Succes med Machine Learning I 4 trin

Succes med Machine Learning I 4 trin

Når du overvejer Machine Learning (ML) som en del af din virksomheds IT-værktøjskasse, er der visse ting, det er afgørende at adressere. I det følgende vil vi komme ind på, hvordan jeres tilgang til ML-projekter kan påvirke udfaldet. Grundig planlægning, forventningsafstemning og ærlighed er nøgleelementer

Kommentar af Stefan Pedersen, adm. Direktør, WaveAccess Nordics

Når du overvejer Machine Learning (ML) som en del af din virksomheds IT-værktøjskasse, er der visse ting, det er afgørende at adressere. I det følgende vil vi komme ind på, hvordan jeres tilgang til ML-projekter kan påvirke udfaldet. Grundig planlægning, forventningsafstemning og ærlighed er nøgleelementer.

Hvor kan AI og ML anvendes?' Det er et fælles spørgsmål blandt virksomhedsejere. Svaret er: Overalt - med en fornuftig tilgang. Maskinlæring er fantastisk når det gælder evnen til at forudsige fordyrende hændelser og uventede udgifter, ranglister med kundehenvendelser, evnen til at opdage uregelmæssigheder, til mønstergenkendelse, intelligent tekstanalyse og anbefalingssystemer.

Baseret på eksempler fra den virkelige verden f.eks. systemer til analyse af ultralydsundersøgelser i medicinsk diagnose, trafik-ruteforudsigelsessystem, inbound lead ranglister til salg af flybilletter, shopping apps der definerer brugerpræferencer for at nævne nogle få - WaveAccess har udbygget den tilgang, der hjælper til at integrere ML smidigt i forretningsprocesserne. Med hensyn til ethvert forretningsområde og uanset virksomhedens størrelse.

Lektion nr. 1 - Dataindsamling, behandling og verifikation: Udgangspunktet er de relevante data. Når det kommer til ML, er det meget sværere at formalisere processerne, specificere betingelserne og evaluere de nødvendige ressourcer, før dataene er indhentet. Datamangel eller ufuldstændige data, manglende eller upålidelig labeling og forkerte data kan føre til et mindre end komplet billede af problemet. Forbliver det uadresseret, vil det ganske enkelt resultere i en model, der mangler nøjagtighed - hvilket er en mindre end effektiv løsning.

De, der forbereder sig godt, er mere tilbøjelige til at lykkes. Få alle dataene og få dem bragt i orden, sørg for at vide, hvor de kommer fra, og vurder kvaliteten objektivt - vær ærlig over for dig selv og din udviklingspartner. Hvis du accepterer substandard data, vil resultatet være under standard uanset ML- algoritmen. Men der er ingen grund til panik vedrørende datasikkerhed - anonymiserede data virker også.

Men lad os være realistiske, det ideelle grundlag - realistisk, korrekt og rigtigt mærkede data i den rigtige mængde - er næsten aldrig tilfældet. Heldigvis er der måder at håndtere det på, der virker.

Lektion nr. 2 - Prototyping: Når du udvikler noget så strategisk og komplekst som Machine Learning-modeller, skal du sørge for, at de opfører dig som forventet. Den eneste måde at sikre det på, er at skabe en prototype og afprøve den forud for den endelige udvikling og implementering.

Der er al mulig grund til at investere i prototyper. De hjælper med at forstå, hvilken nøjagtighed ML-modellen kan levere i forhold til de ledige datasæt, og hvilke ressourcer der er nødvendige for at forbedre den. Derfor er prototyping afgørende for at sikre, at et ML-projekt bliver afviklet glat og for at undgå fejl, der kan resultere i at have et ukorrekt fundament i forhold til beslutningstagning og optimering.

Når alt kommer til alt, bygger du ikke bare et fly, byder fol velkommen om bord og så bare håber det vil flyve sikkert, gør du?

Lektion # 3 - Forventningsafstemning og ROI: Forventningsafstemning er afgørende. Sørg altid for, at processer, tidsrammer, forventet investering og forventet resultat er aftalt. Vær sikker på at du har beregnet ROI-modellen på forhånd - det vil vise, hvilken effektivitet-grad der virkelig giver mening for at investeringerne betaler sig, og om det er værd at investere i at forbedre modellen. 100% nøjagtighed ser attraktiv ud, men kan ofte være uberettiget. Bemærk også, at når løsningen er klar, kan du stadig gå tilbage og vurdere, om det er muligt at forbedre modellen og hvor meget det vil koste.

Lektion 4 - Fleksibel tilgang til planlægning: Hvert ML-projekt kræver research og udvikling, da det ikke er en standardløsning eller hyldevare. Sådanne projekter er dynamiske, de kan ændre kurs baseret på data, tildelte ressourcer, ændrede ambitioner og ønsket resultat og kan derfor også kræve yderligere omkostninger og øget indsats. Vær ærlig - på forhånd - om hvad du forventer, da det du håber, måske ikke altid er realistisk.

Det bringer os tilbage til det allerførste spørgsmål, der skal løses: Er machine Learning virkelig nødvendigvis den bedste løsning på det aktuelle problem?

Med 19 års erfaring inden for softwareudvikling, over 5 års erfaring inden for ML og AI projektudvikling og en portefølje af 20+ relaterede projekter, har vi opnået en ganske stor indsigt. ML er ikke et universelt middel: tonsvis af problemer kan løses hurtigere og billigere, og der er ingen mening at investere i teknologi bare for teknologiens skyld.

Selv om disse tips og tricks er enkle, når de er nedfældet på papir er de afgørende, når dit projekt starter. Vi opfordrer derfor dig til at tage dem alvorligt og bruge denne tjekliste som et fundament, når du søger efter en tech partner. Vi tør egentlig godt at sige, at hvis din potentielle partner ikke anerkender dem, varetager de måske ikke helt dine interesser så godt som muligt.