Pięć pytań ‒ zanim zaczniesz wdrażać machine learning

Przed takim dylematem staje coraz więcej firm. Słysząc zewsząd, że AI i ML odmieni ich organizacje, przyniesie zysk lub oszczędności, chcą zainwestować w rozwiązania tego typu. I tym samym stać się przedsiębiorstwem data-driven.

Zaawansowana analityka ma wspierać rozwiązywanie problemów biznesowych, a nie być wdrażana, aby móc się nią chwalić

Początki bywają trudne, często pierwsze projekty się nie udają, co powoduje powstanie mylnego wrażenia, że ML nie działa. Jak się przed tym ustrzec? Na początku drogi warto odpowiedzieć na 5 ważnych pytań.

Why?

Dlaczego tak naprawdę chcemy wdrożyć machine learning w organizacji? Jeśli jedyną motywacją będzie chęć powiedzenia „Mamy sztuczną inteligencję”, to zazwyczaj jest to prosta droga do porażki. Zaawansowana analityka ma wspierać rozwiązywanie problemów biznesowych, a nie być wdrażana, aby móc się nią chwalić.

Dlaczego wcześniej nie skorzystano z tych technologii? I dlaczego akurat sięgać po nie, zamiast po prostsze algorytmy? Odpowiedzi na te pytania pozwolą zidentyfikować powody, dla których to dziś nastał moment, by zacząć wdrażać ML w firmie.

Pytanie, dlaczego akurat w tym wybranym procesie biznesowym chcemy zastosować ML, pozwala analitykom i data scientistom lepiej zrozumieć problem i tym samym przygotować optymalny model.

Czytaj także: Straciłeś klienta? Sztuczna inteligencja mogła pomóc to przewidzieć

What?

Wiedząc już, co stanowi motywację do wdrażania zaawansowanej analityki, trzeba zebrać kolejne informacje. Należy zastanowić się, od czego zacząć i co obecnie jest największym problemem biznesowym. Co można w procesie decyzyjnym zautomatyzować lub poprawić. Lub co może poprawić życie naszych klientów czy pracowników.

Trzeba wybrać ten punkt procesu biznesowego, gdzie zyskamy lub zaoszczędzimy najwięcej

Odpowiadając na te pytania, znajdziemy już spory potencjał do wykorzystania AI. W którym miejscu na początku będzie on miał najlepsze zastosowanie? Najczęściej tam, gdzie pojawia się punkt decyzyjny i mamy dokonać wyboru. Tam, gdzie to człowiek musi dziś przeanalizować wiele danych i podjąć decyzję, a często nawet nie ma na to czasu. Trzeba wybrać ten punkt procesu biznesowego, gdzie zyskamy lub zaoszczędzimy najwięcej, gdy podniesiemy jakość wyboru lub przyspieszymy go, odciążając pracowników lub klientów.

Tak jak np. chatboty odciążają pracowników call center z najprostszych pytań lub algorytmy zatowarowania przygotowują optymalne zamówienie zapewniające towar dla sklepu czy magazynu.

Who?

Kolejną ważną pulą pytań jest dowiedzenie się, kto będzie na co dzień wykorzystywał wyniki algorytmów i kto będzie oceniał modele. W organizacji powinny się znaleźć osoby, które będą odpowiadały za jakość modeli, czuwały nad architekturą całego ekosystemu analitycznego oraz wyborem odpowiednich rozwiązań.

Po stronie biznesowej należy znaleźć osoby, które będą odpowiadały za definiowanie wymagań i oczekiwań względem algorytmów. Czyli osoby, które jednoznacznie będą umiały podać, czym jest np. sprzedaż wymagająca prognozy. Wśród nich powinny się też znaleźć osoby, które wskażą, za pomocą jakich biznesowych KPI chcą mierzyć efekty, takie jak oszczędność czasu konsultantów na infolinii po wdrożeniu chatbota.

Powinny się znaleźć osoby, które będą odpowiadały za jakość modeli, czuwały nad architekturą całego ekosystemu analitycznego oraz wyborem odpowiednich rozwiązań

Po stronie technicznej potrzebne będą osoby posiadające wiedzę o tym, jak zastosować różne algorytmy i metody data science. Dodatkowo będą umiały wdrażać i utrzymywać modele na produkcji, dbając przy tym o dobre praktyki MLOps. Często należy się wesprzeć specjalistami spoza organizacji, ze względu na trudność utrzymania ich wewnątrz.

Czytaj także: Dlaczego banki są produktocentryczne?

Where?

Wiemy już, dlaczego zależy organizacji na wykorzystaniu algorytmów, kto będzie je oceniał oraz od jakich problemów należy zacząć.

Przyszedł czas, aby zastanowić się, gdzie będą przechowywane wyniki modeli oraz w jakich systemach będą one wykorzystywane. Czy może w takim razie będzie trzeba przygotować jakieś dodatkowe komponenty w systemach?

To pozwoli oszacować, czy nasza infrastruktura techniczna jest gotowa czy może będzie wymagała zastosowania dodatkowych technologii. Będzie to również sygnał dla działu IT, że być może czekają ich prace dotyczące zmian lub rozwoju systemów i aplikacji.

When?

To już ostatnie pytanie, dające informacje, kiedy chcemy wdrożyć ML i kiedy algorytmy mają zwracać wyniki. Każda firma budująca swoją strategię określa ramowy harmonogram niezbędny do śledzenia postępów prac. Bez względu na to, czy jest to kwestia zmian systemów, procesów, wdrożenia nowych produktów, czy też skorzystania z nowych technologii.

Potrzebne są kamienie milowe, określające najważniejsze działania i rezultaty, a następnie osoby, które będą odpowiadały za dopilnowanie ich realizacji, co jest też kolejną odpowiedzią na pytanie „who?”.

Podsumowanie

W dzisiejszym świecie wiele firm jest przekonanych, że aby wdrożyć machine learning w organizacji, należy „jedynie” zebrać i przygotować dane, a następnie zatrudnić data scientistę, który przygotuje odpowiednie modele.

Owszem jest to niezbędne, jednak powinniśmy pamiętać o wielu aspektach, które należy najpierw wewnętrznie przedyskutować i przeanalizować. To pozwoli nam uniknąć efektu przygotowywania projektów ML „na hurra”, które często kończą się niepowodzeniem.

Czytaj także: Trwa wyścig o dane, czy banki obronią pole position i wygrają z konkurencją?