Noll
Under ett informationsmöte med Kimberly Nevala, chef för affärs-strategier för SAS i eftermiddag, vi lite underhållande ställde frågan om varför de slösar bort sin tid på att samarbeta med kunder om artificiell intelligens (AI). Ämnet för hennes tal i förra veckan på Strata på att rationalisera risk med AI och ML slog ett ackord med oss. Navala budskap var att förstå vad dina modeller kan och inte kan göra är att nyckeln till att få AI för att lyckas i din verksamhet, med sin presentation som beskriver hur man kan kvantifiera ditt förtroende nivåer i AI och ML-modeller.
En av våra mest lästa inlägg var för några månader sedan om vikten av att inte glömma bort människor och processen när du kör AI-projekt. Under de senaste månaderna, vi hade chansen att prata på djupet med över ett dussin ledande analys och data vetenskap chefer för att få ett bättre grepp om hur du hanterar människor och processen sidan av AI-projekt. I en fullständig redovisning, detta var en undersökning främjats av Ägget och Dataiku.
Också: lathund: Hur man blir en data scientist TechRepublic
Vi riktade tidigt ute organisationer som var långt före kurvan med tiotals till hundratals projekt i produktion. Med tanke på att varje organisation hade massor av data som forskare eller mer på sin personal, och de insikter som vi fått reflekterade över ett sekel av personal med många års erfarenhet. Med långt, brunt av deras AI-projekt i maskininlärning.
Vi ville veta, vad som var drivkraften för AI, vad var kriterierna för att använda AI, hur tycker du personalen och hantera projekt. Men förmodligen den mest intressanta frågan var hur AI-projekt skiljer sig från mer traditionella data-vetenskap.
Som vi har noterat, du kan inte göra AI-projekt utan data vetenskap. Inte alla data vetenskap projekt kräver AI. Till exempel, om en kund segmenteringsmodell för en mycket stabil marknad, till exempel villaolja leveranser, förmodligen inte kräver en hel del av maskininlärning om du har en stadsdel med en stabil bostäder och demografi. Men om du försöker att ligga ett steg före it-attacker, maskininlärning eller djupt lärande modeller kan vara nödvändigt på grund av den ständigt morphing hot.
Ett annat grundläggande antagande med AI: n är den centrala roll, inte bara av modeller, men data. Och eftersom AI-modellerna är extremt hungrig för data, fel i data som valet eller kvaliteten på data kan lätt snöboll. Om att få uppgifter rätt är viktigt för analytics, det är även righter för AI modeller.
Så bör drivkraften för AI börja uppifrån och ner, eller är det mer effektivt för att få idéer till sipprar upp från skyttegravarna? Med tanke på sammansättningen av gruppen undersökning, det var inte överraskande att i de flesta fall, inspiration för AI kom från C-suite. Men det betyder inte att VD mandat är den enda vägen att gå.
Också: De bästa programmeringsspråk för data vetenskap och lärande
Till exempel, marknadsavdelningen hos ett kabel-tv-leverantör vars verksamhet utvecklats genom förvärv för att inkludera broadcast-nätverk och studio produktion insåg att relationen till kunden var förändras. Och så de tittade på normativ analytics som ett hjälpmedel för att hjälpa behärska den nya relationer och bevara lojalitet som förhållandet expanderat från anslutning till innehållsleverantören. De banade väg för användningen av AI i organisationen.
När du ska anställa AI? Svaren var inte förvånande. I de flesta fall, det var för problem som antingen är alltför komplexa för människor, ensam, för att få sina armar runt och/eller problem för domäner som är ständigt rörliga mål — såsom marknaden för online-spel som har störts av ett nytt erbjudande som ökar den tillgängliga publik. AI var också det bästa svaret när problemet domäner är mycket dynamisk, där man förlitar sig på människor att ändra på de modeller som skulle visa sig vara alltför tidskrävande, ligga med cybersäkerhet exempel som nämns ovan. AI skulle också vara rätt lösning där normativt angreppssätt skulle kunna ge lösningar som tidigare svårfångade, till exempel optimering av underhåll anläggningar inventarier, vägleda bönder på var, när och hur mycket att vattna och gödsla, eller vad man ska göra för att hindra en kund från kärning.
Vad sägs om data science team, bör de vara centralt baserat eller inbäddad i de operativa enheterna? Domen var enhällig här. “Det är svårt för data forskare för att förstå verksamheten om de lever i en bubbla”, var en vanlig avstå. Men det var där den största kopplar med verkligheten inträffat. Med data forskare i knappa utbudet, de kommer att leva där hög utbetalande jobb och talang liv, och det är mer sannolikt att vara närmare till huvudkontoret än ion boondocks.
Det är där data scientist vi intervjuade med ett regionalt kompetenscentrum för ett globalt försäkringsbolag har lagt ut berättelsen. Europarådets främsta uppdrag var att överföra kunskap. Vi räknar även med att en övergång där CoEs förvandlas till interna samråd med organisationer som är mer praktisk på att ta på projekt, men också aktivt utbildning av tränare för att antingen sätta sig själva i konkurs eller göra lokala enheter mer självständiga.
Också: AI, maskininlärning, och data vetenskap gåta: Vem kommer att hantera algoritmer?
Men låt oss komma till saken. Om AI-projekt kräver data vetenskap, skiljer de sig från data science-projekt. Den feedback vi fick var alla över kartan. Några uppgav att utvecklingen uppgifter är liknande men produktionsfasen är olika, eller att AI-projekt ofta medför okända utfall (men förhoppningsvis så är inte fallet för självstyrande bilar).
Den största konkurrensfördel mellan AI och traditionella data-vetenskap projekt är att AI modeller till skillnad från traditionella modeller, AI modeller är dynamiska. Deras aptit för data är konstant, och så har du utmaningar av modell och data drift som kan antingen kasta ett projekt från målet, eller ta det i olika riktningar eftersom verkligheten har förändrats. Allt blir ett rörligt mål, och så du behöver för att hantera en förändring. Det är mycket annorlunda från förändring inverkan management – processen är att tunga att anropas varje gång en modell förändringar.
Den verifieringskedjor för att spåra modeller är för närvarande bristfällig, men den bästa praxis som vi avslöjade var dags att stämpla data. Att tala inför en samling av analytiker tidigare i år, Dr. Jim Goodnight av SAS uttryckt sin oro AI modell ansvar. Modeller som ännu inte kan förklara sig själva. Kanske någon gång att vi kunde automatisera spårning av modeller, men för nu, folk måste spela front och center i spårning ingångar och utgångar mot förväntningarna.
Relaterade Ämnen:
Big Data Analytics
Digital Omvandling
CXO
Sakernas Internet
Innovation
Affärssystem
0