# 1: Hvað vélanám getur gert fyrir fyrirtæki þitt og hvernig á að komast að því

Þetta er hluti 1 í 6 hluta námskeiðinu. Skref fyrir skref leiðbeiningar fyrir PM til að búa til vélar sem eru byggðar á vörum. Fylgdu krækjunni fyrir yfirlit yfir alla seríuna.

Fjárfesting í ML er eins og að fjárfesta í farsímum fyrir 10 árum - það getur breytt viðskiptum þínum

Fyrirspurn um fyrirliggjandi gögn til þekkingar er vel þekktur og útbreiddur fræðigrein. Hins vegar er ML næsta landamæri í gagnagreiningum. Það er agi þar sem tölvuforrit geta notað mynstur sem þau bera kennsl á í gögnum, gert spár eða fengið innsýn og bætt þá innsýn með reynslu - án þess að fólk segi þeim sérstaklega hvernig á að gera það. Þar sem fyrirtæki hafa aðgang að fleiri gögnum getur vélinám hjálpað þeim að skilja umfang gagnanna. Kyrningin er allt frá samspili einstakra notenda við alþjóðlega þróun og áhrif þeirra á jörðina. Notkun þessarar þekkingar getur einnig verið allt frá því að laga notendaupplifunina á pixelstigi til að búa til nýjar vörur og viðskiptatækifæri sem ekki eru til nú sem stendur. Athugið að ML getur gengið lengra en að nota innri gögn. Oft er hægt að auka afköst ML með því að sameina innri og ytri gögn til að fá nýja innsýn sem áður voru ekki möguleg.

Frank Chen hjá A16Z hefur frábæra kynningu á mögulegum forritum gervigreindar, sem margir hverjir þurfa eða munu krefjast vélarfræðslu. Sum þessara forrita eru framtíðarmiðuð og er ekki enn hægt að innleiða með núverandi tækni, en gefa góða sýn á möguleikana.

Rétt eins og neytendafyrirtæki hugsuðu um að fjárfesta í farsímum fyrir 8 til 10 árum, þá er nú kominn tími fyrir fyrirtæki til að kanna ML sem tækni sem getur hjálpað til við að ná árangri í viðskiptum. Fyrir fyrirtæki sem leggja áherslu á að nota núverandi ML tækni eru nokkur lykilatriði fyrir ML aðgerðir sem þú býður upp á. Þetta eru ekki tæmandi eða innbyrðis útilokuð, en eru mismunandi sjónarmið fyrir hugsanleg áhrif á fyrirtæki þitt:

  • Massaaðlögun umhverfisins, upplifunin og kerfisviðbrögð notanda. Ímyndaðu þér að allt sem einstaklingur gerir eða sjái sérsniðið að þeim og jafnvel sjá fyrir sér þarfir þeirra og hegðun. Þetta felur í sér tillögur um vörur eða þjónustu sem eru pöntuð eftir því hver þau skipta máli. Sérsniðin notendaupplifun eða flæði byggð á þekkingu þinni á notandanum, hegðun sinni, öðru eins og honum eða ytri gögnum, þar með talið að spá fyrir um hvað þeir vilja gera næst osfrv. Í minni mælikvarða gæti þetta aðlagað upplifunina að hluta af leiða notendur í stað einstaklinga.
  • Hæfni til að bera kennsl á hluti sjónrænt og gera sjálfvirkan eða laga reynslu eftir því. Tækni dagsins í dag getur greint hluti á myndum og myndskeiðum, jafnvel á lifandi myndavél. Með þessu móti bendir Pinterest á svipaða / óhefðbundna hluti og þeir sem eru á mynd sem notandinn er að skoða. Facebook notar andlitsþekkingartækni til að benda vinum sínum á að þeir ættu að merkja mynd. Amazon býr til sjálfvirka stöðvun byggða á sjónrænni auðkenningu hluta osfrv.
  • Sjálfvirk sókn, stofnun eða úrvinnsla efnis. ML gerir kleift að vinna hratt úr miklu magni af innihaldi í heiminum. Algeng notkun er sókn skjala, t.d. Finndu öll skjöl sem skipta máli fyrir lögfræðilegt mál (athugaðu að þetta fer út fyrir lykilorð), flokka skjöl eftir efni og lykilorðum, draga sjálfkrafa saman innihaldið, draga viðeigandi upplýsingar úr miklu magni af innihaldi - t.d. Leitaðu að sérstökum kjörum í sölusamningum o.s.frv. „Innihald“ vísar hér til alls konar fjölmiðla, ekki bara texta.
  • Spá, áætlanir og þróun á mælikvarða. ML gerir kleift að spá sem er mjög dýrt eða á annan hátt erfitt að gera. ML er sérstaklega gagnlegt til að gera spár sem annars þyrftu mikla þekkingu, t.d. Sem dæmi má nefna verð á heimili, eða jafnvel ómögulegt fyrir mann að ákvarða hvaða efni gengur vel á samfélagsmiðlum. Vélar geta einnig greint þróun í gögnum áður en þau verða mönnum ljós.
  • Greining á óvenjulegum athöfnum eða kerfisvillum. Sérhver kerfi hefur villur og vandamál. Með ML geturðu hins vegar ekki aðeins ákvarðað hvort vandamál koma upp, heldur einnig hvort þau séu óvenjuleg og skelfileg. Þetta er sérstaklega gagnlegt í ýmsum eftirlits- og öryggiskerfum.

Frá stefnumótandi sjónarhorni getur ML náð mismunandi tegundum af viðskiptalegum árangri:

  • Bætt reynsla og virkni fyrir viðskiptavini þína. Algengasta notkunartilfellið er sérsniðin fjöldinn: Finndu þær vörur sem líklegastar eru viðeigandi fyrir viðskiptavini þína hraðar og skilvirkari, t.d. Bestu samsvaranir þeirra á stefnumótasíðum, lög sem þeim gæti líkað á tónlistarsíðum, vörur sem þeir gætu viljað kaupa osfrv. Hitt notkunarmálið er að nota spár til að upplýsa þá um aðila eða aðstæður sem þeir annars myndu ekki gera hefði. Þetta gæti verið almennt - t.d. Zillows Zestimate metur hús jafnt, óháð því hver lítur á það eða hvernig það er sniðið að einstökum viðskiptavini. Matið sem notandi metur kvikmynd sem hann hefur ekki séð vegna sérstaks smekks þess.
  • Innri aðgerðir, ferlar og viðskipti rökfræði. Vélarnám sparar þér tíma og eykur skilvirkni auðlindafjárfestinga í viðskiptaferlum og ákvörðunum. Til dæmis: Lánveitandi vill forgangsraða sambandi sínu við hugsanlega lánveitendur. Það þarf að ákveða hver vill taka lán til að taka það í raun þegar það er boðið en líklegt er að það geti endurgreitt það. Að forgangsraða lánstraustum viðskiptavinum er ekki endilega svarið, þar sem þessir viðskiptavinir hafa yfirleitt marga möguleika og eru ólíklegri til að umbreyta. Þess vegna er flóknara líkan krafist.
  • Stækkun í nýjar atvinnugreinar og nýjar vörur. Gögn geta hjálpað þér að opna alveg ný viðskiptatækifæri - búið til nýjar vörur fyrir núverandi viðskiptavini þína, eða þjónað sviðum eða viðskiptavinum sem þú hefur ekki þjónað áður. Sem dæmi má nefna að Netflix getur þjónað vinnustofum sem voru ekki aðal áhorfendur með því að selja þeim gagna innsýn í hvaða efni og söguþráð hentar þeim áhorfendum. Zillow getur hjálpað fasteignaframkvæmdum að skilja hvaða byggingaraðgerðir eru notaðar til að ná sem mestri arðsemi.

Ákvörðun á hvaða svæði sem fyrst skal miða á ætti að ráðast af hugsanlegum viðskiptaáhrifum, flækjum vandans og kostnaði við að ná þeim áhrifum.

„Við verðum að gera eitthvað með gögnin okkar“ er stefna, ekki gagnavísindi, vandamál

Mörg fyrirtæki eru að leita að gagnafræðingum, fólkinu sem smíðar ML módel vegna þess að „við ættum að gera eitthvað með gögnin okkar“. Ég hef heyrt að margir stjórnendur í áberandi fyrirtækjum sögðu: „Við sjáum samkeppnisaðila okkar kaupa gögn, svo við verðum að gera það til að vera samkeppnishæf.“ Síðan réðum við okkur nokkra gagnafræðinga og vonuðum að þeir myndu þróa einhverja töfra. Þetta færir mig til mikils misskilnings um ML.

ML er ekki töfrasproti fyrir þitt fyrirtæki. Fyrsta áskorunin hjá ML er að bera kennsl á viðskiptaáhrif sem tæknin ætti að hafa í för með sér. ML er lausn - þú verður fyrst að skilgreina vandamálið: Hvaða viðskiptaárangur viltu ná með ML? Hvaða ávinning getur ML haft fyrir viðskiptavini þína? ML er hamar - en ef þú ert ekki með nagla er hamar ekki sérstaklega gagnlegur. Til að auka klisjuna enn frekar, er ML afar fjölhæfur mengi hamra. Tegund naglsins ákvarðar hvaða hamar þú velur og hvernig þú notar hann. Nákvæm vandamál sem þú ert að reyna að leysa ákvarðar allt - hvernig niðurstaðan er notuð, hverju líkanið þitt spáir og hvernig það ætti að kvarða, hvaða gögn þú safnar og vinnur, hvaða reiknirit þú prófar og margar aðrar spurningar.

Í kjarna þess, „Hvaða vandamál leysum við?“ Viðskiptaspurning, sem þýðir að skilgreiningin er að lokum á ábyrgð framleiðslustjóra og leikstjóra, en ekki gagnafræðinga. Gagnafræðingar og aðrir hagsmunaaðilar ættu örugglega að vera með í skilgreiningunni - bara ekki henda spurningunni á þá og búast við að þeir komi aftur með svör. Ef þú ert með gögn sem þú þekkir ekki skaltu taka viðtöl viðskiptavina og hugmyndir við aðra viðskiptavini um allt fyrirtækið. Gagnafræðingar geta hjálpað þér að skoða gögn þín, hugmyndir og endurtekningar. Hins vegar, ef þú hefur ekki víðtæka þekkingu á vandamálasvæðum, er erfitt fyrir þig að stofna viðskiptamálið sjálfur. Til þess að hámarka gildi ML fyrir fyrirtækið þarf stöðugt samstarf framleiðslustjóra og gagnafræðinga þar sem framleiðslustjórar bera ábyrgð á því að vandamálin sem þarf að leysa séu skilvirkust fyrir fyrirtækið.

Taka upp hvernig ML getur framkvæmt viðskipti þín

Þó að möguleikarnir með ML séu óþrjótandi, þá eru nokkrar spurningar sem þú gætir spurt sjálfan þig um til að komast að því hvernig tækninni er hægt að beita á fyrirtæki þitt. Hér eru nokkur dæmi:

Innri ferlar

  • Hvar notar fólk í mínu fyrirtæki þekkingu í dag til að taka ákvarðanir sem hægt er að gera sjálfvirkan svo hægt sé að nýta færni sína annars staðar?
  • Hvaða gögn er venjulega leitað að, safnað eða unnið úr tilteknum upplýsingaverslunum í fyrirtækinu mínu, og hvernig er hægt að gera það sjálfvirkt?
  • Hvaða ákvarðanir taka starfsmenn fyrirtækisins? Getur vélin tekið þessar ákvarðanir ef hún tekur töfrandi öll gögn sem starfsmenn mínir hafa?

Vörur og reynsla fyrir núverandi viðskiptavini

  • Hvaða hlutar samskipta viðskiptavina minna eru aðlaga af fólki og mögulega hægt að laga með vélum?
  • Er ég með skýra skiptingu viðskiptavina minna út frá óskum þeirra, hegðun og þörfum? Er vara mín / reynsla sniðin að hverjum þætti?
  • Get ég sérsniðið upplifunina fyrir hvern viðskiptavin út frá því sem ég veit um þá eða hvernig þeir hafa samskipti við síðuna mína / forritið / vöruna? Hvernig gat ég búið til betri, hraðari eða annars skemmtilegri upplifun fyrir þá?
  • Hver eru nákvæmlega ákvarðanir og ákvarðanir sem ég vil spyrja viðskiptavini mína í dag? Er hægt að gera þessar ákvarðanir sjálfvirkar út frá þekkingu sem ég hef eða gæti haft?
  • Hvernig get ég betur greint góða eða slæma reynslu viðskiptavina? Get ég greint atriði sem hafa neikvæð áhrif á upplifun viðskiptavina eða ánægju viðskiptavina áður en þau koma fram eða dreifast?

Nýjar atvinnugreinar eða viðskiptavinir

  • Hef ég gögn sem gætu nýst öðrum hagsmunaaðilum í greininni eða í skyldum atvinnugreinum? Hvers konar ákvarðanir geta þessir hagsmunaaðilar tekið?

Allt hér að ofan

  • Hvaða mælikvarðar eða þróun, ef spáð er rétt, gætu haft áhrif á getu mína til að þjóna viðskiptavinum mínum eða á annan hátt keppa í greininni, t.d. spá eftirspurn eftir ákveðnum vöruflokkum, sveiflum í kostnaði o.s.frv.?
  • Hver eru helstu einingar sem ég safna gögnum um (fólk, fyrirtæki, vörur osfrv.)? Get ég tengt þessi gögn við ytri gögn (frá opinberum aðilum, samstarfsaðilum osfrv.) Á þann hátt sem segir mér eitthvað nýtt eða gagnlegt um þessa aðila? Gagnlegt fyrir hvern og hvernig? Til dæmis: þekkja mögulega viðskiptavini sem eru að fara að finna vöruna, skilja hvernig ytri þættir hafa áhrif á eftirspurn í iðnaði og bregðast við í samræmi við það osfrv

Hugsaðu um nokkrar af þessum spurningum (og öðrum) ásamt teymi þínu og helstu hagsmunaaðilum í samtökunum. Ef þú ert ekki viss um hvar þú átt að byrja skaltu byrja einhvers staðar. Ef þú gerir bara tilraunir með nokkur gögn, getur þú og liðið þitt reiknað út hvert þú átt að fara þaðan.

Í 2. hluta er fjallað um öll ML hugtök sem forsætisráðherrar þurfa að skilja hvernig tæknival hefur áhrif á skilgreininguna á vandamálum þínum og sum þeirra reiknilíkana sem þú þarft að hafa í huga hafa áhrif á viðskipti þín.

Ef þér fannst þessi færsla áhugaverð, vinsamlegast smelltu á græna hjartað hér að neðan til að láta mig vita eða deila henni með einhverjum sem gæti fundið það gagnlegt. Það væri algerlega minn dagur!