationele eenheden? Het oordeel was unaniem hier. “Het is moeilijk voor gegevens wetenschappers om de business te begrijpen als ze leven in een bubble,” was een gangbare onthouden. Maar dit is waar het grootste koppel met de werkelijkheid heeft plaatsgevonden. Met gegevens wetenschappers in het schaarse aanbod, ze gaan wonen waar de hoog betaalde banen en het talent leven, en dat is meer waarschijnlijk dichter bij het hoofdkantoor dan uit ion de rimboe.
Dat is waar de data scientist hadden we een interview met een regionaal centrum van uitmuntendheid voor een wereldwijde verzekeraar gelegd op de verhaallijn. De Rve ‘ s chief missie was de overdracht van kennis. We voorzien ook in een overgang waar Coe ‘ s veranderen in interne raadpleging van organisaties die meer handen op in het aannemen van projecten, maar ook het actief trainen van de trainer te zetten, zelf uit het bedrijfsleven of de lokale eenheden meer zelfredzaam zijn.
Ook: De AI, machine learning en data science raadsel: Wie beheert de algoritmes?
Maar laten snijden aan de jacht. Als AI-projecten vereisen data science, doen ze verschillen van data science projecten. De feedback die we kregen was over de kaart. Sommige verklaard dat de ontwikkeling van taken zijn vergelijkbaar, maar de productie fase is anders, of dat AI-projecten vaak om onbekende uitkomsten (maar hopelijk is dat niet het geval voor zelf-rijdende auto ‘ s).
Het grootste onderscheid tussen de AI en de traditionele data science-projecten is dat AI modellen in tegenstelling tot de traditionele modellen, AI modellen zijn dynamisch. Hun honger naar gegevens constante is, en zo heb je de uitdagingen van het model en de gegevens drift die kunnen gooien voor een project uit doel, of neem het in verschillende richtingen, want de werkelijkheid is veranderd. Alles wordt op een bewegend doel, en dus moet je beheren voor verandering. Dat is heel anders van impact management-het proces is te zwaar om een beroep worden gedaan elke keer een model verandert.
De audit trails voor het bijhouden van de modellen zijn momenteel onvolmaakt, maar de beste praktijk hebben we ontdekt, was het tijd stempelen gegevens. Spreken voor een bijeenkomst van analisten eerder dit jaar, Dr. Jim Goodnight van SAS uitte zijn bezorgdheid over het AI-model verantwoording. Modellen nog niet kan verklaren zichzelf. Misschien dat we op een gegeven moment kon het automatiseren van het volgen van modellen, maar voor nu, mensen moeten spelen bij het bijhouden van de ingangen en uitgangen van de verwachtingen.
Verwante Onderwerpen:
Big Data Analytics
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software
0