# 1: Què pot fer l'aprenentatge automàtic per al vostre negoci i com esbrinar-lo

Aquesta és la primera part del tutorial de 6 parts La guia pas a pas per PM per crear productes basats en l'aprenentatge automàtic. Seguiu l'enllaç per obtenir una visió general de tota la sèrie.

Invertir en ML és com invertir en mòbil fa 10 anys, pot canviar el seu negoci

Consultar dades existents per conèixer el coneixement és una disciplina molt coneguda i àmplia. Tanmateix, ML és la següent frontera en l’anàlisi de dades. És una disciplina en la qual els programes informàtics poden utilitzar patrons que identifiquen en dades, fer prediccions o obtenir coneixement, i millorar aquesta informació a través de l'experiència, sense que la gent els expliqui específicament com fer-ho. Com que les empreses tenen accés a més dades, l'aprenentatge automàtic els pot ajudar a comprendre l'escala de les dades. La granularitat va des de la interacció dels usuaris individuals fins a les tendències globals i els seus efectes al planeta. L’ús d’aquest coneixement també pot anar des d’adaptar l’experiència de l’usuari a nivell de píxels fins a crear nous productes i oportunitats de negoci que actualment no existeixen. Tingueu en compte que ML pot anar molt més enllà d’utilitzar dades internes. El rendiment de ML sovint es pot augmentar combinant dades internes i externes per obtenir noves visions que abans no eren possibles.

Frank Chen d’A16Z té una excel·lent introducció a les aplicacions potencials de la intel·ligència artificial, moltes de les quals necessiten o necessitaran aprenentatge de màquines. Algunes d’aquestes aplicacions estan orientades al futur i encara no es poden implementar amb la tecnologia existent, però donen una bona impressió de les possibilitats.

De la mateixa manera que les empreses de consum van pensar a invertir en dispositius mòbils fa 8 o 10 anys, ara és el moment perquè les empreses explorin la ML com a tecnologia que pot ajudar a generar resultats empresarials. Per a les empreses que es concentren a utilitzar les tecnologies de ML existents, hi ha diversos temes clau per a les funcions de ML que oferiu. Aquestes no són exhaustives ni s’exclouen mútuament, però representen perspectives diferents sobre possibles efectes sobre la vostra empresa:

  • Adaptació massiva de l’entorn, l’experiència i les reaccions del sistema d’un usuari. Imagineu-vos que tot allò que fa o veu una persona es pot adaptar a les seves necessitats i, fins i tot, preveure les seves necessitats i comportaments. S'inclouen les recomanacions de productes o serveis ordenats segons la seva rellevància. Experiència o fluxos d’usuari a mida en funció del vostre coneixement de l’usuari, el seu comportament, altres persones com ell o dades externes, incloses predir què volen fer després, etc. A una escala menor, això podria adaptar l’experiència a segments de usuaris principals en lloc d’individus.
  • La capacitat d’identificar visualment objectes i automatitzar o adaptar experiències en conseqüència. La tecnologia actual pot identificar objectes en fotos i vídeos, fins i tot en una càmera en directe. D’aquesta manera, Pinterest suggereix objectes similars / complementaris als de la foto que està veient l’usuari. Facebook utilitza la tecnologia de reconeixement facial per suggerir als amics que han d’etiquetar una foto. Amazon crea un checkout automàtic basat en la identificació visual d’objectes, etc.
  • Recuperació automàtica, creació o processament de contingut. ML permet el processament ràpid de grans quantitats de contingut al món. Els usos habituals són la recuperació de documents, p. Cerqueu tots els documents rellevants per a un cas legal (tingueu en compte que això va més enllà de les paraules clau), classifiqueu els documents per temes i paraules clau, resumiu-ne automàticament el contingut, extraieu informació rellevant de grans quantitats de contingut. Cerqueu termes concrets en contractes de venda, etc. El contingut "aquí" fa referència a tot tipus de suports, no només a text.
  • Prediccions, estimacions i tendències a escala. ML permet prediccions molt costoses o difícils de fer. ML és particularment útil per fer prediccions que altrament requeririen un alt nivell d’expertesa, p. Per exemple, el preu d’una casa, o fins i tot impossible per a una persona determinar quin contingut fa bé a les xarxes socials. Les màquines també poden identificar les tendències de les dades abans que no siguin visibles per als humans.
  • Detecció d’activitats o errors del sistema inusuals. Tots els sistemes presenten errors i problemes. Amb ML, però, no només podeu determinar si hi ha problemes, sinó també si són inusuals i alarmants. Això és particularment útil en diversos sistemes de vigilància i seguretat.

Des d’una perspectiva estratègica, ML pot obtenir diferents tipus de resultats empresarials:

  • Experiència i funcionalitat millorades per als vostres clients. El cas d’ús més comú és la personalització massiva: cerqueu els productes que probablement siguin rellevants per als vostres clients de manera més ràpida i eficaç, p. Les seves millors coincidències en llocs de cites, cançons que els agradaria als llocs de música, productes que potser desitgen comprar, etc. L'altre cas és utilitzar prediccions per informar-los sobre entitats o situacions que d'altra manera no podrien. hauria. Això podria ser general, per exemple. Zillows Zestimate aprecia una casa per igual, independentment de qui la miri o de com s’adapti al client individual. La qualificació amb què un usuari valora una pel·lícula que no ha vist a causa del seu gust específic.
  • Funcions internes, processos i lògica comercial. L’aprenentatge automàtic t’estalvia temps i augmenta l’efectivitat de les inversions de recursos en processos i decisions empresarials. Per exemple: un prestador vol prioritzar el seu contacte amb els prestadors potencials. Cal determinar qui vol contractar un préstec per obtenir-lo quan se li ofereix, però és probable que el pugui amortitzar. No és necessàriament la resposta a prioritzar els clients més acreditatius, ja que aquests clients solen tenir moltes opcions i són menys propensos a convertir-los. Per tant, cal un model més complex.
  • Expansió en noves indústries i nous productes. Les dades us poden ajudar a obrir oportunitats de negoci completament noves: creeu nous productes per als vostres clients existents o serveixi segments o clients que no heu servit abans. Per exemple, Netflix pot servir estudis que no eren la audiència primària venent-los dades de dades sobre els temes i les històries adequades per a la audiència. Zillow pot ajudar els promotors immobiliaris a comprendre quines funcions d’edificació s’utilitzen per obtenir el màxim rendiment de la inversió.

Decidir quina àrea dirigir primer hauria de dependre de l’impacte potencial del negoci, de la complexitat del problema i del cost d’aconseguir aquest impacte.

"Hem de fer alguna cosa amb les nostres dades" és una estratègia, no una ciència de dades, un problema

Moltes empreses busquen científics en dades, les persones que construeixen models ML perquè "hauríem de fer alguna cosa amb les nostres dades". He escoltat que molts executius de companyies destacades deien: "Veiem que els nostres competidors compren dades, així que ho hem de fer per mantenir-nos competitius". Després vam contractar uns quants científics de dades, amb l’esperança que desenvolupessin una mica de màgia. Això em porta a un gran malentès sobre ML.

ML no és una vareta màgica per a la vostra empresa. El primer repte de ML és identificar l'impacte empresarial que hauria de generar la tecnologia. ML és una solució: primer heu de definir el problema: quins resultats empresarials voleu aconseguir amb ML? Quins avantatges pot aportar ML als vostres clients? ML és un martell, però si no teniu un clau, un martell no és especialment útil. Per ampliar encara més el tòpic, ML és un joc de martells extremadament versàtil. El tipus d'ungla determina quin martell escolliu i com l'utilitzeu. El problema exacte que intenteu resoldre ho determina tot: com s’utilitza el resultat, què prediu el vostre model i com s’ha de calibrar, quines dades recopileu i processeu, quins algoritmes proveu i moltes altres preguntes.

En el seu nucli central, "Quin problema solucionem?" Una pregunta de negoci, que vol dir que la definició és en última instància responsabilitat dels gestors i gestors de productes, no dels científics de dades. Els científics de dades i altres parts interessades haurien d’incloure’s definitivament en la definició. Simplement, no us el feu la pregunta i espereu que tornin amb respostes. Si teniu dades que no coneixeu, realitzeu entrevistes i idees amb altres clients de l'empresa. Els científics de dades us poden ajudar a examinar les vostres dades, idees i iteracions. Tanmateix, si no teniu un ampli coneixement de les àrees problemàtiques, us és difícil crear el cas empresarial vosaltres mateixos. Per tal de maximitzar el valor de ML per a l'empresa, cal una col·laboració contínua entre els gestors de productes i els científics de dades, on els responsables de productes són els responsables de garantir que els problemes a resoldre són els més eficaços per a l'empresa.

Desempaquetar Com ML pot avançar el vostre negoci

Si bé les possibilitats amb ML són infinites, hi ha algunes preguntes que podeu plantejar-vos per esbrinar com es pot aplicar la tecnologia al vostre negoci. Aquests són alguns exemples:

Processos interns

  • On utilitzen els coneixements de la meva empresa avui en dia per prendre decisions que es poden automatitzar de manera que es puguin utilitzar millor les seves habilitats en un altre lloc?
  • Quines dades normalment es cerquen, recopilen o extreuen de determinats magatzems d'informació de la meva empresa i com es poden automatitzar?
  • Quines decisions prenen els empleats de la meva empresa? Pot una màquina prendre aquestes decisions si capta màgicament totes les dades que tenen els meus empleats?

Productes i experiències per a clients existents

  • Quines parts de les meves interaccions amb clients són personalitzades per persones i possiblement es poden adaptar per màquines?
  • Tinc una clara segmentació dels meus clients en funció de les seves preferències, comportaments i necessitats? El meu producte / experiència està adaptat a cada segment?
  • Puc personalitzar l'experiència de cada client en funció del que sé sobre ells o de la forma en què interaccionen amb el meu lloc / aplicació / producte? Com puc crear una experiència millor, més ràpida o més agradable per a ells?
  • Quines són exactament les decisions i decisions que vull demanar als meus clients avui? Es poden automatitzar aquestes decisions a partir de coneixements que ja tinc o puc tenir?
  • Com puc identificar millor les experiències del client bones o dolentes? Puc identificar problemes que afectin negativament l'experiència del client o la satisfacció del client abans que es produeixin o es difonguin?

Noves indústries o clients

  • Tinc dades que puguin ser d’utilitat per a altres parts interessades de la indústria o d’indústries relacionades? Quin tipus de decisions poden prendre aquestes parts interessades?

Tot per sobre

  • Si les previsions correctes, les mètriques o tendències poden afectar la meva capacitat de servei als meus clients o competir d'una altra manera a la indústria, per exemple. predicció de la demanda de determinades categories de productes, fluctuacions de costos, etc.?
  • Quines són les principals entitats sobre les quals recopilo dades (persones, empreses, productes, etc.)? Puc vincular aquestes dades a dades externes (de fonts públiques, socis, etc.) d’una manera que m’expliqui alguna cosa nova o útil sobre aquestes entitats? Útil per a qui i com? Per exemple: identificar clients potencials que estan a punt de trobar el vostre producte, comprendre com influeixen els factors externs en la demanda de la vostra indústria i reaccionar en conseqüència, etc.

Penseu en algunes d’aquestes preguntes (i d’altres) juntament amb el vostre equip i grups d’interès clau de l’organització. Si no esteu segurs per on començar, comenceu per algun lloc. Si només experimenteu algunes dades, vosaltres i el vostre equip podreu esbrinar cap a on aneu.

A la segona part es tracten tots els termes de la ML que necessiten els administradors per comprendre com afecta la selecció de la tecnologia a la definició del problema i alguns dels problemes de model que cal tenir en compte per a la vostra empresa.

Si us sembla interessant aquesta publicació, feu clic al cor verd que hi ha a continuació per informar-me o compartir-la amb algú que us sembli útil. Aquest seria totalment el meu dia!