Alena Gaybatova y Ekaterina Stepanova, expertas en la dirección de soluciones analíticas de KORUS Consulting Group .
Todos quieren ganar dinero y ahorrar con los datos: la aplicación de métodos de aprendizaje automático incluso en un proyecto ayuda a lograr ahorros significativos o incluso un aumento de los ingresos. Pero para sentir el efecto y no fallar en la implementación, debe tener en cuenta las dificultades y evitar errores de gestión. Con un ejemplo, le diremos cómo asegurarse de que los algoritmos de aprendizaje automático no cometan errores.
Aprendizaje automático: solo el 5% de los recursos del proyecto. Pero la complicación de la lógica de ML puede conducir a un aumento en el tiempo de implementación, y la planificación incorrecta de la recopilación de datos puede conducir a un análisis inexacto que puede volverse inútil y costoso. ¿Por qué está pasando esto?
El problema de las expectativas
La empresa escuchó en alguna parte que una red neuronal es la solución a todos los problemas. Al mismo tiempo, la calidad o el volumen de datos dejan mucho que desear: es simplemente imposible implementar un modelo en tales condiciones. Por ejemplo, se tarda aproximadamente un año en acumular datos en el comercio minorista o la fabricación, y si el equipo necesario no está disponible o algunos de los procesos no están digitalizados, aún más.
Para evitar confusiones, recomendamos negociar resultados específicos con una advertencia sobre los requisitos para el lanzamiento del sistema, en lugar de una oportunidad de ingresos vaga. Estas ilusiones las experimentan no solo las empresas, sino también los propios desarrolladores. A veces, los analistas de negocios esperan que los modelos funcionen bien según lo que leen en artículos técnicos complejos. Desafortunadamente, estos textos escriben sobre algoritmos desarrollados sobre datos de modelos, no sobre datos reales.
Por lo tanto, los resultados del proyecto deben ser útiles, fácilmente interpretables y validados por expertos en métricas y negocios.
Premisas falsas
- ML-. , 2019 90%. 2020 , — c , .
. .
, , , . : . , , . , . 2020 - , , . .
: , .
: - , . , , . , , .
. – . .
.
1. ? , ? ?
value . , . , 100%, , «» . : 50% , «».
2. ML? ? , – ?
, . - . , .
3. ?
– , ML-. , . , -.
4. ?
, ML – . - ML, , . , , . , . , , .
ML es una gran herramienta para optimizar el trabajo, resolver problemas no estándar y analizar grandes cantidades de datos. Es importante considerar muchos aspectos para su uso antes y después de la implementación. Con suerte, esta descripción general rápida podrá prevenir situaciones no deseadas y minimizar la molestia de usar ML para que pueda disfrutar de los beneficios adicionales de la tecnología.