فشل مشاريع AI لسبب ما. كيف تجعل نجاحك؟

لا تبدأ من بياناتك. إنها المشكلة الأكثر أهمية.

لدينا الكثير من البيانات. كيف يمكننا الاستفادة منها مع الذكاء الاصطناعى؟ "

هذا هو السؤال الذي يطرحه عدد متزايد من الشركات بشكل يومي.

إن جنون الذكاء الاصطناعي يخلق إحساسًا بـ FOMO (الخوف من الضياع) بين المنظمات الكبيرة والصغيرة. ماذا لو فشلنا جميعًا في الاستفادة من الذكاء الاصطناعي وتركنا وراءنا المنافسة؟

بالتأكيد ، هناك حصة عادلة من الحقيقة في طرح كل هذه الأسئلة. ومع ذلك ، هناك تحذير هام.

يجب عليك الاقتراب من مشاريع الذكاء الاصطناعي من الزاوية الصحيحة.

كيف تستفيد الشركات من الذكاء الاصطناعى؟

من خلال العمل في شركة متخصصة في مساعدة الآخرين على مواجهة هذه الموجة ، نتحدث غالبًا مع المسؤولين التنفيذيين ومديري المشاريع الذين يرغبون في جلب الذكاء الاصطناعي إلى شركاتهم أيضًا.

مع بعض الاستثناءات ، تنقسم هذه الشركات إلى فئتين:

  1. هناك شركات بصيرة تعرف ما تريد القيام به مع الذكاء الاصطناعى ولديها خطة عمل مفصلة إلى حد ما.
  2. ومع ذلك ، غالبًا ما نواجه شركات مع خطة عمل تبدو شيئًا على هذا المنوال من هذا:
  • احصل على البيانات
  • تطبيق التعلم الآلي
  • ؟؟؟؟
  • ربح

الآن ، لا توجد خطة عمل من 4 خطوات غبية أو 100٪ خطأ. أنت بحاجة إلى البيانات ذات الصلة. ربما يساعد التعلم الآلي في ترجمته إلى شيء مفيد. وبالطبع سوف ترغب في الحصول على بعض القيمة من المشروع.

هناك خطأ واحد فقط في هذه الخطة.

يفتقد بعض العناصر الأساسية.

بعد العمل على حصة عادلة من مشاريع البيانات ، اكتشفنا بعض الأشياء الرئيسية التي تجعل بعض المشاريع تنجح في حين أن البعض الآخر يتعثر ويموت.

فما هي المكونات السحرية التي من شأنها أن تجعل مساعيك في التعلم الآلي من المرجح أن تؤدي إلى عائد استثمار إيجابي؟

لنبدأ بفهم مكان الشركات ، ربما بما في ذلك شركتك ، اليوم.

معظم الشركات ، حتى الصغيرة منها ، تنتج كميات هائلة من البيانات. هذا يمكن أن يكون أي نوع من البيانات. فكر ، على سبيل المثال ، في أي نوع من السجلات: سجلات الاستخدام ، وسجلات الاتصالات ... كل شخص لديه سجلات!

الآن تخيل أنك تجلس على كومة من بيانات العمل ... سيكون الاستنتاج الأولي لمعظم قادة الشركات هو ...

"لدينا الكثير من البيانات - هل يمكننا عمل شيء مثير للاهتمام للخروج منها؟"

دعنا نسمي هذا النهج الأول للبيانات.

المشكلة مع نهج البيانات أولا

السبب الواضح الذي يجعل الناس يحبون بدء مشاريع الذكاء الاصطناعى من البيانات هو أن هذا هو ما لديهم.

ونظرًا لأنه يصعب حقًا على البشر فهم كميات كبيرة من البيانات باستخدام جداول البيانات و SQL ، فإننا نريد تطبيق التعلم الآلي لفهم كل شيء.

ألن يكون من الجيد إعطاء جميع بياناتنا إلى الأجهزة ومشاهدتها وتحويلها إلى أفكار تجارية وتحقيق ربح؟

لكن هذا عادة ما لا يحدث.

ما هو أكثر احتمالا أن يحدث هو أن الكثير من الأشخاص الأذكياء سيشكلون فرضيات ويختبرونها مقابل بياناتهم. نتيجة لذلك ، قد يجدون بعض الأنماط التي لها صلة ما بالجانب التجاري للشركة.

ومع ذلك ، فإن معظم مشاريع التعلم الآلي للبيانات First بعيدة عن المستوى الأمثل.

لماذا ا؟

"تفشل مشاريع الذكاء الاصطناعى لأن الأسئلة التي تطرحها الشركات خاطئة أو غير ذات صلة بالنشاط التجاري."

أضف إلى ذلك تكاليف نشر النتائج ودمجها في سير عمل فريقك. في مرحلة ما ، سوف يدرك شخص ما أن المكاسب لا تغطي التكاليف. تستتبع خيبة الأمل في التعلم الآلي وجميع الخطط الأخرى لركوب قطار الضجيج AI إلى التوقف.

ببساطة ، إذا بدأت مشاريع الذكاء الاصطناعى عن طريق طرح الأسئلة التي تعتقد أن الذكاء الاصطناعى يمكنه الإجابة عليها ، فمن المحتمل أن ...

  1. اطرح أسئلة لا تحتاج إلى الذكاء الاصطناعي لحلها
  2. قضاء الكثير من الوقت في حل المشاكل ذات التأثير المنخفض

فما هي لك أن تفعل؟ لا تنطبق تعلم الآلة على بيانات عملك؟

هذا بعيد عن الحل الأمثل.

أدخل نهج المشكلة أولاً

هناك طريقة بديلة لتطبيق التعلم الآلي على بيانات عملك. وقد رأينا المزيد من الشركات تنجح مع هذا الحل الثاني.

هذا الخيار الآخر يسمى نهج المشكلة أولاً.

دعنا نتخيل أنك تدير شركة ناضجة لديها بالفعل الكثير من البيانات. وتريد أن تجد غرض جيد لذلك.

هذه المرة فقط ، بدلاً من البدء في البحث بشكل أعمى عن الأنماط في هذه البيانات ، سوف تتحدث إلى الأشخاص المسؤولين عن العمليات المختلفة في شركتك. يعرف هؤلاء الأشخاص الجوانب والعمليات المختلفة لشركتك بشكل أفضل ، ويمكنهم إبراز المشكلات ذات التأثير الأكبر.

"الأشخاص الأكثر ملائمة لطرح الأسئلة الصحيحة من منظمة العفو الدولية هم أعضاء فريقك."

اطلب من هؤلاء الأشخاص تحديد عدد من المشكلات التي يحتاجون إلى حلها قدر الإمكان. قد تكون هذه أيضًا عملية تحتاج إلى تحسين.

على سبيل المثال ، يمكن أن تكون المشكلات التي يمكن حلها باستخدام الذكاء الاصطناعي:

  • ما الذي يثير زحام عملائنا؟
  • كيفية جعل عملية onboarding لدينا أكثر فعالية؟
  • كيفية خفض التكاليف في خط الإنتاج لدينا؟
  • كيفية تجنب المنتجات الخاطئة التي يتم شحنها للعملاء؟
"فقط بعد أن تعرف المشكلات التي تحتاج إلى حلها ، يمكنك أن تسأل عما إذا كان يمكن العثور على الإجابة في البيانات."

كيف تطرح الأسئلة الصحيحة من منظمة العفو الدولية؟

موظفيك ليس لديهم خبرة سابقة في الذكاء الاصطناعى.

لهذا السبب ، يجب أن نضع في اعتبارنا أن جزءًا كبيرًا من تحديد هذه المجموعة من المشكلات يقع على عاتق الأشخاص غير المطلعين جيدًا على إمكانيات وحدود التعلم الآلي.

من المنطقي إعطاء أعضاء فريقك المشاركين في عملية التفكير بعض الاختصارات على الأقل لتقرير ما إذا كان يمكن أتمتة مشكلة العمل باستخدام التعلم الآلي.

كقاعدة عامة ، أجد أن السؤالين التاليين مفيدان لهذا الغرض.

1. يمكن للشخص القيام بذلك في أقل من ثانية؟ - الاعتمادات: أندرو نغ

"البشر رائعون في التعرف على الأنماط. نرى أنماط في كل مكان. حتى لو لم يكن هناك شيء! "

إذا كانت مهمة الكشف عن الأنماط بسيطة بما فيه الكفاية بحيث يمكن للشخص القيام بذلك في أقل من ثانية ، فهناك فرصة جيدة لتعليم الآلة القيام بالمهمة نفسها بدقة مماثلة ، ولكن أسرع كثيرًا.

تتضمن هذه المهام مهام الإدراك البسيطة التي يمكن لأي شخص القيام بها ، مثل تحديد ما إذا كان هناك قطة أو كلب في صورة ما. لكنها تشمل أيضًا مهام أكثر تعقيدًا مثل مراقبة بيانات المستشعر لتحديد ما إذا كان المكون بحاجة إلى الصيانة قريبًا.

بعض الأمثلة الجيدة والموثوقة للتعلم الآلي في هذا المجال هي التعرف على الوجه والأوامر الصوتية المستخدمة على الهواتف.

القضية المحتملة:

إحدى المشكلات الشائعة عند أتمتة المهام البشرية باستخدام الذكاء الاصطناعى هي أنه كلما زادت تعقيد المهام ، زادت بيانات التدريب التي ستحتاج إليها. على سبيل المثال ، يعد بناء آلة يمكنها التعرف على شكل الوجه الإنساني بسيطًا إلى حد ما.

ومع ذلك ، فإن بناء آلة يمكنها التمييز بدقة بين مليار وجه مختلف هو مسعى صعب للغاية لدرجة أنه من غير المحتمل أن يكون لها عائد استثمار إيجابي.

لهذا السبب ، يجب أن تفكر دائمًا في مدى تعقيد الحل الذي تحتاجه حقًا.

هناك أيضًا سؤال آخر يمكنك طرحه ...

2. هل هناك نمط يمكن أن أراه هنا ، إذا كان بإمكاني وضعه في جدول بيانات فقط؟

"هل تعتقد أن هناك منطقًا سليمًا للاعتقاد بأن الإجابة على سؤالك يمكن العثور عليها في البيانات التي لديك؟"

فمثلا:

"تتعلق البيانات بأنماط استخدام المنتج الخاص بي ، لذلك فمن المنطقي أن يتم استنتاج سبب حدوث هذه التغييرات من هذه البيانات."

قد يكون إجراء الاتصالات الصحيحة بين بياناتك ومشكلة أمرًا صعبًا. بعد كل شيء ، تحتاج إلى إجراء مكالمة حكم ، وقد يتحول منطقك إلى خطأ.

إذن ما هي المواقف الصحيحة لاستخدام هذا النهج؟

ابحث عن مشاريع عالية التأثير تستحق المحاولة - شيء يمكن أن يولد الكثير من القيمة لشركتك ويستحق مخاطرة صغيرة.

إعطاء الأولوية لمشاريع منظمة العفو الدولية الخاصة بك

بعد جمع مجموعة من الأسئلة أو المشكلات التي يتعين حلها ، ابدأ في ترتيب أولوياتها في قائمة.

من المهم للغاية أن يكون كل من خبراء التعلم الآلي والموظفين الرئيسيين المشاركين في هذه العملية.

حدد أولويات مشاكلك وفقًا لما يلي:

  • القيمة المحتملة لحل المشكلة ستولد
  • صعوبة مشروع التعلم الآلي
  • الحاجة الملحة لحل كل قضية

وأخيراً ، هناك سؤال واحد مهم يجب طرحه:

"هل مشروع التعلم الآلي هو الحل الأمثل على الإطلاق في كل موقف؟"

قد يكون من شأن مشروع رؤية الكمبيوتر أن يوفر لك X مبلغًا من المال كل يوم ، ولكن نظرًا لأنه ينطوي على مخاطرة كبيرة ويستغرق إكماله أكثر من عام ، فمن المنطقي القليل من الأعمال.

بعد دراسة مدروسة ، سيكون لديك قائمة بمشاكل العمل الفعلية التي يمكنك حلها باستخدام بياناتك.

البيانات أولاً مقابل المشكلة النهج الأول

إذن ما هو الفرق الرئيسي بين نهج البيانات أولاً ونهج المشكلة الأولى؟

من ناحية ، يتطلب منهج "المشكلة الأولى" بذل بعض الجهد الإضافي للجمع بين مجموعة من الأشخاص المشغولين ومطالبتهم بقضاء وقتهم في التوسع في اختناقات مؤسستك.

من ناحية أخرى ، من خلال وضع هذا العمل الإضافي ، ستصل معًا إلى مجموعة من المشكلات المحددة والمحددة جيدًا والتي يمكن حلها وتحمل فائدة طويلة الأجل للشركة.

"مع النهج الأول للمشكلة ، ستصل إلى مجموعة من المشكلات المحددة والمحددة جيدًا والتي يمكن حلها على حد سواء وتحمل فائدة طويلة الأجل للشركة."

الميزة الأخرى لنهج المشكلة الأولى هي أنه على الرغم من أن التقديرات الأولية ستكون بعيدة عن أن تكون محددة ، إلا أن كل المعنيين سيكون لديهم على الأقل فكرة عامة عن صعوبة المشروع والنتائج المتوقعة.

كيف تضمن حصولك على البيانات الصحيحة؟

تبدو عملية طرح الأسئلة الصحيحة الموجهة نحو الربح عظيمة ، ولكن ماذا لو لم يكن لديك النوع الصحيح من بيانات العمل حتى الآن؟

من ناحية أخرى ، لديك منتج تعتقد أنه يمكن أن يستفيد من بعض المعلومات الإضافية.

ما هي الطريقة الأكثر فعالية لبدء جمع البيانات المناسبة لحل مشاكلك أو تحسين منتجك؟

ما الأفضل هنا هو التفكير في كيفية عمل منتجك حاليًا. اسأل نفسك ما هي القضايا الرئيسية التي تتباطأ أو تعيق عملها أو سرعتها في نقاط مختلفة.

عادة ، يمكن تحسين المنتجات أو الخدمات:

  • عندما تكون هناك حاجة إلى بعض المشاركة البشرية - اسأل نفسك عما إذا كان يمكنك مساعدة هؤلاء الأشخاص على أن يكونوا أكثر كفاءة أو إزالة المهمة تمامًا.
  • عندما يكون هناك تسرب كبير للعملاء - هل يمكنك أن تجعل منتجك أكثر تشويقًا أو أكثر جاذبية؟
  • عندما يتم تنفيذ المهمة على المستوى الأمثل - هل هناك أي خطوات قابلة للتنفيذ يمكن أن تكون آلية أو حتى يتم إهمالها؟

بعد الانتهاء من إعداد قائمة بالخطوات التي ترغب في تحسينها ، قم بترتيبها حسب مستوى القيمة التي يمكن أن تنشئها. بعد ذلك ، ابحث عن خبير تعلم آلي يساعدك في تقييم مستوى صعوبة كل عنصر في قائمتك.

قد يتضح أن بعض المشكلات غير قابلة للحل مع التعلم الآلي أو أنه سيكون أكثر كفاءة أن يكون هناك شخص يعمل في المهمة على أساس يومي.

"قد يتضح أن بعض مشاكلك غير قابلة للحل مع التعلم الآلي أو أنه سيكون أكثر كفاءة أن يكون هناك شخص يعمل في هذه المهمة."

بعد معرفة بعض الحقول التي يمكن تحسينها باستخدام الذكاء الاصطناعى ، يجب أن تضع خطة لكيفية جمع البيانات المطلوبة لحل المشكلة. أيضًا ، قم بإجراء تقييم لمقدار الوقت والموارد التي ستستغرقها العملية برمتها من جمع البيانات إلى التنفيذ.

نتيجةً لذلك ، سيكون لديك خريطة طريق واضحة لتحسين عمليات المنتج / الأعمال باستخدام AI. ستعرف أيضًا أين هي القيمة الأكثر المحتملة.

الماخذ الرئيسية

لقد قرأت المقال ، لكنك غير متأكد من كيفية تطبيقه كله لصالح شركتك؟

فيما يلي بعض النقاط الرئيسية التي يجب اتخاذها:

  1. استخدم المشكلة أولاً
  2. إشراك فريقك في عملية اتخاذ القرار
  3. تأكد من أنك في الواقع تحتاج إلى استخدام ML / AI لحل المشكلة
  4. إعطاء الأولوية لمشاريع الذكاء الاصطناعى الخاصة بك على أساس تأثيرها
  5. تأكد من أن عملية جمع البيانات الخاصة بك هي الأمثل

شكرا للقراءة! إذا أعجبك ذلك ، فالرجاء تقديم الدعم من خلال التصفيق ومشاركة المنشور. لا تتردد في ترك تعليق أدناه!

نبذة عن الكاتب: ماركوس ليبوس هو الشريك المؤسس وعالم البيانات في MindTitan ، وهي شركة لتطوير الذكاء الاصطناعى تساعد الشركات على الحصول على المزيد من بيانات أعمالها. نحن نعمل مع الشركات الناشئة والشركات الكبيرة الحجم ، التي تغطي مجموعة واسعة من الاستشارات وتطوير مشاريع التعلم الآلي. يمكنك معرفة المزيد عنا على موقعنا.