Alena Gaybatova e Ekaterina Stepanova, especialistas na direção de soluções analíticas do KORUS Consulting Group .
Todo mundo quer ganhar dinheiro e economizar dados: a aplicação de métodos de ML, mesmo em um projeto, ajuda a obter economias significativas ou até mesmo a aumentar a receita. Mas para sentir o efeito e não falhar na implementação, é preciso levar em conta as dificuldades e evitar erros gerenciais. Usando um exemplo, mostraremos como garantir que os algoritmos de aprendizado de máquina não cometam erros.
Aprendizado de máquina - apenas 5% dos recursos do projeto. Mas a complicação da lógica de ML pode levar a um aumento no tempo de implementação, e o planejamento inadequado da coleta de dados pode levar a análises imprecisas que podem se tornar inúteis e caras. Por que isso está acontecendo?
O problema das expectativas
A empresa ouviu em algum lugar que uma rede neural é a solução para todos os problemas. Ao mesmo tempo, a qualidade ou o volume dos dados deixa muito a desejar - é simplesmente impossível implementar um modelo nessas condições. Por exemplo, leva cerca de um ano para acumular dados no varejo ou na manufatura e, se o equipamento necessário não estiver disponível ou alguns dos processos não forem digitalizados, ainda mais.
Para evitar confusão, recomendamos negociar resultados específicos com uma ressalva aos requisitos para lançar o sistema, em vez de uma vaga oportunidade de receita. Essas ilusões são experimentadas não apenas pelas empresas, mas também pelos próprios desenvolvedores. Às vezes, os analistas de negócios esperam que os modelos funcionem bem com base no que lêem em artigos técnicos complexos. Infelizmente, esses textos escrevem sobre algoritmos desenvolvidos em dados de modelo, não em dados reais.
Portanto, os resultados do projeto devem ser úteis, facilmente interpretáveis e validados por métricas e especialistas de negócios.
Falsas premissas
- ML-. , 2019 90%. 2020 , — c , .
. .
, , , . : . , , . , . 2020 - , , . .
: , .
: - , . , , . , , .
. – . .
.
1. ? , ? ?
value . , . , 100%, , «» . : 50% , «».
2. ML? ? , – ?
, . - . , .
3. ?
– , ML-. , . , -.
4. ?
, ML – . - ML, , . , , . , . , , .
ML é uma ótima ferramenta para otimizar o trabalho, resolver problemas não padrão e analisar grandes quantidades de dados. É importante considerar muitos aspectos para seu uso antes e depois da implementação. Esperamos que esta rápida visão geral seja capaz de prevenir situações indesejadas e minimizar o incômodo de usar ML para que você possa aproveitar os benefícios adicionais da tecnologia.