fbpx

Како да имплементирате Machine Learning решенија за вашиот бизнис

Машинското учење (Machine learning), денес, се гледа како „клуч“ за отклучување на вредност зад податоци. Воедно, машинското учење, се очекува, да доведе до пресвртната точка во технолошкиот развој, во многу блиска иднина.

Најприфатената дефиниција (лаичка дефиниција или layman's terms - дефиниција) е дека Machine Learning е гранка на Вештачката Интелигенција која им овозможува на компјутерите да учат од податоци, без притоа тие да бидат експлицитно програмирани. Секако, учењето од податоци не е со помош на магија, туку со користење алгоритми кои му овозможуваат на компјутерот да изведува прости заклучоци, кога е „нахранет“ со голема количина податоци.

Филмските препораки кои ги добиваме на Netflix, способноста на Facebook да препознава лица на фотографии, како и самоуправувачките автомобили на Google, се примери на решенија базирани на Machine Learning.
Постои огромен hype околу можностите кои ги нуди Machine Learning, но нема потреба од залетување. Само поради тоа што алгоритмот на Netflix работи со податоци од типот на „ако гледате 8 часа "Friends" што друго би ви се допаднало“, не мора (и не може) секој алгоритам да биде толку „забавен“. Генерално, функцијата на алгоритмите, во голем број случаи, ќе биде наоѓање решенија во „помалку забавни“ области, споредено со областа на податоците со кои работи Netflix.

Следниве чекори можат да послужат како патоказ при имплементирање Machine Learning решенија кои ќе создадат вредност за вашиот бизнис.

Изградете податочна основа за вашата организација

Иако живееме и постоиме во економија водена од податоци, се уште не им ја даваме почитта која тие ја заслужуваат. Единствениот момент во кој помислуваме на податоците (и тоа, пред се како поим) е кога се појавува некаков скандал поврзан со data breach (Zuckerberg, BirthReady скандалот во Кина...). Најкритичниот чекор за воспоставување на Мachine Learning решение, речиси во секоја компанија, е создавање „екосистем“ кој овозможува непрекината интеграција на податоците низ целата организација.

Формирајте ML тим

Најчеста грешка при формирање Machine Learning тим, е потрага по луѓе кои поседуваат неколку докторати, одлични програмерски вештини, неверојатни аналитички способности и неоткриен талент за бизнис прогнозирање. Во реалниот свет, постојат седум луѓе кои ќе се пронајдат во овој опис, а само двајца кои реално ги поседуваат вештините. Во техничкиот свет, овие луѓе се нарекуваат и „еднорози“, бидејќи се фигменти на имагинацијата на луѓето одговорни за вработување.
Она што треба еден ML тим да поседува е: експерт во областа во која работи компанијата, статистичар и инженер на податоци (внимание: не еден човек со овие способности, туку три посебни лица кои поседуваат по една од овие вештини). Доколку вашата работа, поради многу причини, не се залага за формирање сопствен ML тим кој ќе ги извршува ML-задачите, outsorcing е секогаш одлична опција.

Креирајте „лабораториска“ средина

Ова не подразбира бели мантили, флуоресцентни светла и хируршки ракавици. Подразбира создавање средина во која ML тимот ќе се чуствува безбедно за да излезе надвор од својата комфорна зона.
За да се изведе успешно и брзо прототипирање, потребна е „лабораториска“ средина со пристап до сите податоци на организацијата (супер важен чекор), state-of-the-art аналитички алатки, и можност да се извршуваат маратонски долги тестови. Со ваков set-up, ML-тимот може брзо да премине од дефинирање на бизнис-предизвикот до спроведување аналитички експерименти, со крајна цел да се развие ML модел со голема моќ на предвидување.
Лабораториската средина му дозволува на тимот да извршува голем број истражувачки иницијативи, побрзо да „закрепне“ од „пропаднати“ експерименти и на крај, да ја дефинира највредната ML апликација за бизнисот.

Применувајте ги успешните решенија

Откако ќе дефинирате успешно решение, следниот логичен чекор е примена на решението во клиентско насочени бизнис стратегии. Користење несоодветна технолошка инфраструктура, применување несоодветни софтверско-инженерски решенија и недостаток на стандардизирани правила при градење на модел, можат да значат крај за вашиот модел (кој на хартија беше супер, ама не знаеме зашто не работи).
Важноста на “container platform” овозможува пакување ML-таскови во стандардизирани единици за развивање, испраќање и применување. Овој процес бара непрекинат тек низ различни оперативни системи, а притоа, текот треба да е во склад со највисоките стандарди за перформанс. Развивањето на гореспоменатиот процес, упатува кон тоа дека побарувачката ќе се зголемува многу повеќе за Data Engineers отколку за Data Scientists.
Иако ова е изнесено како факт на многу блогови, работата која ја вршат Data Engineers е возможна со дополнително вработување на Data Scientists. Во секој случај, нема да пресуши изворот на работи поврзани со податоци.

Прифатете го технолошкиот развој

Потребна е организациска култура која ја прифаќа фундаменталната промена од класична статистика до модерни ML технологии. Оваа трансформација е возможна со воспоставување култура на „постојано учење“, каде тимот се чуствува охрабрен да ја прифати улогата на вечен студент и постојано да се труди да го надогради својот skill-set.
Сево ова звучи како утопија, но за каков било човечки раст е потребна постојана работа. Постојаната работа и учење, не е нешто што се однесува само на технолошките науки (иако најмногу се потенцира во оваа област), туку на секој домен од животот, генерално. Она што е најважно во вакви новонастанати ситуации, е да се има одличен извршен тим кој подржува data-driven начин на носење одлуки.

Со појавата на Machine Learning решенија, преку кои носиме подобри, побрзи и поинформирани одлуки, настанува тектонска промена во бизнис сферата. Тоа се супер вести бидејќи имплементацијата на овие решенија не е невозможна, само бара малку посветување.

По читање на овие чекори, знаете како да започнете со имплементација на ML решенија за вашиот бизнис. Доколку ви треба повеќе помош, тука е тимот на Data Masters да ви помогне.