Авторы: Цзе «JZ» Чжан, менеджер по продукту, Capital One, и Джон Уэлен, директор отдела психологических исследований и инноваций в Brilliant Experience
Без преувеличения можно сказать, что мы с моей командой одержимы желанием получить максимальную отдачу от машинного обучения. Вот почему мы создали холст бизнес-модели машинного обучения Capital One. Наш Canvas - в общих чертах основанный на концепции Strategyzer, нацеленной на более стратегический подход к разработке и внедрению бизнес-модели - обновлен, чтобы сосредоточиться конкретно на бизнес-проектах, основанных на машинном обучении, включая входные данные, обучение, выходы и критерии успеха, которые, по нашему мнению, могут помочь превращать идеи машинного обучения в реальные продукты. Кроме того, мы надеемся, что этот подход поможет вам и / или вашей компании в продвижении идей машинного обучения, проверяя потенциальные продукты и делая их более жизнеспособными.
Чтобы преодолеть распространенные (и редкие) ошибки, которые убили так много идей машинного обучения, мы разработали пошаговый подход к увеличению шансов на успех вашего потенциального продукта. В этом посте мы расскажем вам, как начать этот процесс с помощью обновленного Canvas.
Пойдем.
1. Как ваш продукт машинного обучения улучшит работу нашей компании?
Первое, что нужно выяснить, - это то, как ваш продукт машинного обучения улучшит компанию - мы говорим здесь о таких вещах, как сокращение затрат, экономия времени, повышение интеллекта. Думайте масштабно!
Затем определите всех, кто может извлечь выгоду из вашего продукта машинного обучения. Кто им воспользуется? Кому это будет выгодно? Помимо самых очевидных людей, чья работа улучшится благодаря вашему продукту?
Наконец, рассмотрим все эффекты пульсации. Представьте себе не только то, как это повлияет на вашу команду, но и как это повлияет на процесс принятия решений в компании.
Ваша цель должна состоять в том, чтобы определить, каким будет полное влияние продукта машинного обучения, которое повысит жизнеспособность вашего проекта.
2. Решаете проблему?
Чтобы понять, жизнеспособен ли ваш продукт машинного обучения, вам нужно понять проблему, которую вы решаете - в чем заключается бизнес-задача? Узнайте, как эта проблема создает проблемы. Ответьте, почему эта проблема до сих пор не решена.
Следующим этапом является определение - шаг за шагом - того, что требуется для решения проблемы вручную. Определите всю боль, связанную с выполнением того, что вам нужно сделать. Например, потребуется ли 100 человек для прослушивания набора звонков в службу поддержки и последующего поиска миллионов транзакций, чтобы идентифицировать те, которые были отправлены клиентом?
Если вы не сможете точно определить проблему на ранней стадии, вы можете потратить драгоценное время и ресурсы. Поэтому вместо того, чтобы говорить «клиенты недостаточно довольны», вам нужно сосредоточиться на конкретной проблеме, которую ваш инструмент машинного обучения может решить наблюдаемым и измеримым образом.
Также: убедитесь, что ваша проблема не может быть решена с помощью традиционных средств, таких как регрессия. Имейте в виду, что решения машинного обучения лучше всего работают при решении сложных задач с множеством взаимосвязанных переменных.
3. Какие данные потребуются вашему продукту?
Размышляя о том, как машина научится решать проблему, убедитесь, что вы понимаете необходимые источники данных. Какая информация будет важна? Как должны быть объединены точки данных? Как вы получите доступ и разрешение на данные?
Также помните - люди и машины учатся по-разному. Людям нужно всего несколько примеров целевых обучающих выборок, чтобы учиться. Машины часто требуют тысячи. Будьте готовы к созданию очень большого количества обучающих выборок. И не забывайте, что успех системы машинного обучения будет во многом зависеть от набора обучающих программ. Отражает ли он прогнозы, сделанные для большей выборки?
4. Как будет выглядеть ваша система и что принесет ей успех?
Люди, которые плохо знакомы с машинным обучением, иногда ищут «волшебное» решение, которое «просто знает», как сделать это правильно. Но вы не можете просто захотеть, чтобы система машинного обучения стала реальностью, вы должны представить себе, как эта система будет выглядеть.
Кроме того, очень важно, чтобы вы сами решили, в чем заключается успех вашего продукта. Что ему нужно сделать, чтобы его сочли успешным? Как будет измеряться успех? И есть ли роль в этом продукте машинного обучения для людей?
Новичкам в машинном обучении легко не учитывать проблемы, т. Е. Когда что-то идет не так, а модель допускает ошибку. Что, например, произойдет, если ваш продукт машинного обучения даст правильный ответ на неправильный вопрос? Это серьезная ошибка? Или в этом нет ничего страшного? В зависимости от ваших целей может быть огромная разница. Подумайте о последствиях ошибок и о том, что именно вам потребуется для общего успеха.
В сумме
Шаги, описанные на нашем холсте, помогут вам реалистично подумать о разрабатываемом вами продукте, хорошо работать с техническими командами для достижения более быстрых результатов и разработать убедительное экономическое обоснование, которое поможет вашему продукту получить зеленый свет. Результатом станет успешный продукт машинного обучения, решающий конкретную проблему.
Наша цель здесь проста: выпустить самые умные, эффективные и эффективные продукты машинного обучения в отрасли. И, помогая воплотить такое видение, как ваше, в реальность, мы добиваемся этого.
Это мнение автора. Если в этом посте не указано иное, Capital One не является аффилированным лицом и не одобрен ни одной из упомянутых компаний. Все используемые или отображаемые товарные знаки и другая интеллектуальная собственность являются собственностью соответствующих владельцев. Эта статья © Capital One, 2018.
