Alena Gaybatova und Ekaterina Stepanova, Experten für analytische Lösungen der KORUS Consulting Group .
Jeder möchte mit Daten Geld verdienen und sparen: Die Anwendung von ML-Methoden auch bei einem Projekt trägt zu erheblichen Einsparungen oder sogar zum Umsatzwachstum bei. Um den Effekt zu spüren und die Implementierung nicht zu scheitern, müssen Sie die Schwierigkeiten berücksichtigen und Managementfehler vermeiden. Anhand eines Beispiels erfahren Sie, wie Sie sicherstellen können, dass Algorithmen für maschinelles Lernen keine Fehler machen.
Maschinelles Lernen - nur 5% der Projektressourcen. Die Komplikation der ML-Logik kann jedoch zu einer Verlängerung der Implementierungszeit führen, und eine unsachgemäße Planung der Datenerfassung kann zu ungenauen Analysen führen, die unbrauchbar und teuer werden können. Warum passiert das?
Das Problem der Erwartungen
Das Unternehmen hat irgendwo gehört, dass ein neuronales Netzwerk die Lösung für alle Probleme ist. Gleichzeitig lässt die Qualität oder das Datenvolumen zu wünschen übrig - unter solchen Bedingungen ist es einfach unmöglich, ein Modell zu implementieren. Zum Beispiel dauert es ungefähr ein Jahr, um Daten im Einzelhandel oder in der Fertigung zu sammeln, und wenn die erforderlichen Geräte nicht verfügbar sind oder einige der Prozesse nicht digitalisiert sind, noch länger.
Um Verwirrung zu vermeiden, empfehlen wir, bestimmte Ergebnisse mit einer Einschränkung der Anforderungen für den Start des Systems auszuhandeln, anstatt eine vage Einkommensmöglichkeit. Solche Illusionen werden nicht nur von Unternehmen, sondern auch von den Entwicklern selbst erlebt. Manchmal erwarten Geschäftsanalysten, dass Modelle gut funktionieren, basierend auf dem, was sie in komplexen technischen Artikeln lesen. Leider schreiben solche Texte über Algorithmen, die auf Modelldaten entwickelt wurden, nicht auf realen Daten.
Daher sollten die Ergebnisse des Projekts nützlich, leicht interpretierbar und von Metriken und Geschäftsexperten validiert sein.
Falsche Prämissen
- ML-. , 2019 90%. 2020 , — c , .
. .
, , , . : . , , . , . 2020 - , , . .
: , .
: - , . , , . , , .
. – . .
.
1. ? , ? ?
value . , . , 100%, , «» . : 50% , «».
2. ML? ? , – ?
, . - . , .
3. ?
– , ML-. , . , -.
4. ?
, ML – . - ML, , . , , . , . , , .
ML ist ein großartiges Werkzeug zur Optimierung der Arbeit, zur Lösung nicht standardmäßiger Probleme und zur Analyse großer Datenmengen. Es ist wichtig, viele Aspekte für die Verwendung vor und nach der Implementierung zu berücksichtigen. Hoffentlich kann dieser schnelle Überblick unerwünschte Situationen verhindern und den Aufwand bei der Verwendung von ML minimieren, sodass Sie die zusätzlichen Vorteile der Technologie nutzen können.