2 สิ่งที่ต้องพิจารณาก่อนเริ่มโครงการ Al
ลูกค้ามักจะติดต่อเราด้วยคําถามและอยากรู้เกี่ยวกับสิ่งที่อัลสามารถทําได้ในองค์กรของพวกเขา อย่างไรก็ตามพวกเขามักจะถูกจับโดยพาดหัวข่าวเกี่ยวกับอัลเปลี่ยนอุตสาหกรรมนี้หรืออุตสาหกรรมนั้นแขวนความคิดที่ว่าอัลจะแก้ปัญหาทั้งหมดของพวกเขา ดังนั้นพวกเขาจึงเริ่มโครงการ Al ทันที
โครงการเร่งด่วนเหล่านี้ส่วนใหญ่ล้มเหลวส่วนใหญ่เกิดจากข้อเท็จจริงที่ว่าที่ปรึกษา Machine Learning และ Al ส่วนใหญ่ติดอยู่กับการสร้าง Proof of Concepts (POC) อย่างน้อยหนึ่งรายการโดยมีความก้าวหน้าเพียงเล็กน้อยหรือไม่มีเลยในโซลูชัน Al ที่ใช้ องค์กรมักจะแยกกระบวนการและแผนกออกจากผู้อื่นด้วยงบประมาณที่น้อยที่สุดและมองข้ามความสําคัญของการมีแผนงาน Al ที่สมบูรณ์ซึ่งทั้งหมด องค์กรสามารถได้รับประโยชน์จาก
การมีแผนที่ชัดเจนทั่วทั้งองค์กรและการซื้อจากทุกแผนกรวมถึงความเข้าใจที่ชัดเจนเกี่ยวกับข้อ จํากัด จะทําให้ Al ของคุณประสบความสําเร็จ
ในบล็อกนี้เรามุ่งเน้นไปที่ข้อ จํากัด หลักสองประการที่เราเจอจากประสบการณ์ของเราใน การสร้าง Al สําหรับลูกค้าองค์กร: ผู้คนและข้อมูล
บุคคล
คําถามพื้นฐานสองข้อที่คุณควรถามเพื่อเริ่มต้นด้วย:
- คุณมีคนที่เหมาะสมในการเรียกใช้และจัดการโครงการ Al หรือไม่?
- คนในองค์กรมีความคิดกระบวนการและอํานาจที่เหมาะสมในการทําให้โครงการ Al ประสบความสําเร็จหรือไม่?
ไม่ว่าผู้เชี่ยวชาญ Al จะดําเนินโครงการ Al ของคุณหรือไม่คุณต้องมีคนที่สามารถเข้าใจข้อ จํากัด และข้อ จํากัด ทั้งด้านเทคนิคและด้านธุรกิจ การมีผู้มีส่วนได้ส่วนเสียจากทุกหน่วยงานที่เกี่ยวข้องเข้าร่วมในโครงการนี้มีค่าอย่างยิ่งสําหรับโซลูชัน Al ของคุณ ตัวอย่างเช่น Content Recommendation Engine จะต้องให้ทีมการตลาด ลูกค้า และทีมไอทีมีส่วนร่วม
คนไอทีไม่จําเป็นต้องรู้อัลกอริทึมที่จะใช้ แต่จะต้องเข้าใจหลักการที่อยู่เบื้องหลัง พวกเขาจะต้องเข้าใจผู้เข้าร่วมหลักที่จะมีส่วนร่วมโดยเฉพาะอย่างยิ่งเมื่อใช้โมเดลแมชชีนเลิร์นนิ่งภายใต้การควบคุมดูแลซึ่งจะต้องมีการฝึกอบรมที่เหมาะสมจากผู้เชี่ยวชาญด้านโดเมน ตัวอย่างเช่น สําหรับกลไกการแนะนําเนื้อหา อาจเป็นผู้ดูแลระบบหรือผู้แนะนําเนื้อหา
มีความชัดเจนกับผู้มีส่วนได้ส่วนเสียทั้งหมดว่าจะทําอย่างไรเพื่อให้โครงการ Al ประสบความสําเร็จตั้งแต่เริ่มแรกและให้ทุกคนซื้อด้วยต้นทุนและไทม์ไลน์ที่ชัดเจนซึ่งกําหนดไว้กับผลตอบแทนจากการลงทุน
ข้อ จํากัด ของกระบวนการเชื่อมโยงกับข้อ จํากัด ของข้อมูลที่จะกล่าวถึงในส่วนที่สองของบล็อกนี้ กระบวนการแบบแมนนวลในการทํางานมีคุณค่าต่อการออกแบบและสร้างโซลูชัน Al ตัวอย่างเช่นลองใช้การจําแนกประเภทเอกสารเพื่อใช้ในระบบการจัดการเหตุการณ์ ฝ่ายสนับสนุนลูกค้าระดับ 1 เขียนตั๋วซึ่งโดยทั่วไปจะมีคําอธิบายสั้น ๆ เกี่ยวกับปัญหา หากตั๋วสนับสนุน L1 นั้นไม่มีรายละเอียดเพียงพอหรือพลาดการแสดงถึงปัญหาที่แท้จริงในทางใดทางหนึ่งดังนั้นเมื่อพูดถึงการใช้ตั๋วเหล่านั้นสําหรับการฝึกอบรมตัวจําแนกนักวิทยาศาสตร์ข้อมูลที่เกี่ยวข้องจะต้องทําการทําความสะอาดข้อมูลจํานวนมาก นอกจากนี้ยังทําให้ข้อมูลมีความน่าเชื่อถือน้อยลงซึ่งส่งผลต่อความแม่นยําของตัวจําแนก
หากคุณมั่นใจว่าทีมของคุณทําตามขั้นตอนที่ถูกต้องและการเก็บข้อมูลนั้นถูกต้องคุณจะประหยัดเวลาและเงินได้มากเมื่อพูดถึงการสร้างโซลูชัน Al
ข้อมูล
ข้อมูลจะไร้ประโยชน์หากคุณสามารถเข้าถึงเพียงบางส่วนหากไม่ได้จัดเก็บและประมวลผลอย่างถูกต้องมีปัญหาด้านการปฏิบัติตามข้อกําหนดในการใช้งานหรือคุณไม่รู้ด้วยซ้ําว่าคุณได้รับข้อมูลแล้ว
ข้อมูลสามารถแบ่งออกเป็นสองประเภทคือมีโครงสร้างและไม่มีโครงสร้าง ในระยะสั้นข้อมูลที่มีโครงสร้างจะสะอาดติดแท็กและจัดเก็บได้อย่างง่ายดายในฐานข้อมูล (เช่นวันเดือนปีเกิดหรือที่อยู่ของคุณที่สํานักงานแพทย์ของคุณ) ข้อมูลที่ไม่มีโครงสร้างอาจเป็นสิ่งต่างๆเช่นหน้าเว็บรูปภาพหรือการบันทึกเสียง สิ่งเหล่านี้ประกอบด้วยไบต์ แต่เครื่องไม่สามารถเข้าใจความหมายของข้อมูลได้จนกว่าจะมีโครงสร้างที่กําหนดในฐานข้อมูล
ตัวอย่างของโซลูชันข้อมูลที่มีโครงสร้างคือ การคาดการณ์การเลิกใช้งาน ลองแสร้งทําเป็นว่าคุณมีแอพมือถือ มีผู้ใช้หลายแสนคนที่มีการโต้ตอบในแอปของคุณทุกวัน พวกเขาโต้ตอบผ่านการโต้ตอบ ‘เปิด’, ‘ปิด’, ‘ชอบ’, ‘แสดงความคิดเห็น’ และ ‘ส่ง’ สิ่งเหล่านี้มีโครงสร้างในฐานข้อมูล Le Firebase ด้วยลําดับเหตุการณ์เหล่านั้น คุณสามารถสร้างโมเดลการคาดคะเนการเลิกใช้งานตามแมชชีนเลิร์นนิงที่แมปพฤติกรรมกับผู้ที่มีแนวโน้มที่จะออกจากแอป (เลิกใช้งาน) ได้
ตามการคาดการณ์ของ IDC ในอีก 5 ปีข้างหน้า 80% ของวันที่องค์กรจะไม่มีโครงสร้าง ลองนึกถึงอีเมลโทรศัพท์ใบแจ้งหนี้ตั๋วบริการลูกค้างานนําเสนอ PowerPoint ที่ทีมของคุณทํางานด้วยทุกวันมีศักยภาพที่ยังไม่ได้ใช้มากมาย แม้ว่าจะไม่ใช่แค่ข้อมูลภายในที่ไม่มีโครงสร้าง แต่ก็สามารถพบได้ภายนอกองค์กรของคุณเช่นกัน เช่น ทวีต รายงานตลาด หรือข้อมูลหุ้น เมื่อพิจารณา Al และโซลูชันข้อมูลสําหรับธุรกิจของคุณคุณควรพิจารณาข้อมูลประเภทนี้ทั้งหมด อย่างไรก็ตามยิ่งไปถึงวันที่ยากเท่าไหร่ระดับความซับซ้อนของโครงการก็จะยิ่งสูงขึ้นเท่านั้น ดังนั้นถามตัวเองว่าคุณกําลังสร้างโซลูชัน Al ด้วยข้อมูลประเภทใด?
การจัดการกับ 80% ของข้อมูลที่ไม่มีโครงสร้างในองค์กรเป็นเกมบอลที่แตกต่างกันโดยสิ้นเชิง เรามักจะพูดคุยกับลูกค้าของเราเกี่ยวกับลําดับชั้นของความต้องการในการสร้างอัล:
ขั้นตอนเหล่านี้จะแสดงสิ่งที่จําเป็นในการทําให้ข้อมูลที่ไม่มีโครงสร้างของคุณอยู่ในตําแหน่งที่ Al หรือ Deep Learning สามารถเกิดขึ้นได้ เป็นกระบวนการที่ช้าซึ่งรวมถึงวิธีการจัดเก็บข้อมูลซึ่งเป็นเหตุผลที่ตอนนี้เรามีบริการเช่นโซลูชันคลังข้อมูลหรือที่จัดเก็บข้อมูลดิบที่มีข้อมูลจํานวนมาก (เช่น. Redshift ของ Amazon) มีหลายสิ่งที่จะพูดเกี่ยวกับเรื่องนี้และพื้นที่ไม่เพียงพอสําหรับโพสต์นี้ดังนั้นอาจเป็นสิ่งที่เราเขียนเกี่ยวกับรายละเอียดเพิ่มเติมในไม่ช้า แต่หากไม่มีการสร้างบล็อกที่เหมาะสมสําหรับข้อมูลของคุณคุณจะไม่สามารถหวังว่าจะมีโครงการ Al ที่ประสบความสําเร็จ
สิ่งนี้สามารถดึงความต้องการทรัพยากรจากฝ่ายไอทีเพื่อสร้างคลังข้อมูลได้ แต่ในระยะยาวจะช่วยประหยัดเวลามากขึ้นสําหรับนักวิทยาศาสตร์ข้อมูลหรือวิศวกรแมชชีนเลิร์นนิ่งที่มีต้นทุนสูงขึ้น นอกจากนี้ยังจะช่วยให้คุณมีหน่วยการสร้างสําหรับ Enterprise wide Al ซึ่งอาจนําไปสู่การพัฒนาโซลูชันเพิ่มเติม
บทสรุป
มีแง่มุมอื่น ๆ อีกมากมายที่ต้องพิจารณาเมื่อเริ่มโครงการอัล ข้อมูลและผู้คนเป็นสองสิ่งที่หากคิดอย่างถูกต้องจะทําให้คุณมีโอกาสประสบความสําเร็จสูงสุด
มีมากขึ้นเกี่ยวกับจริยธรรมและการจัดการเพื่อหารือเกี่ยวกับโครงการอัล, แต่คุณสามารถจินตนาการผลกระทบของโครงการเหล่านี้ต่อคนที่ยังไม่เข้าใจประโยชน์ของการเปลี่ยนแปลงเหล่านี้. โซลูชันส่วนใหญ่ที่เราออกแบบต้องการการแทรกแซงจากมนุษย์เพื่อให้แน่ใจว่าไม่เพียง แต่การควบคุมและการประกันในระดับที่สูงขึ้น แต่ยังได้รับการยอมรับ เราสนับสนุนการนําผู้ที่ได้รับผลกระทบจากการแก้ปัญหาอัลเข้ามาในโครงการตั้งแต่เนิ่นๆ เพราะพวกเขาต้องเข้าใจถึงประโยชน์ต่อชีวิตประจําวันของพวกเขา
ความผิดหวังเนื่องจากความล้มเหลวของโครงการ Al จากความคาดหวังมากเกินไปสามารถเกิดขึ้นได้ ประโยชน์มากที่สุดของเรา
ข้อเสนอแนะคือการทําตามขั้นตอนของทารกและวางแผนอย่างถูกต้องด้วยความช่วยเหลือจากผู้เชี่ยวชาญเพื่อให้แน่ใจว่าทุกคน
เข้าใจวิธีการทํางานสิ่งที่ต้องฝึกอบรมและปรับปรุงและระยะเวลาที่อาจใช้เวลาเราหวังว่าบทความนี้จะเป็นประโยชน์กับคุณและโครงการอัลในอนาคตอันใกล้หรืออนาคตของคุณ
หากต้องการหารือเพิ่มเติมหรือหากคุณมีคําถามเพิ่มเติมเกี่ยวกับหัวข้อนี้โปรดติดต่อเราที่ [email protected]