Data science

คุณจะพร้อม AI ได้อย่างไร?

องค์กรที่ใช้ AI ได้เพิ่มขึ้น 270 เปอร์เซ็นต์ในช่วงสี่ปีที่ผ่านมา จากการสำรวจล่าสุดของ Gartner แม้ว่าการนำ AI ไปใช้จะมีแนวโน้มเพิ่มขึ้น แต่ 63 เปอร์เซ็นต์ขององค์กรยังไม่ได้ใช้เทคโนโลยีนี้ อะไรรั้งพวกเขาไว้: ต้นทุน การขาดแคลนผู้มีความสามารถ สำหรับหลาย ๆ องค์กร การไม่สามารถบรรลุระดับความเชื่อมั่นที่ต้องการในตัวอัลกอริทึมเองได้ ทีมวิทยาศาสตร์ข้อมูลมักจะทุ่มงบประมาณ เวลา และทรัพยากรไปกับโมเดล AI ที่ไม่เคยทำได้มาก่อนในช่วงเริ่มต้นของการทดสอบ และแม้ว่าโครงการจะเริ่มต้นจากระยะเริ่มต้น แต่ไม่ใช่ทุกโครงการจะประสบความสำเร็จ ตัวอย่างหนึ่งที่เราเห็นเมื่อปีที่แล้วคือความพยายามของ Amazon ในการปรับใช้ AI ในแผนกทรัพยากรบุคคล Amazon ได้รับประวัติย่อจำนวนมากสำหรับตำแหน่งงานที่เปิดรับนับพันตำแหน่ง พวกเขาตั้งสมมติฐานว่าพวกเขาสามารถใช้แมชชีนเลิร์นนิงเพื่อกลั่นกรองประวัติย่อทั้งหมดและค้นหาพรสวรรค์ชั้นนำ แม้ว่าระบบจะสามารถกรองประวัติย่อและนำคะแนนไปใช้กับผู้สมัครได้ แต่ก็ยังแสดงอคติทางเพศอีกด้วย แม้ว่าการพิสูจน์แนวคิดนี้จะได้รับการอนุมัติ แต่พวกเขาไม่ได้ดูอคติในข้อมูลการฝึกอบรมและมีการเรียกคืนโครงการ บริษัทต่างๆ ต้องการก้าวข้ามกลุ่ม “การปฏิวัติอุตสาหกรรมครั้งที่สี่” และพิสูจน์ว่า AI จะส่งมอบ ROI ให้กับธุรกิจของตน ความจริงก็คือ AI อยู่ในขั้นเริ่มต้น และหลายบริษัทกำลังเตรียมพร้อมสำหรับ AI สำหรับทีมโครงการแมชชีนเลิร์นนิง (ML) ที่เริ่มโครงการเป็นครั้งแรก แนวทางสามขั้นตอนอย่างรอบคอบเพื่อวิวัฒนาการโครงการจะปูทางสู่ความสำเร็จ ทดสอบประสิทธิภาพพื้นฐานของแบบจำลองของคุณด้วย Proof of Concept (POC) ภายใน จุดประสงค์ของ POC คือการพิสูจน์ว่า ในกรณีนี้ เป็นไปได้ที่จะประหยัดเงินหรือปรับปรุงประสบการณ์ของลูกค้าโดยใช้ AI คุณไม่ได้พยายามทำให้โมเดลมีระดับความมั่นใจที่จำเป็นในการปรับใช้ เพียงเพื่อพูด (และแสดง) ว่าโครงการสามารถทำงานได้ POC แบบนี้คือการทดสอบสิ่งต่างๆ เพื่อดูว่าวิธีการที่กำหนดให้ผลลัพธ์หรือไม่ ไม่มีเหตุผลในการลงทุนอย่างลึกซึ้งสำหรับ POC คุณสามารถใช้อัลกอริธึมนอกระบบ ค้นหาข้อมูลการฝึกอบรมโอเพนซอร์ส ซื้อชุดข้อมูลตัวอย่าง สร้างอัลกอริทึมของคุณเองด้วยฟังก์ชันที่จำกัด และ/หรือติดป้ายกำกับข้อมูลของคุณเอง ค้นหาสิ่งที่ใช่สำหรับคุณเพื่อพิสูจน์ว่าโครงการของคุณจะบรรลุเป้าหมายขององค์กร POC ที่ประสบความสำเร็จคือสิ่งที่จะได้รับเงินส่วนที่เหลือของโครงการ ในโครงร่างใหญ่ของโปรเจ็กต์ AI ของคุณ นี่เป็นส่วนที่ง่ายที่สุดในการเดินทางของคุณ โปรดจำไว้ว่า เมื่อคุณฝึกฝนอัลกอริทึมต่อไป คุณจะไม่สามารถใช้ข้อมูลตัวอย่างหรือเตรียมข้อมูลการฝึกทั้งหมดได้ด้วยตนเอง การปรับปรุงในภายหลังในความเชื่อมั่นของแบบจำลองที่จำเป็นในการทำให้ระบบของคุณพร้อมสำหรับการผลิต จะใช้ข้อมูลการฝึกอบรมจำนวนมหาศาล เตรียมข้อมูลที่จำเป็นสำหรับการฝึกอัลกอริทึมของคุณ…และไปต่อ ตอนนี้งานหนักได้เริ่มขึ้นแล้ว สมมติว่า POC ของคุณที่ใช้ข้อมูลที่ติดป้ายกำกับล่วงหน้าทำให้โมเดลของคุณมีความมั่นใจ 60 เปอร์เซ็นต์ ร้อยละหกสิบไม่พร้อมสำหรับช่วงไพรม์ไทม์ ตามทฤษฎีแล้ว นั่นอาจหมายความว่า 60 เปอร์เซ็นต์ของการโต้ตอบที่อัลกอริทึมของคุณมีกับลูกค้าจะไม่เป็นที่น่าพอใจ คุณมีความมั่นใจในระดับที่สูงขึ้นได้อย่างไร? ข้อมูลการฝึกอบรมเพิ่มเติม การพิสูจน์ว่า AI จะใช้ได้ผลสำหรับธุรกิจของคุณเป็นขั้นตอนใหญ่ในการดำเนินการและเก็บเกี่ยวผลประโยชน์อย่างแท้จริง แต่อย่าปล่อยให้มันกล่อมให้คุณคิดต่อไป 60 เปอร์เซ็นต์ความเชื่อมั่นจะง่ายกว่านั้นถึง 6 เท่า ความจริงที่น่าเกลียดคือโมเดลมีความกระหายที่ไม่รู้จักพอสำหรับข้อมูลการฝึกอบรมและการได้รับความเชื่อมั่นจาก 60 ถึง 70 เปอร์เซ็นต์อาจใช้เวลานานกว่านั้น ข้อมูลการฝึกอบรมที่ใช้เพื่อให้ได้ต้นฉบับ 60 เปอร์เซ็นต์ ความต้องการกลายเป็นเลขชี้กำลัง อุปสรรคที่ต้องระวังสำหรับ Imagine หากต้องใช้ภาพที่ติดป้ายกำกับหลายหมื่นภาพเพื่อพิสูจน์กรณีการใช้งานเดียวสำหรับ POC ที่ประสบความสำเร็จ มันจะต้องใช้ภาพหลายหมื่นภาพสำหรับแต่ละกรณีการใช้งานที่คุณต้องการให้อัลกอริทึมของคุณเรียนรู้ มีกี่กรณีการใช้งาน? ร้อย? พัน? และมีบางกรณีที่จะเกิดขึ้นอย่างต่อเนื่อง และแต่ละกรณีจะต้องมีข้อมูลการฝึกอบรม และต่อไปเรื่อย ๆ เป็นที่เข้าใจได้ว่าทีม Data Science มักจะประเมินปริมาณข้อมูลการฝึกอบรมที่พวกเขาต้องการต่ำเกินไป และพยายามทำฉลากและใส่คำอธิบายประกอบภายในองค์กร สิ่งนี้อาจอธิบายได้บางส่วนว่าทำไมนักวิทยาศาสตร์ข้อมูลจึงลาออกจากงาน แม้ว่าข้อมูลการฝึกอบรมไม่เพียงพอจะเป็นข้อผิดพลาดทั่วไป แต่ก็มีข้อมูลอื่นๆ จำเป็นอย่างยิ่งที่คุณจะต้องเฝ้าดูและกำจัดตัวอย่าง การวัด อัลกอริทึม หรืออคติที่มีอคติในข้อมูลการฝึกของคุณ คุณจะต้องใช้แนวทางปฏิบัติที่คล่องตัวเพื่อตรวจจับสิ่งเหล่านี้ตั้งแต่เนิ่นๆ และทำการปรับเปลี่ยน และสิ่งสุดท้ายที่ควรจำไว้คือ ห้องปฏิบัติการ AI, นักวิทยาศาสตร์ข้อมูล, ทีม AI และข้อมูลการฝึกอบรมนั้นมีราคาแพง อย่างไรก็ตาม ในรายงานของ Gartner ที่ระบุว่าโครงการ AI อยู่ในลำดับความสำคัญสามอันดับแรก ยังระบุด้วยว่า AI อยู่ในลำดับที่สิบสามในรายการลำดับความสำคัญด้านเงินทุน ใช่ คุณจะต้องใช้งบประมาณที่มากขึ้น

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

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

    Back to top button