Data science

A Hitchhiker's Guide to AI ที่ใช้งานได้จริงสำหรับธุรกิจ

ในฟีเจอร์แขกรับเชิญพิเศษนี้ Alex Hoff รองประธานอาวุโสฝ่ายการจัดการผลิตภัณฑ์และการตลาดของ Vendavo เชื่อว่าหากคุณต้องการโซลูชัน AI หรือ ML ที่จะใช้งานได้จริง จะต้องเป็นรูปแบบกล่องขาวที่อธิบายได้ ตีความได้ และมันจะทั้งใช้งานได้และมีประสิทธิภาพมากขึ้นหากอนุญาตให้รวมข้อมูลเชิงลึกและสติปัญญาของมนุษย์เข้ากับปัญญาประดิษฐ์และข้อมูลเชิงลึก – เซนทอร์หรือบางทีอาจเป็นไซบอร์ก Alex นำโซลูชันซอฟต์แวร์ระดับองค์กรออกสู่ตลาดซึ่งช่วยให้บริษัท B2B ดำเนินกลยุทธ์ที่เป็นเลิศเชิงพาณิชย์ได้ เขาร่วมงานกับ Vendavo ในบทบาทต่างๆ มานานกว่าสิบปี โดยทำงานร่วมกับลูกค้าในอุตสาหกรรมการผลิต อุตสาหกรรมกระบวนการ การผลิตสินค้าอุปโภคบริโภค และบริการทางธุรกิจ ในช่วงหลายปีที่ผ่านมา 18 ฉันได้ใช้ อธิบาย และตอนนี้สร้างโซลูชันซอฟต์แวร์ที่ใช้ AI เพื่อใช้งานในขอบเขตธุรกิจ ซึ่งส่วนใหญ่เกี่ยวข้องกับกรณีการใช้งานราคา การเพิ่มประสิทธิภาพ ฉันต้องปรับใช้โซลูชันที่ใช้ AI ที่บริษัทของฉันเองและขายผลลัพธ์ให้กับผู้บริหารที่ไม่เชื่อ โน้มน้าวให้ผู้มีโอกาสเป็นลูกค้าซื้อและปรับใช้โซลูชันซอฟต์แวร์ของเราในบทบาทในภายหลัง และตอนนี้ฉันได้สร้างโซลูชันเหล่านี้ควบคู่ไปกับข้อมูลของฉัน เพื่อนร่วมงานนักวิทยาศาสตร์ ฉันยังหยิบชิ้นส่วนจากโปรเจ็กต์ที่ล้มเหลวก่อนหน้านี้ ส่วนใหญ่มาจากคู่แข่งของฉันหรือโปรเจ็กต์ภายใน “ทำเอง” ที่มีเจตนาดี ฉันเสนอการเรียนรู้ที่สำคัญสองประการจากประสบการณ์เหล่านี้ AI จำเป็นต้องอธิบายได้ อย่างแรกคือโซลูชัน AI สำหรับผู้จัดการธุรกิจจำเป็นต้องเข้าใจโดยผู้จัดการธุรกิจที่ไม่มีปริญญาขั้นสูงในสาขาเชิงปริมาณ เนื่องจากโฆษณาบางส่วนเกี่ยวกับ AI และ ML กำลังเติบโตในมุมมองที่ใช้งานได้จริง จึงมีคำศัพท์ที่เป็นที่ยอมรับสำหรับสิ่งนี้เช่นกัน เช่น “Explainable AI” (XAI) และ “โมเดลกล่องขาว” จากประสบการณ์ครั้งแรกของฉันกับการใช้โซลูชันที่ใช้ AI ฉันได้รับโครงการที่ค่อนข้างล้มเหลว รุ่นก่อนของฉันได้เลือกโซลูชันที่ยอดเยี่ยมซึ่งใช้ประโยชน์จากวิทยาศาสตร์ข้อมูลที่ยอดเยี่ยมและใช้ข้อมูลธุรกรรมหลายเทราไบต์ในแบบจำลองการถดถอยหลายตัวแปรที่ไม่เป็นเชิงเส้นและรองรับด้วยการอนุมานแบบเบย์ แต่ความผิดพลาดของพวกเขาคือพวกเขาเปิดตัวระบบสนับสนุนการตัดสินใจนี้อย่างภาคภูมิใจสำหรับผู้จัดการธุรกิจและผู้บริหาร ซึ่งหลายคนไม่ได้ขอระบบสนับสนุนการตัดสินใจ และคำแฟนซีที่ฉันเพิ่งใช้เป็นภาษากรีกสำหรับใคร เมื่อฉันสืบทอดโครงการ อัลกอริธึมซึ่งให้ผลลัพธ์ที่ดีจริงๆ ถูกละเลยมากกว่า 50% ของเวลาทั้งหมด ไม่กี่คนที่เชื่อถือผลลัพธ์และคำแนะนำ หลังจากการรณรงค์อธิบายให้กระจ่างและอธิบายอย่างยากลำบาก ในที่สุดฉันก็ทำให้ทุกคนสบายใจกับความจริงที่ว่าคำพูดที่ฟังดูแปลก ๆ นั้นหมายความว่าคอมพิวเตอร์ที่ทรงพลังบางเครื่องกำลังคิดตัวเลขในลักษณะที่เลียนแบบว่าผู้จัดการธุรกิจโดยเฉลี่ยคิดอย่างไรเกี่ยวกับการกำหนดราคา ความยืดหยุ่น รายได้ และกำไร ในที่สุด เราก็ได้อัตราการตอบรับที่สูงกว่า 90% และสามารถบันทึก ROI 700% ได้อย่างมั่นใจ แต่ต้องใช้เวลามาก ของการอธิบาย ซอฟต์แวร์ไม่ได้ให้คำอธิบาย เราต้องทำอย่างนั้นเอง ฉันเคยได้ยินเรื่องราวที่คล้ายคลึงกันมากมายเมื่อพบโครงการที่ล้มเหลวจากแนวทางอื่น ความจริงที่ยากก็คือคุณสามารถมีโมเดลที่ทรงพลังและแม่นยำที่สุดได้ แต่ถ้าผู้ใช้ทางธุรกิจไม่ไว้วางใจโมเดลเหล่านั้น (ซึ่งมักจะต้องมีคำอธิบายในระดับหนึ่ง) แสดงว่าคุณกำลังใช้ความพยายามอย่างสูญเปล่าและการลงทุนที่ล้มเหลว มันทำให้คนบางคนต้องเสียงานด้วยซ้ำ ในกรณีการใช้งานส่วนใหญ่ โซลูชัน AI หรือ ML สำหรับธุรกิจจำเป็นต้องมีวิธีการอธิบายเพื่อให้สามารถเข้าใจและตีความผลลัพธ์ได้ และเชื่อถือได้ ดังที่ผู้เชี่ยวชาญคนหนึ่งในแมชชีนเลิร์นนิงกล่าวไว้ว่า “แม้ว่าวัตถุประสงค์ของแมชชีนเลิร์นนิงอาจเพื่อลดข้อผิดพลาด แต่จุดประสงค์ในโลกแห่งความเป็นจริงคือการให้ข้อมูลที่เป็นประโยชน์” การตีความมักจะเป็นข้อกำหนดที่สำคัญสำหรับโซลูชัน AI และ ML ใดๆ ที่จะมีประโยชน์และมีประสิทธิภาพในการตั้งธุรกิจ การตีความควรเป็นหนึ่งในหลักการออกแบบพื้นฐานตั้งแต่เริ่มต้น สิ่งนี้อาจฟังดูง่าย แต่อาจเป็นเรื่องยากสำหรับควอนตัมเมื่อคุณถูกล่อลวงให้สร้างแบบจำลองที่ดีขึ้นเล็กน้อยพร้อมพลังการทำนายที่ดีกว่า ซึ่งยากจะอธิบายให้ผู้ใช้ธุรกิจจำนวนมากทราบทุกวันโดยไม่ได้ล้าง IA (Intelligence Augmentation) ไม่ใช่ AI (Artificial Intelligence) การเรียนรู้หลักที่สองคือโซลูชัน AI ส่วนใหญ่สำหรับการใช้งานทางธุรกิจจริงจำเป็นต้องผสมผสานระหว่างปัญญาประดิษฐ์และปัญญามนุษย์ในทางปฏิบัติ ซึ่งเรียกว่าการเสริมปัญญา (IA) ไม่ใช่แค่ AI นักวิเคราะห์ด้านไอทีและรองประธานฝ่ายการตลาดจำนวนมากเกินไปได้ละเมิดคำสัญญาของ AI และ ML และสร้างความคาดหวังที่ไม่สมจริง (และไร้เดียงสา) สำหรับผู้ใช้จำนวนมากที่อยากจะเป็น ในการประชุมครั้งหนึ่ง ฉันได้นั่งดูการนำเสนอสามครั้งโดยบริษัทซอฟต์แวร์และที่ปรึกษาที่เริ่มต้นในลักษณะเดียวกัน: พวกเขาบอกเล่าเรื่องราวของ Deep Blue ของ IBM ให้คุณฟัง และวิธีที่มันเอาชนะ Gary Kasparov ปรมาจารย์หมากรุกอย่าง Gary Kasparov และเมื่อก่อนนี้ “เจ้าแม่กวนอิม” ก็ทำให้หมากรุกเย็นชา “นี่คือเรื่องราวที่เราบอกตัวเองเกี่ยวกับ AI มานานหลายทศวรรษ: ระหว่างมนุษย์กับเครื่องจักร ผู้สร้างกับการสร้างสรรค์ของพวกเขา ก้อนเนื้อย่นกับก้อนซิลิโคนที่เรียบลื่น” ii แต่สิ่งที่ไม่กี่คนที่พูดถึงก็คือหลังจาก Gary Kasparov แพ้ AI ของ IBM เขาและคนอื่น ๆ ได้พัฒนาแนวคิดของการผสมผสานทั้งปัญญาประดิษฐ์และปัญญามนุษย์ในการแข่งขัน “Centaur Chess” ที่คู่แข่งทุกประเภทเข้าแข่งขัน: ซูเปอร์คอมพิวเตอร์, ปรมาจารย์ของมนุษย์, ทีมผสมของมนุษย์และ Ais “ไม่น่าแปลกใจเลยที่ Human+AI Centaur เอาชนะมนุษย์ที่โดดเดี่ยวได้ แต่น่าประหลาดใจมากที่ Centaur ที่เป็นมนุษย์และ AI เอาชนะคอมพิวเตอร์โซโลได้ด้วย” ii ในโลกแห่งความเป็นจริงของปัญหาทางธุรกิจในชีวิตประจำวัน ข้อมูลมีน้อย มักเป็นข้อมูลทางประวัติศาสตร์ (มองย้อนกลับไป) ขาดข้อมูลเชิงลึกที่มนุษย์อาจรวบรวมในลักษณะแอนะล็อก และในบางกรณี ข้อมูลเพียงขาดหลักฐานที่สังเกตได้ของกลยุทธ์ที่เป็นไปได้ของผู้ใช้ (สมมติฐาน) มนุษย์สามารถมีข้อมูลเชิงลึกหรือบริบทที่สำคัญซึ่งโมเดลที่ดีที่สุดเกี่ยวกับการใช้ข้อมูลที่ดีที่สุดที่มีอยู่นั้นไม่สามารถให้ได้ ทั้งสองรวมกัน – ปัญญาประดิษฐ์และปัญญามนุษย์ – มักจะให้ผลลัพธ์ที่น่าเชื่อถือที่สุดไม่เพียง แต่ผลลัพธ์ที่ดีที่สุดเช่นกัน ตัวอย่างหนึ่งที่ใช้ได้จริงของหลักการนี้คือสิ่งที่เรามักเรียกกันว่า “กฎเกณฑ์ทางธุรกิจ” – โดยพื้นฐานแล้วข้อจำกัดที่ต้องถูกจัดเป็นชั้นๆ ในโซลูชันที่เปิดใช้งาน AI เพื่อที่คุณจะได้ป้องกันผลลัพธ์ที่ไม่อาจยอมรับได้ (จากมุมมองทางธุรกิจ) สิ่งเหล่านี้ต้องเรียบง่ายเหมือนกับตัวช่วยสร้างกฎในโซลูชันซอฟต์แวร์สำนักงานเดสก์ท็อป ซึ่งเป็นสิ่งที่สามารถจัดการได้โดยไม่ต้องมีการศึกษาขั้นสูงในการวิจัยหรือสถิติการดำเนินงาน อีกตัวอย่างหนึ่งคือความสามารถในการให้การแทนที่และการปรับเปลี่ยน “ด้วยตนเอง” สำหรับการคาดคะเนและผลลัพธ์ ในขณะที่คนเจ้าระเบียบอาจคัดค้านสิ่งนี้ แต่สิ่งเหล่านี้เป็นกุญแจสู่การยอมรับและความสำเร็จ และคุณสามารถออกแบบโซลูชันเพื่อสังเกตการแทนที่ดังกล่าวได้เสมอ และพิจารณาสิ่งเหล่านี้เพื่อช่วยฝึกโมเดลของคุณให้ดียิ่งขึ้นไปอีก โดยสรุป ถ้าคุณต้องการโซลูชัน AI หรือ ML ที่จะใช้งานได้จริง จะต้องเป็นแบบกล่องขาวที่สามารถอธิบายได้ ตีความได้ และจะทั้งใช้งานได้และมีประสิทธิภาพมากขึ้นหากอนุญาตให้มีความเข้าใจอย่างถ่องแท้ของมนุษย์และ ปัญญาประดิษฐ์ผสมผสานกับปัญญาประดิษฐ์และข้อมูลเชิงลึก เช่น เซนทอร์ หรือบางทีอาจเป็นไซบอร์ก ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button