Prentiss Donohue, phó chủ tịch cấp cao, Professional Service , OpenText phác thảo trong Thời đại thông tin bảy bước chính để giúp AI và học máy mang lại tiềm năng đầy đủ của nó.
Trí tuệ nhân tạo (AI) và học máy (ML) đang chuyển từ từ thông dụng kinh doanh sang áp dụng doanh nghiệp rộng rãi hơn. Những nỗ lực xung quanh các chiến lược và áp dụng gợi nhớ đến chu kỳ và điểm bùng phát cho các chiến lược đám mây doanh nghiệp bốn năm trước khi các công ty không còn lựa chọn chuyển sang đám mây và nó chỉ trở thành câu hỏi khi nào? Và làm thế nào? Các chiến lược AI và ML đang ở trong cùng một chế độ phát triển khi các công ty xây dựng cách tiếp cận của họ. Dưới đây là một số suy nghĩ xung quanh cách thức.
Forrester gần đây đã báo cáo rằng gần hai phần ba những người ra quyết định công nghệ doanh nghiệp đã thực hiện, hiện đang triển khai hoặc đang mở rộng việc sử dụng AI. Việc thực hiện và nỗ lực được thúc đẩy bởi các hồ dữ liệu doanh nghiệp nằm trong các công ty, nhờ tuân thủ và lưu trữ chi phí thấp, chủ yếu là nhàn rỗi. Khai thác các kho lưu trữ phong phú này để AI trả lời các câu hỏi mà chúng ta không hỏi, và có thể không biết để hỏi, là tiền thưởng mà các doanh nghiệp cần phải hiểu … Trước khi người khác làm điều đó trước họ.
Với chi tiêu doanh nghiệp cho các công nghệ AI dự kiến sẽ đạt hơn 47 tỷ đô la vào năm 2020, tăng từ 8 tỷ đô la vào năm 2016, theo International Data Corp, nước ép cần phải đáng giá – và việc ép cần phải được thực hiện đúng cách.
Các tổ chức trên tất cả các lĩnh vực sẽ tiếp tục nắm lấy công nghệ AI và ML trong những năm tới, chuyển đổi các quy trình và mô hình kinh doanh cốt lõi của họ để tận dụng các hệ thống học máy để tăng cường hoạt động và hiệu quả chi phí lớn hơn. Khi các nhà lãnh đạo doanh nghiệp bắt đầu vạch ra các kế hoạch và chiến lược để sử dụng tốt nhất công nghệ này, điều quan trọng là họ phải nhớ rằng con đường áp dụng AI và ML là một hành trình, chứ không phải là một cuộc đua. Các tổ chức nên bắt đầu bằng cách xem xét bảy bước sau.
1. Xác định rõ case study
Điều quan trọng đối với các nhà lãnh đạo doanh nghiệp và các nhà quản lý dự án của họ là bắt đầu bằng cách dành thời gian để xác định rõ ràng và nêu rõ các vấn đề hoặc thách thức cụ thể mà họ muốn AI giải quyết; Mục tiêu càng cụ thể, cơ hội thành công càng cao để triển khai AI.
Bạn có thể thích
Nói rằng tổ chức muốn ‘tăng doanh số bán hàng trực tuyến lên 10%’, ví dụ, không đủ cụ thể. Thay vào đó, một tuyên bố được xác định rõ hơn như “nhằm mục đích tăng doanh số bán hàng trực tuyến lên 10% bằng cách theo dõi nhân khẩu học của khách truy cập trang web” hữu ích hơn nhiều trong việc nêu rõ mục tiêu và đảm bảo nó được hiểu rõ bởi tất cả các bên liên quan.
2. Xác minh tính khả dụng của dữ liệu
Bước tiếp theo, một khi case study đã được xác định rõ ràng, là đảm bảo các quy trình và hệ thống đã có sẵn có khả năng nắm bắt và theo dõi dữ liệu cần thiết để thực hiện phân tích cần thiết.
Một lượng đáng kể thời gian và công sức được dành cho việc ăn dữ liệu và tranh cãi, vì vậy các tổ chức phải đảm bảo dữ liệu phù hợp được thu thập đủ khối lượng và với các biến hoặc tính năng phù hợp như tuổi tác,giới tính hoặc dân tộc. Điều đáng ghi nhớ là, vì chất lượng của dữ liệu cũng quan trọng đối với kết quả thành công như khối lượng của nó, các tổ chức nên ưu tiên các quy trình quản trị dữ liệu.
3. Thực hiện thăm dò dữ liệu cơ bản
Nó có thể được hấp dẫn cho một doanh nghiệp để nhảy headfirst vào một bài tập xây dựng mô hình, nhưng điều quan trọng là nó đầu tiên thực hiện một bài tập thăm dò dữ liệu nhanh chóng, trong đó nó có thể xác nhận các giả định dữ liệu và sự hiểu biết của nó. Làm như vậy sẽ giúp xác định xem dữ liệu có kể câu chuyện đúng hay không dựa trên chuyên môn về chủ đề của tổ chức và sự nhạy bén trong kinh doanh.
Một bài tập như vậy cũng sẽ giúp tổ chức hiểu các biến hoặc tính năng quan trọng nên (hoặc có thể) là gì và loại phân loại dữ liệu nên được tạo ra để sử dụng làm đầu vào cho bất kỳ mô hình tiềm năng nào.
4. Xác định phương pháp xây dựng mô hình
Thay vì tập trung vào mục tiêu cuối cùng mà giả thuyết nên đạt được, điều quan trọng là phải tập trung vào chính giả thuyết. Chạy thử nghiệm để xác định biến hoặc tính năng nào là quan trọng nhất sẽ xác nhận giả thuyết và cải thiện việc thực hiện nó.
Các chuyên gia kinh doanh và tên miền nên tham gia, vì phản hồi liên tục của họ là rất quan trọng để xác nhận và đảm bảo tất cả các bên liên quan đều ở trên cùng một trang. Thật vậy, vì sự thành công của bất kỳ mô hình ML nào phụ thuộc vào kỹ thuật tính năng thành công, một chuyên gia về chủ đề sẽ luôn có giá trị hơn một thuật toán khi nói đến việc có được các tính năng tốt hơn.
5. Xác định phương pháp xác nhận mô hình
Định nghĩa về các biện pháp hiệu suất sẽ hỗ trợ đánh giá, so sánh và phân tích kết quả từ nhiều thuật toán, từ đó, sẽ giúp tinh chỉnh thêm các mô hình cụ thể. Độ chính xác phân loại, ví dụ, tức là số lượng dự đoán chính xác được thực hiện chia cho tổng số dự đoán được thực hiện và nhân với 100, sẽ là một thước đo hiệu suất tốt khi làm việc với case study phân loại.
Dữ liệu sẽ cần phải được chia thành hai bộ dữ liệu: một tập huấn luyện, trên đó thuật toán sẽ được đào tạo và một bộ kiểm tra, mà nó sẽ được đánh giá. Tùy thuộc vào độ phức tạp của thuật toán, điều này có thể đơn giản như chọn phân chia dữ liệu ngẫu nhiên, chẳng hạn như 60% để đào tạo và 40% để thử nghiệm hoặc nó có thể liên quan đến các quy trình lấy mẫu phức tạp hơn.
Như với việc kiểm tra giả thuyết, các chuyên gia kinh doanh và tên miền nên tham gia để xác nhận những phát hiện và đảm bảo rằng mọi thứ đang đi đúng hướng.
6. Tự động hóa và triển khai production
Một khi mô hình đã được xây dựng và xác nhận, sau đó nó phải được đưa vào production . Bắt đầu với việc triển khai giới hạn vài tuần hoặc vài tháng, trên đó người dùng doanh nghiệp có thể cung cấp phản hồi liên tục về hành vi và kết quả mô hình, sau đó nó có thể được triển khai cho nhiều đối tượng hơn.
Các công cụ và nền tảng phù hợp nên được chọn để tự động hóa việc ăn dữ liệu, với các hệ thống được đưa ra để phổ biến kết quả cho các đối tượng thích hợp. Nền tảng này sẽ cung cấp nhiều giao diện để giải thích cho các mức độ kiến thức khác nhau giữa những người dùng cuối của tổ chức. Các nhà phân tích kinh doanh có thể muốn thực hiện phân tích thêm dựa trên kết quả mô hình, ví dụ, trong khi người dùng cuối thông thường có thể chỉ muốn tương tác với dữ liệu thông qua bảng điều khiển và hình dung.
7. Tiếp tục cập nhật mô hình
Một khi một mô hình đã được xuất bản và triển khai để sử dụng, nó phải được theo dõi liên tục vì, bằng cách hiểu tính hợp lệ của nó, một tổ chức sẽ có thể cập nhật mô hình theo yêu cầu.
Các mô hình có thể trở nên lỗi thời vì một số lý do. Động lực thị trường có thể thay đổi, ví dụ, hoặc chính doanh nghiệp và mô hình kinh doanh của nó. Các mô hình được xây dựng trên dữ liệu lịch sử để dự đoán kết quả trong tương lai, nhưng khi động lực thị trường di chuyển ra khỏi cách một tổ chức luôn kinh doanh, vì vậy hiệu suất của mô hình có thể xấu đi. Do đó, điều quan trọng là phải chú ý đến quy trình nào phải được tuân theo để đảm bảo mô hình được cập nhật.
AI doanh nghiệp đang nhanh chóng vượt ra ngoài sự cường điệu và vào thực tế và được thiết lập để có tác động đáng kể đến hoạt động kinh doanh và hiệu quả. Dành thời gian ngay bây giờ để lên kế hoạch thực hiện nó sẽ đặt các tổ chức vào một vị trí mạnh mẽ hơn nhiều để tận hưởng lợi ích của nó hơn nữa.
Nguồn gốc từ Prentiss Donohue, phó chủ tịch cấp cao, Professional Service , OpenText
