Всем привет. Поработав в 12 стартапах по машинному обучению, я узнал восемь полезных идей о продуктах, данных и людях.
Все стартапы были из разных сфер (финтех, биотехнологии, здравоохранение, образовательные технологии) и находились на разных стадиях: как на предпосевной стадии, так и на стадии поглощения крупной компанией.
Моя роль тоже изменилась.
Я был стратегическим консультантом, главой отдела анализа данных, перегруженным работой штатным сотрудником.
Все эти компании пытались создать хороший продукт, и многим это удалось.
В ходе работы я пришел к следующим выводам:
Продукт важнее ИИ
Эти стартапы разрабатывают продукты, а не изучают искусственный интеллект. Как преданный математик, меня изначально больше интересовали машинное обучение и создание новых методов и алгоритмов.Вскоре я понял, что даже точные модели машинного обучения сами по себе бесполезны.
Ценность ИИ и машинного обучения напрямую связана со стоимостью продукта, в котором они используются.
Цель стартапа — научиться создавать продукты на основе машинного обучения.
При таком подходе иногда оказывается, что машинное обучение — не самый эффективный инструмент. Иногда дело не в поставленной задаче, а в процессе ее решения.
Даже в таких ситуациях полезно обращаться к ученым: они используют научный, основанный на данных подход. Однако не тратьте время на ИИ, если вам нужно исправить процесс.
Стремитесь к синергии между данными и продуктом
Вы не сможете создать что-то ценное, добавив в существующий продукт прогнозы, основанные на модели машинного обучения.Сильный ИИ — это не дополнение к продукту, это его основа.
В таких случаях именно ИИ создает ценность.
Такие продукты разрабатываются с учетом этого факта: в них и продукт, и данные работают синергетически.
Если все сделано правильно, результатом является взаимодействие, которое я называю «комбинацией продукта и данных».
Продукт реализует весь потенциал данных и в то же время генерирует новые данные, необходимые для улучшения.
Работа с искусственным интеллектом требует больше, чем просто инженеров и специалистов по обработке данных.
Работа над ценностью продукта идет быстрее, если в обсуждении участвует и остальная часть команды, от менеджеров по продукту до руководителей.
Это требует такого уровня знаний и приверженности, к которому еще не привыкли даже инженеры стартапов.
Сначала данные, потом искусственный интеллект
Искусственный интеллект и машинное обучение требуют большого количества высококачественных данных.Создавая продукт с нуля, подумайте о сборе данных с первого дня.
Прежде чем внедрять технологию искусственного интеллекта в существующий продукт, приготовьтесь вложить значительные средства в разработку данных и архитектурные изменения.
Сначала узнайте стоимость продукта, а уж потом приступайте к работе.
Чем лучше обработка данных, тем информативнее аналитика – это критично для развития компании.
Это продемонстрирует ценность продукта и привлечет инвесторов.
Начните думать о машинном интеллекте, как только аналитика станет надежной.
Инвестируйте в общение
Для создания продукта нужны квалифицированные продакт-менеджеры и поддержка руководства.Сильный искусственный интеллект и глубокое обучение интересуют многих, но люди за пределами ИТ-индустрии не понимают эти технологии.
Чтобы обсуждать машинное обучение и искусственный интеллект, вам необходимо понимать статистику: неэффективное общение приводит к нереалистичным ожиданиям.
Менеджер по продукту и инженеры по обработке данных должны постоянно обсуждать бизнес-метрики и их воплощение в продукте.
Особенно это важно для инженеров: для эффективной работы им необходимо углублять свои знания как в своей области, так и в сфере бизнеса.
«Простые и очевидные решения» не так очевидны
Как я уже упоминал выше, зачастую проще решить данную проблему, используя простые и очевидные методы.Отчасти это происходит потому, что сегодняшние «простые и очевидные» решения вчера были сложными и оригинальными.
Использовать сейчас word2vec так же легко, как регресс .
Каждый день появляется все больше новых инструментов, и понимание этих инструментов важно для специалиста по данным.
Появление новых инструментов с открытым исходным кодом привело к тому, что проприетарные платформы в машинном обучении больше не являются эффективным решением.
Конечно, стоит использовать собственные алгоритмы, если они эффективны в вашей отрасли и для решения вашей задачи.
Но давайте оставим исследования глубокого обучения Google и сосредоточимся на проблемах бизнеса.
Если есть сомнения, покажите данные пользователям
Важно установить обратную связь с рынком на раннем этапе.Однако машинное обучение требует данных, сбор которых занимает много времени.
В этом и проблема: как проанализировать картинку без больших объемов данных? Чаще всего лучшее решение — показать пользователям накопленные данные.
Не имеет значения, если у вас мало данных: люди обрабатывают только небольшие объемы данных за раз.
Посмотрите, как пользователи взаимодействуют с данными: что они игнорируют, а в чем хотят разобраться подробнее? Это поможет вам понять, насколько потенциально ценны ваши данные для вашего бизнеса.
Укрепить доверие
Доверие является основой успеха большинства технологий: люди хотят доверять технологиям, которые они используют. Некоторые люди беспокоятся, что автоматизация лишит их работы, в то время как другие полагаются на технологии для принятия важных решений.В обоих случаях важно доверие к приложениям и алгоритмам машинного обучения.
Если искусственный интеллект не помогает человеку принимать решения, а решает за него, пользователи быстро теряют доверие к приложению.
Доверие легко потерять и чрезвычайно сложно вернуть.
Создавайте продукты, которым люди будут доверять.
Делитесь статьей с коллегами, делайте выводы и работайте продуктивно.
Если у вас есть чем поделиться, пишите в комментариях.
Дополнительную информацию о машинном обучении см.
Telegram-канал Нейрон (@neurondata).
Знаний всем! Теги: #Машинное обучение #python #Лайфхаки для гиков #Большие данные #мл #Интеллектуальный анализ данных #личный опыт
-
Какую Читалку Электронных Книг Выбрать?
19 Oct, 24 -
Наса Бомбит Луну Онлайн
19 Oct, 24 -
Видео Motorola Cliq/Dext
19 Oct, 24 -
Киберорганика. За И Против
19 Oct, 24
