# 1: Mit tehet a gépi tanulás a vállalkozása számára, és hogyan lehet kitalálni

Ez a 6 részből álló útmutató, a lépésről-lépésre PM útmutató a gépi tanulás alapú termékek készítéséhez 1. része. A teljes sorozat áttekintéséhez kattintson a linkre.

Az ML-be történő befektetés olyan, mint 10 évvel ezelőtt a mobilbe fektetés - ez átalakíthatja vállalkozását

A meglévő adatok lekérdezése betekintés céljából közismert, széles körben elfogadott tudományág. Az ML azonban a következő határ az adatelemzésben. Olyan tudományág, ahol a számítógépes programok előrejelzéseket készítenek vagy betekintést készítenek az adatokban azonosított minták alapján, és tapasztalatok alapján képesek javítani ezeket a betekintéseket - anélkül, hogy az emberek kifejezetten elmondnák nekik, hogyan kell ezt megtenni. Mivel a szervezetek több adathoz férnek hozzá, a gépi tanulás lehetővé teszi számukra, hogy betekintést nyerjenek az adatokból méretarányosan, olyan részletességi szinten, amely az egy felhasználói interakciótól a világméretű trendekig és azok bolygóra gyakorolt ​​hatásáig terjed. Ezen betekintés felhasználása az egyéni felhasználói élmény testreszabásával pixelszinten is változhat az új termékek és üzleti lehetőségek létrehozásáig, amelyek jelenleg nem léteznek. Vegye figyelembe, hogy az ML segítségével jóval túlmutathat a belső adatok felhasználásán - az ML hatalmát gyakran javíthatja, ha a belső adatokkal külső adatokkal házasodik össze, hogy új betekintést nyerjen, amely korábban nem volt lehetséges.

Frank Chen, az A16Z, kiváló alapozóval rendelkezik a mesterséges intelligencia lehetséges alkalmazásáról, amelyek közül sokan gépi tanulást igényelnek vagy fognak megkövetelni. Ezen alkalmazások némelyike ​​jövőbeni megjelenésű, és a meglévő technológiával még nem valósítható meg, de nagyszerű képet ad a lehetőségekről.

Csakúgy, mint a fogyasztói cégek 8–10 évvel ezelőtt kezdtek gondolkodni a mobiltelefonba történő befektetésről, most itt az ideje a vállalatoknak, hogy elkezdjék feltárni az ML-t, mint olyan technológiát, amely elősegítheti az üzleti eredményeket. Azon vállalatok számára, amelyek a meglévő ML technológiák kihasználására koncentrálnak, számos kulcsfontosságú téma van annak, amit az ML lehetővé tesz. Ezek nem teljesek vagy nem zárják ki egymást, hanem inkább a vállalkozásra gyakorolt ​​lehetséges hatások különböző gondolkodási szögeit képviselik:

  • A felhasználói környezet, tapasztalatok és rendszerválaszok tömeges testreszabása. Képzelje el, hogy mindent, amit egy ember csinál vagy lát, kifejezetten számukra testreszabható, sőt még előre meg is tudja gondolni igényeit és viselkedését. Ez magában foglalja a termékekre vagy szolgáltatásokra vonatkozó ajánlásokat, rangsorolva azokra vonatkozó relevancia szintjük szerint; testreszabott felhasználói élmény vagy folyamatok a felhasználó ismeretei, viselkedése, más hozzá hasonló emberek vagy külső adatok alapján, ideértve annak előrejelzését, hogy mit szeretnének tenni, stb. Kisebb léptékben ez a tapasztalatok testreszabásához vezethet a felhasználók, nem pedig magánszemélyek.
  • Az a képesség, hogy objektumokat vizuálisan azonosítsunk, és ennek megfelelően automatizáljuk vagy testre szabjuk az élményeket. A mai technológia képes a fényképeken és videókban található tárgyakat azonosítani, beleértve az élő kameraképeket is. A Pinterest ezt felhasználja, hogy hasonló / kiegészítő tárgyakat javasoljon a felhasználó által megtekintett fotón található objektumokhoz; A Facebook arcfelismerési technológiát használva javasolja a barátoknak, hogy jelöljenek meg egy fényképet, az Amazon automatikus áruház-ellenőrzést épít az objektumok vizuális azonosítása alapján stb.
  • Tartalom automatikus visszakeresése, előállítása vagy feldolgozása. Az ML lehetővé teszi a hatalmas mennyiségű tartalom célszerű feldolgozását a világon. Általános használat a dokumentumok letöltése - pl. az összes olyan jogi aktus megtalálása, amely releváns a jogi ügyben (vegye figyelembe, hogy ez túlmutat a kulcsszavakon a kontextus szerinti keresésen), a dokumentumok témák és kulcsszavak szerinti osztályozása, a tartalom automatikus összefoglalása, a releváns információk kinyerése nagy mennyiségű tartalomból - pl. speciális feltételek megtalálása az eladó szerződésekben stb. A „tartalom” itt minden típusú médiára vonatkozik, nem csak a szövegre.
  • Jóslatok, becslések és trendek méretarányban. Az ML olyan előrejelzéseket tesz lehetővé, amelyek nagyon drágák vagy nehézségekbe ütköznek. Az ML különösen hasznos olyan előrejelzések készítéséhez, amelyek egyébként magas szintű szakértelmet igényelnek, mint például a ház ára, vagy az ember számára még lehetetlen, hogy olyan tartalmat készítsen, amely jól jön a közösségi médiában. A gépek jóval az adatok tendenciáit is meg tudják határozni, még mielőtt azok nyilvánvalóvá válnak az emberek számára.
  • Szokatlan tevékenység vagy rendszerhibák észlelése. Minden rendszernek vannak hibái és problémái, de az ML lehetővé teszi, hogy ne csak felismerje a problémákat, hanem azt is, hogy ezek a problémák szokatlanok és aggasztóak-e. Ez különösen a különféle megfigyelési és biztonsági rendszerekben hasznos.

Stratégiai szempontból az ML többféle üzleti eredményt eredményezhet:

  • Továbbfejlesztett élmény és funkcionalitás az ügyfelek számára. A leggyakoribb eset a tömeges testreszabás - azoknak a termékeknek a megtalálása, amelyek a leginkább relevánsak az ügyfelek számára, gyorsabban és hatékonyabban, pl. a legjobb meccseik a randevúkban, dal, amely esetleg tetszés szerint szerepel a zenei oldalakon, termékek, amelyeket érdekelhet a vásárlás stb. Ez általános lehet - pl. A Zillow's Zestimate a házat ugyanúgy értékeli, függetlenül attól, hogy ki nézi, vagy az egyedi vásárlói igények szerint alakítja - pl. az a besorolás, amelyet egy felhasználó valószínűleg megad egy olyan filmhez, amelyet még nem láttak sajátos ízlésük alapján.
  • Belső funkciók, folyamatok és üzleti logika. A gépi tanulás időt takaríthat meg, és hatékonyabbá teheti az erőforrás-befektetést az üzleti folyamatok és a döntések meghozatalakor. Például: egy hitelező társaság prioritást kíván élvezni a potenciális hiteligénylők felé történő elérése terén. Meg kell határoznia, hogy ki akarja-e egy kölcsönt annyira, hogy ténylegesen igénybe vegye, ha felajánlják, de valószínűleg továbbra is képes visszafizetni. A leghitelesebb ügyfelek rangsorolása nem feltétlenül jelenti a választ, mivel ezeknek az ügyfeleknek általában sok lehetősége van, és kevésbé valószínű, hogy átalakítanak, ezért összetettebb modellre van szükség.
  • Bővítés új vertikális készülékekhez és új termékekhez. Az adatok segítségével teljesen új üzleti lehetőségeket nyithat meg - létrehozhat vadonatúj termékeket meglévő ügyfelei számára, vagy kiszolgálhatja azokat a szegmenseket vagy ügyfeleket, amelyeket korábban még nem szolgált ki. Például: a Netflix olyan stúdiókat szolgálhat fel, amelyek nem voltak a fő célközönség, azáltal, hogy adataiból származó betekintést ad azoknak a témáknak a bemutatására, hogy mely témák és plot-vonal működik melyik közönség számára; A Zillow segíthet az ingatlanfejlesztõknek megérteni, hogy mely építési jellemzõk fogják elérni a legnagyobb befektetési megtérülést stb.

A döntés, hogy melyik területet kezelje először, a lehetséges üzleti hatásoktól, valamint a probléma összetettségétől és a hatás elérésének költségétől függ.

„Valamit meg kell tennünk az adatainkkal” stratégia, nem adattudomány, probléma

Számos vállalat arra törekszik, hogy adattudósokat, az ML modelleket építő embereket alkalmazzon, mert „tennünk kell valamit az adatainkkal”. Hallottam, hogy számos prominens vállalat vezetője azt mondja: „látjuk, hogy a versenytársak adatot vásárolnak, ezért ezt meg kell tennünk a versenyképesség megőrzéséhez”, majd bérelünk néhány adattudós tudósát, remélve, hogy találnak valami varázslatot. Ez nagy tévhithez vezet nekem az ML kapcsán.

Az ML nem varázspálca az Ön vállalkozása számára. Az első kihívás az ML-ben az, hogy kitaláljuk, milyen üzleti hatást gyakorol a technológia. Az ML megoldás - először meg kell határoznia a problémát: Milyen üzleti eredményeket reméli elérni az ML-rel? Milyen előnyei lehetnek az ML-nek az ügyfelek számára? Az ML egy kalapács - de ha nincs szöge, akkor a kalapács nem különösebben hasznos. A klisé továbbhosszabbításához az ML egy hatalmas változatos kalapácskészlet, és a szöge fajtája meghatározza, melyik kalapácsot választja, és hogyan fogja használni. A pontos probléma, amelyet megpróbál megoldani, mindent diktál - az eredmény felhasználásának módját, a modelljének miként kell előre jeleznie és hogyan kell kalibrálni, milyen adatokat gyűjt és dolgoz fel, milyen algoritmusokat tesztel és sok más kérdést.

A lényeg: „milyen problémát oldunk meg?” Egy üzleti kérdés, ami azt jelenti, hogy annak meghatározása végső soron a termékmenedzserek és az üzleti vezetők felelőssége, nem pedig az adattudósok. Az adattudósokat és más érdekelt feleket feltétlenül be kell vonni a meghatározás megszerzésébe - csak ne dobja rájuk a kérdést, és számítson rá, hogy válaszokkal tér vissza. Ha olyan adatokkal rendelkezik, amelyekkel nem tudja, mit kell tennie, vegyen fel interjúkat ügyfelekkel és gondolkozzon más, az ügyfelekkel szembesülő emberekkel a szervezet egészén. Az adattudósok segíthetnek az adatok felkutatásában, ötletek készítésében és iterációjában, de ha nincs sok problémás űrrel kapcsolatos szakértelmük, nehéz lenne számukra egyedül az üzleti eset kidolgozása. Annak érdekében, hogy az ML az üzleti életben maximalizálódjon, folyamatos együttműködésre van szükség a termékmenedzserek és az adattudósok között, ahol a termékmenedzserek felelőssége annak biztosítása, hogy a megoldandó problémák a leginkább befolyásolják az üzletet.

Kicsomagolás, hogy az ML hogyan tudja továbbvinni az üzleti vállalkozását

Noha az ML lehetőségei végtelenek, vannak bizonyos kérdések, amelyeket feltehet, hogy kitalálja, hogyan lehet a technológiát alkalmazni a szervezetében. Íme néhány példa:

Belső folyamatok

  • A mai vállalkozásomban hol alkalmazzák az ismereteket az automatizált döntések meghozatala érdekében, így képességeiket jobban ki lehet használni másutt?
  • Mi az az adat, amellyel a vállalataim általában keresnek, összegyűjtnek vagy manuálisan kivonnak bizonyos információtárakból, és hogyan lehet ezeket automatizálni?
  • Milyen döntéseket hoznak az emberek a cégemnél? Elképzelhető, hogy ezeket a döntéseket egy gép hozza-e meg, ha varázslatosan lenyelte az összes adatot, amelyet az embereim rendelkeznek?

Termékek és tapasztalatok a meglévő ügyfelek számára

  • Az ügyfelekkel folytatott interakciók mely részeit testreszabják az emberek, és ezeket a gépek személyre szabhatják?
  • Van-e egyértelműen szétválasztva ügyfeleim preferenciáim, viselkedésük és igényeik alapján? A termék / tapasztalat az egyes szegmensekhez testreszabott?
  • Testreszabhatom-e az egyes ügyfelek élményét az alapján, amit tudok róluk, vagy azok interakciójáról a webhelyemmel / alkalmazással / termékkel? Hogyan tudnék jobb, gyorsabb vagy más módon kellemesebb élményt létrehozni számukra?
  • Pontosabban, milyen döntéseket és döntéseket hozok ma ügyfeleimtől, hogy ma hozzanak? Automatizálhatók-e ezek a döntések olyan ismeretek alapján, amelyek már rendelkezem vagy tudtam volna?
  • Hogyan lehet jobban azonosítani a jó és a rossz ügyfelek tapasztalatait? Megtalálhatok olyan kérdéseket, amelyek negatív hatással vannak az ügyfelek élményére vagy elégedettségére, még mielőtt azok előfordulnának vagy elterjednének?

Új vertikumok vagy ügyfelek

  • Van-e olyan adatom, amely hasznos lehet az ipar vagy a szomszédos iparágak többi érdekeltje számára? Milyen döntések segíthetnek ezekben az érintettekben?

A fentiek mind

  • Melyek azok a mutatók vagy trendek, amelyek ha helyesen megjósolhatnék, jelentősen befolyásolnák az ügyfelek kiszolgálására vagy az iparágban történő más módon történő versenyképességre való képességem, pl. előrejelzés bizonyos termékek kategóriáira vonatkozóan, költségingadozások stb.?
  • Melyek a kulcsfontosságú szervezetek, amelyekkel kapcsolatban adatokat gyűjtök (emberek, vállalatok, termékek stb.)? Házasságot vethetek ezekkel az adatokkal bármilyen külső (nyilvános forrásból, partnertől stb.) Adatokkal oly módon, hogy valami új vagy hasznosat mondjak nekem ezekről az entitásokról? Kinek és hogyan hasznos? Például: azonosítsa a potenciális vásárlókat, amikor a termék keresésének szélén áll, megértse, hogyan befolyásolják a külső tényezők az iparág keresletét, és ennek megfelelően reagálnak, stb.

Ösztönözze ezeknek a kérdéseknek (és másoknak) néhányat a csapatával és a szervezet legfontosabb szereplőivel. Ha nem biztos benne, hol kezdje - kezdje el valahol. Csak néhány adat kísérletezése segíthet neked és a csapatodnak, hogy kitalálják, hova lehet tovább menni.

A 2. részben megvitatjuk az összes ML technikai kifejezést, amelyet a PM-knek meg kell értenie, hogy a technológia megválasztását hogyan befolyásolja a problémameghatározás, és néhány olyan modellezési hibát, amelyekre ki kell figyelni, amelyek hatással vannak vállalkozására.

Ha érdekesnek találja ezt a bejegyzést, kérjük, kattintson az alábbi zöld szívre, hogy tudassa velem, vagy ossza meg másokkal, akik hasznosnak találhatják? Ez teljesen tette a napomat!