# 1: Ποια μηχανική μάθηση μπορεί να κάνει για την επιχείρησή σας και πώς να το καταλάβετε

Αυτό είναι μέρος 1 του 6-μέρος φροντιστήριο, τον οδηγό βήμα-βήμα PM για την οικοδόμηση μηχανών που βασίζονται στη μάθηση προϊόντων. Ακολουθήστε τον σύνδεσμο για μια επισκόπηση ολόκληρης της σειράς.

Η επένδυση στο ML είναι σαν την Επένδυση στο κινητό πριν από 10 χρόνια - μπορεί να μεταμορφώσει την επιχείρησή σας

Η ερώτηση των υπαρχόντων δεδομένων για τις πληροφορίες είναι ένας πολύ γνωστός, ευρέως υιοθετημένος τομέας. Το ML, ωστόσο, είναι το επόμενο όριο στην ανάλυση δεδομένων. Πρόκειται για μια πειθαρχία όπου τα προγράμματα ηλεκτρονικών υπολογιστών κάνουν προβλέψεις ή αντλούν ιδέες με βάση πρότυπα που εντοπίζουν στα δεδομένα και είναι σε θέση να βελτιώσουν αυτές τις ιδέες με εμπειρία - χωρίς οι άνθρωποι να τους λένε ρητά πώς να το πράξουν. Καθώς οι οργανώσεις έχουν πρόσβαση σε περισσότερα δεδομένα, η μηχανική μάθηση τους δίνει τη δυνατότητα να αντλούν στοιχεία από τα δεδομένα σε κλίμακα, σε επίπεδο λεπτομερειών που κυμαίνεται από την αλληλεπίδραση ενός χρήστη με τις παγκόσμιες τάσεις και τον αντίκτυπό τους στον πλανήτη. Η χρήση αυτών των πληροφοριών μπορεί επίσης να κυμαίνεται από την προσαρμογή της εμπειρίας ενός μεμονωμένου χρήστη σε επίπεδο pixel στη δημιουργία νέων προϊόντων και επιχειρηματικών ευκαιριών που δεν υπάρχουν αυτή τη στιγμή. Σημειώστε ότι με το ML μπορείτε να πάτε πολύ πέρα ​​από τη χρήση εσωτερικών δεδομένων - η δύναμη του ML μπορεί συχνά να ενισχυθεί συνδυάζοντας εσωτερικά με εξωτερικά δεδομένα για να οδηγήσει νέες ιδέες που δεν ήταν προηγουμένως δυνατές.

Ο Frank Chen από το A16Z έχει ένα εξαιρετικό αστάρι στις πιθανές εφαρμογές της τεχνητής νοημοσύνης, πολλές από τις οποίες απαιτούν ή θα απαιτήσουν μηχανική μάθηση. Ορισμένες από αυτές τις εφαρμογές είναι μελλοντοστραφείς και δεν είναι ακόμη εφικτές με την υπάρχουσα τεχνολογία, αλλά δίνουν μια μεγάλη αίσθηση των δυνατοτήτων.

Ακριβώς όπως οι καταναλωτικές εταιρείες άρχισαν να σκέφτονται για την επένδυση σε κινητά πριν από 8-10 χρόνια, τώρα είναι η ώρα οι εταιρείες να αρχίσουν να εξερευνούν το ML ως μια τεχνολογία που μπορεί να βοηθήσει στην προώθηση των επιχειρηματικών αποτελεσμάτων. Για τις εταιρείες που εστιάζουν στη μόχλευση των υφιστάμενων τεχνολογιών ML, υπάρχουν πολλά βασικά θέματα για το τι σας επιτρέπει να κάνετε. Αυτά δεν είναι εξαντλητικά ή αμοιβαία αποκλειστικά, αλλά αντιπροσωπεύουν διαφορετικές γωνίες σκέψης σχετικά με πιθανές επιπτώσεις στην επιχείρησή σας:

  • Μαζική προσαρμογή του περιβάλλοντος χρήστη, της εμπειρίας και των απαντήσεων του συστήματος. Φανταστείτε ότι όλα τα πράγματα που ένας άνθρωπος κάνει ή βλέπει μπορεί να προσαρμοστεί ειδικά γι 'αυτά και ακόμη και να προβλέψει τις ανάγκες και τις συμπεριφορές τους. Αυτό περιλαμβάνει συστάσεις για προϊόντα ή υπηρεσίες, ανάλογα με το επίπεδο σπουδαιότητάς τους. προσαρμοσμένη εμπειρία χρήστη ή ροές που βασίζονται στη γνώση που έχετε για τον χρήστη, τη συμπεριφορά του, άλλους ανθρώπους σαν αυτούς ή για εξωτερικά δεδομένα, συμπεριλαμβανομένης της πρόβλεψης του τι θα ήθελαν να κάνουν στη συνέχεια κλπ. Σε μικρότερη κλίμακα αυτό θα μπορούσε να μεταφραστεί στην προσαρμογή της εμπειρίας σε τμήματα χρήστες και όχι άτομα.
  • Η δυνατότητα οπτικής αναγνώρισης αντικειμένων και αυτοματοποίησης ή προσαρμογής των εμπειριών ανάλογα. Η τεχνολογία σήμερα μπορεί να εντοπίσει αντικείμενα σε φωτογραφίες και βίντεο, συμπεριλαμβανομένης της ζωντανής κάμερας. Το Pinterest χρησιμοποιεί αυτό για να προτείνει παρόμοια / συμπληρωματικά αντικείμενα σε εκείνα που βρίσκονται σε μια φωτογραφία που κοιτάζει ο χρήστης. Το Facebook χρησιμοποιεί τεχνολογία αναγνώρισης προσώπου για να προτείνει στους φίλους να προσθέσουν ετικέτες σε μια φωτογραφία, η Amazon κατασκευάζει αυτόματο checkout με βάση την οπτική αναγνώριση των αντικειμένων κλπ.
  • Αυτόματη ανάκτηση, δημιουργία ή επεξεργασία περιεχομένου. Το ML επιτρέπει την κατάλληλη επεξεργασία των τεράστιων ποσοτήτων περιεχομένου στον κόσμο. Κοινές χρήσεις είναι η ανάκτηση εγγράφων - π.χ. (σημειώστε ότι αυτό υπερβαίνει μόνο τις λέξεις-κλειδιά στην αναζήτηση συμφραζομένων), την ταξινόμηση των εγγράφων ανά θέμα και λέξεις-κλειδιά, την αυτόματη περίληψη του περιεχομένου, την εξαγωγή σχετικών πληροφοριών από μεγάλες ποσότητες περιεχομένου - π.χ. την εξεύρεση συγκεκριμένων όρων στις συμβάσεις προμηθευτών κλπ. Το περιεχόμενο "εδώ" ισχύει για όλους τους τύπους μέσων, όχι μόνο για κείμενο.
  • Προβλέψεις, εκτιμήσεις και τάσεις σε κλίμακα. Το ML επιτρέπει προβλέψεις που είναι πολύ ακριβές ή δύσκολο να γίνει διαφορετικά. Το ML είναι ιδιαίτερα χρήσιμο για την πραγματοποίηση προβλέψεων οι οποίες διαφορετικά απαιτούν υψηλό επίπεδο εμπειρογνωμοσύνης, όπως είναι η τιμή ενός σπιτιού, ή είναι αδύνατο να γίνει ένας άνθρωπος όπως το περιεχόμενο που θα κάνει καλά στα κοινωνικά μέσα. Οι μηχανές μπορούν επίσης να εντοπίσουν τις τάσεις στα δεδομένα πολύ πριν γίνουν προφανείς στον άνθρωπο.
  • Ανίχνευση ασυνήθιστης αστοχίας δραστηριότητας ή συστήματος. Κάθε σύστημα έχει αποτυχίες και ζητήματα, αλλά το ML σας επιτρέπει να μην εντοπίζετε μόνο εάν προκύπτουν ζητήματα, αλλά και αν αυτά τα θέματα είναι ασυνήθιστα και ανησυχητικά. Αυτό είναι ιδιαίτερα χρήσιμο σε διάφορα συστήματα παρακολούθησης και ασφάλειας.

Από στρατηγική άποψη, το ML μπορεί να οδηγήσει σε διάφορα είδη επιχειρηματικών αποτελεσμάτων:

  • Βελτιωμένη εμπειρία και λειτουργικότητα για τους πελάτες σας. Η πιο συνηθισμένη περίπτωση χρήσης είναι η μαζική προσαρμογή - η εύρεση των προϊόντων που είναι πιο πιθανό να είναι σημαντικά για τους πελάτες σας πιο γρήγορα και αποτελεσματικά, π.χ. τους καλύτερους αγώνες τους σε ιστότοπους που χρονολογούνται, το τραγούδι που μπορεί να τους αρέσει σε μουσικούς χώρους, τα προϊόντα που ενδεχομένως ενδιαφέρονται να αγοράσουν κλπ. Η άλλη περίπτωση χρήσης χρησιμοποιεί προβλέψεις για να τους αποκτήσει νοημοσύνη για οντότητες ή καταστάσεις που δεν θα είχαν διαφορετικά. Αυτό θα μπορούσε να είναι γενικό - π.χ. Το Zestimate της Zillow αποτιμά ένα σπίτι το ίδιο ανεξάρτητα από το ποιος το κοιτάζει ή προσαρμόζεται στον πελάτη - π.χ. η βαθμολόγηση ενός χρήστη είναι πιθανό να δώσει μια ταινία που δεν έχουν δει δεδομένη τα συγκεκριμένα γούστα τους.
  • Εσωτερικές λειτουργίες, διαδικασίες και επιχειρησιακή λογική. Η μηχανική μάθηση μπορεί να σας εξοικονομήσει χρόνο και να κάνει την επένδυση πόρων σας πιο αποτελεσματική όταν πρόκειται για επιχειρηματικές διαδικασίες και αποφάσεις. Για παράδειγμα: Μια δανειοδοτική εταιρεία θα ήθελε να δώσει προτεραιότητα στην προβολή της σε πιθανούς υποψηφίους δανείου. Πρέπει να καθορίσει ποιος θέλει ένα δάνειο αρκετά για να το πάρει στην πραγματικότητα εάν προσφερθεί, αλλά εξακολουθεί να είναι πιθανό να είναι σε θέση να το επιστρέψει. Η προτεραιότητα των πιο αξιόπιστων πελατών δεν είναι απαραιτήτως η απάντηση, δεδομένου ότι αυτοί οι πελάτες έχουν συνήθως πολλές επιλογές και είναι λιγότερο πιθανό να μετατρέψουν, επομένως απαιτείται ένα πιο πολύπλοκο μοντέλο.
  • Επέκταση σε νέα κατακόρυφα και νέα προϊόντα. Τα δεδομένα μπορούν να σας βοηθήσουν να ανοίξετε εντελώς νέες επιχειρηματικές ευκαιρίες - να δημιουργήσετε ολοκαίνουργια προϊόντα για τους υπάρχοντες πελάτες σας ή να εξυπηρετήσετε τμήματα ή πελάτες που δεν έχετε ξαναδεί. Για παράδειγμα: το Netflix μπορεί να εξυπηρετεί στούντιο, τα οποία δεν ήταν το βασικό κοινό-στόχος, με την πώληση των πληροφοριών από τα δεδομένα του σχετικά με τα θέματα και τις γραμμές γραμμής που λειτουργούν για το κοινό · Η Zillow μπορεί να βοηθήσει τους κατασκευαστές ακινήτων να κατανοήσουν ποια χαρακτηριστικά των κτιρίων θα τους εξασφαλίσουν την υψηλότερη απόδοση επένδυσης κ.λπ.

Η απόφαση για τον τομέα στον οποίο πρέπει να αντιμετωπιστεί πρώτα πρέπει να εξαρτάται από τον δυνητικό αντίκτυπο των επιχειρήσεων, καθώς και από την πολυπλοκότητα του προβλήματος και το κόστος επίτευξης αυτού του αντίκτυπου.

"Πρέπει να κάνουμε κάτι με τα δεδομένα μας" Είναι μια στρατηγική, όχι μια επιστήμη των δεδομένων, πρόβλημα

Πολλές εταιρείες προσπαθούν να προσλάβουν επιστήμονες δεδομένων, τους ανθρώπους που κατασκευάζουν μοντέλα ML, επειδή «πρέπει να κάνουμε κάτι με τα δεδομένα μας». Έχω ακούσει πολλά στελέχη σε εξέχουσες εταιρείες λένε ότι "βλέπουμε τους ανταγωνιστές μας να αγοράζουν δεδομένα, οπότε πρέπει να το κάνουμε αυτό για να παραμείνουμε ανταγωνιστικοί" και στη συνέχεια να προσλάβουμε μερικούς επιστήμονες δεδομένων ελπίζοντας ότι θα βρουν κάποια μαγεία. Αυτό με φέρνει σε μια μεγάλη παρερμηνεία για ML.

Το ML δεν είναι μαγικό ραβδί για την επιχείρησή σας. Η πρώτη πρόκληση στο ML είναι η διαπίστωση του επιχειρηματικού αντικτύπου που η τεχνολογία στοχεύει να οδηγήσει. Το ML είναι μια λύση - πρέπει πρώτα να ορίσετε το πρόβλημα: Ποια είναι τα επιχειρηματικά αποτελέσματα που ελπίζετε να επιτύχετε με το ML; Τι πλεονέκτημα μπορεί να προσφέρει η ML στους πελάτες σας; Το ML είναι ένα σφυρί - αλλά αν δεν έχετε ένα καρφί, ένα σφυρί δεν είναι ιδιαίτερα χρήσιμο. Για να τεντώσετε ακόμα περισσότερο το κλισέ, το ML είναι ένα πολύ ποικίλο σύνολο σφυριών και το είδος του καρφιού που έχετε θα καθορίσει ποιο σφυρί θα επιλέξετε και πώς θα το χρησιμοποιήσετε. Το ακριβές πρόβλημα που προσπαθείτε να λύσετε θα υπαγορεύσει τα πάντα - πώς θα χρησιμοποιηθεί το αποτέλεσμα, ποιο μοντέλο θα πρέπει να προβλέπει και πώς θα πρέπει να βαθμονομείται, ποια δεδομένα συλλέγετε και επεξεργάζεστε, ποιοι αλγόριθμοι δοκιμάζετε και πολλά άλλα ερωτήματα.

Στον πυρήνα του, "ποιο πρόβλημα επιλύουμε;" είναι ένα επιχειρηματικό ερώτημα, που σημαίνει ότι είναι τελικά η ευθύνη των διαχειριστών προϊόντων και των ηγετών των επιχειρήσεων, όχι των επιστημόνων δεδομένων. Οι επιστήμονες δεδομένων και άλλοι ενδιαφερόμενοι φορείς θα πρέπει να συμμετάσχουν απολύτως στο να φτάσουν στον ορισμό - απλά μην ρίξετε το ερώτημα σε αυτά και περιμένετε να επιστρέψουν με απαντήσεις. Εάν έχετε δεδομένα που δεν γνωρίζετε τι να κάνετε, διεξάγετε συνεντεύξεις πελατών και ιδεώστε με άλλους πελάτες που αντιμετωπίζουν πελάτες σε ολόκληρο τον οργανισμό. Οι επιστήμονες δεδομένων μπορούν να σας βοηθήσουν να εξερευνήσετε τα δεδομένα σας, να ιδεαστούν και να επαναλάβετε, αλλά αν δεν έχουν μεγάλη εμπειρία στον χώρο του προβλήματος, θα ήταν δύσκολο για αυτούς να βρουν την επιχειρηματική περίπτωση από μόνος τους. Προκειμένου να μεγιστοποιηθεί η αξία του ML στην επιχείρηση χρειάζεστε μια συνεχή συνεργασία μεταξύ των διαχειριστών προϊόντων και των επιστημόνων δεδομένων, όπου είναι ευθύνη των διαχειριστών προϊόντων να διασφαλίσουν ότι τα προβλήματα που επιλύονται είναι τα πιο σημαντικά για την επιχείρηση.

Αποσυσκευασία πώς το ML μπορεί να μετακινήσει την επιχείρησή σας προς τα εμπρός

Ενώ οι δυνατότητες με το ML είναι ατελείωτες, υπάρχουν ορισμένες ερωτήσεις που θα μπορούσατε να ζητήσετε να μάθετε πώς μπορεί να εφαρμοστεί η τεχνολογία στον οργανισμό σας. Ορίστε μερικά παραδείγματα:

Εσωτερικές διαδικασίες

  • Πού οι άνθρωποι στην εταιρεία μου σήμερα εφαρμόζουν τη γνώση για τη λήψη αποφάσεων που θα μπορούσαν να αυτοματοποιηθούν, ώστε οι ικανότητές τους να αξιοποιηθούν καλύτερα σε άλλα μέρη;
  • Ποια είναι τα δεδομένα που συνήθως αναζητούν οι άνθρωποι στην εταιρεία μου, συλλέγουν ή εξαγάγουν με μη αυτόματο τρόπο από ορισμένες αποθήκες πληροφοριών και πώς μπορεί αυτό να αυτοματοποιηθεί;
  • Ποιο είναι το σύνολο των αποφάσεων που κάνουν οι άνθρωποι στην εταιρεία μου; Μπορούν οι αποφάσεις αυτές να γίνουν από μια μηχανή εάν μαγικά απορροφήσουν όλα τα δεδομένα που έχουν οι άνθρωποι μου;

Προϊόντα και εμπειρία για υπάρχοντες πελάτες

  • Ποια τμήματα των αλληλεπιδράσεων των πελατών μου προσαρμόζονται από τους ανθρώπους και θα μπορούσαν ενδεχομένως να προσαρμοστούν από μηχανές;
  • Έχω σαφή κατακερματισμό των πελατών μου με βάση τις προτιμήσεις, τις συμπεριφορές και τις ανάγκες τους; Είναι προσαρμοσμένο το προϊόν / εμπειρία μου για κάθε τμήμα;
  • Μπορώ να προσαρμόσω την εμπειρία για κάθε μεμονωμένο πελάτη με βάση αυτά που γνωρίζω γι 'αυτά ή την αλληλεπίδρασή τους με τον ιστότοπο / την εφαρμογή / το προϊόν μου; Πώς θα μπορούσα να δημιουργήσω για αυτούς μια καλύτερη, ταχύτερη ή κατά τα άλλα πιο ευχάριστη εμπειρία;
  • Συγκεκριμένα, ποιες είναι οι αποφάσεις και οι επιλογές που ζητώ από τους πελάτες μου να κάνουν σήμερα; Μπορούν αυτές οι αποφάσεις να αυτοματοποιηθούν με βάση κάποιες γνώσεις που ήδη έχω ή θα μπορούσα να έχουν;
  • Πώς μπορώ να εντοπίσω καλύτερα την καλή ή κακή εμπειρία των πελατών; Μπορώ να εντοπίσω ζητήματα που θα επηρεάσουν αρνητικά την εμπειρία ή την ικανοποίηση των πελατών πριν συμβούν ή εξαπλωθούν;

Νέες κατακόρυφες ή πελάτες

  • Έχω κάποια στοιχεία που θα μπορούσαν να είναι χρήσιμα σε άλλους φορείς του κλάδου ή σε παρακείμενες βιομηχανίες; Τι είδους αποφάσεις μπορεί να βοηθήσει αυτούς τους ενδιαφερόμενους;

Ολα τα παραπάνω

  • Ποιες είναι οι μετρήσεις ή οι τάσεις που θα μπορούσα να προβλέψω σωστά θα είχαν σημαντικό αντίκτυπο στην ικανότητά μου να εξυπηρετώ τους πελάτες μου ή να ανταγωνίζομαι με άλλο τρόπο στη βιομηχανία, π.χ. η πρόβλεψη της ζήτησης για ορισμένες κατηγορίες προϊόντων, οι διακυμάνσεις του κόστους κ.λπ .;
  • Ποιες είναι οι βασικές οντότητες για τις οποίες συγκεντρώνω δεδομένα (άτομα, εταιρείες, προϊόντα κλπ.); Μπορώ να παντρευτώ τα δεδομένα αυτά με εξωτερικά δεδομένα (από δημόσιες πηγές, συνεργάτες κ.λπ.) κατά τρόπο που μου λέει κάτι νέο ή χρήσιμο για αυτές τις οντότητες; Χρήσιμο σε ποιον και πώς; Για παράδειγμα: Προσδιορίστε τους δυνητικούς πελάτες όταν βρίσκονται στα πρόθυρα αναζήτησης του προϊόντος σας, κατανοήστε πώς οι εξωτερικοί παράγοντες επηρεάζουν τη ζήτηση στον κλάδο σας και αντιδρούν ανάλογα.

Ενημερωθείτε μερικά από αυτά τα ερωτήματα (και άλλα) με την ομάδα σας και τους βασικούς ενδιαφερόμενους φορείς στην οργάνωση. Εάν δεν είστε σίγουροι από πού να ξεκινήσετε - ξεκινήστε κάπου. Απλώς πειραματιστείτε με κάποια δεδομένα μπορεί να σας βοηθήσει και η ομάδα σας να καταλάβει από πού μπορείτε να πάτε από εκεί.

Στο μέρος 2 θα συζητήσουμε όλους τους τεχνικούς όρους ML που πρέπει να καταλάβουν, πώς οι επιλογές τεχνολογίας επηρεάζονται από τον ορισμό του προβλήματός σας και ότι μερικές από τις παγίδες των μοντέλων για να προσέξετε αυτό έχουν αντίκτυπο στην επιχείρησή σας.

Αν βρήκατε αυτή τη θέση ενδιαφέρουσα, θα μπορούσατε να κάνετε κλικ στην πράσινη καρδιά παρακάτω για να με ενημερώσετε ή να μοιραστείτε με κάποιον άλλον που μπορεί να το θεωρήσει χρήσιμο; Αυτό θα έκανε την μέρα μου!