چگونه شرکت ها می توانند پتانسیل کامل داده های خود را برای هوش مصنوعی (VB On Demand) درک کنند



ارائه شده توسط Wizeline


بسیاری از شرکت ها با موانعی برای استفاده از داده های خود و تبدیل هوش مصنوعی به واقعیتی در سطح شرکت مواجه هستند. در این رویداد VB On-Demand، کارشناسان صنعت به بررسی این موضوع می پردازند که چگونه شرکت ها می توانند تمام پتانسیل داده ها را برای مقابله با مشکلات پیچیده تجاری و موارد دیگر باز کنند..

اکنون در صورت تقاضا تماشا کنید!


در سراسر صنایع و مناطق، تحقق وعده‌های هوش مصنوعی می‌تواند برای هر شرکتی معانی بسیار متفاوتی داشته باشد – اما برای هر کسب‌وکاری، با انفجار پتانسیل انبوه داده‌هایی که روی آن نشسته‌اند شروع می‌شود. اما به گفته هاید مارتینز، مدیر برنامه فناوری داده در Wizeline، موانع باز کردن قفل داده ها کمتر به پیاده سازی واقعی هوش مصنوعی و بیشتر به فرهنگ هوش مصنوعی در داخل یک شرکت مربوط می شود. این بدان معناست که شرکت ها در مرحله صفر یعنی تعیین اهداف و اهداف متوقف شده اند.

برای شرکتی که تازه شروع به درک مزایای داده‌ها کرده است، تلاش‌های هوش مصنوعی معمولاً یک تعهد منزوی است که توسط یک تیم منزوی مدیریت می‌شود، با اهدافی که با چشم‌انداز کلی شرکت همسو نیستند. شرکت‌های بزرگ‌تر در مسیر داده‌ها و هوش مصنوعی نیز باید سیلوها را تجزیه کنند، به طوری که همه بخش‌ها و تیم‌ها در یک راستا باشند و تلاش‌ها تکراری یا در جهت اهداف متقابل نباشد.

مارتینز می‌گوید: «برای همسو شدن، باید آن استراتژی را تعریف کنید، اولویت‌ها را مشخص کنید، نیازهای کسب‌وکار را مشخص کنید. برخی از بزرگترین موانع در حال حاضر فقط اطمینان از کاری است که قرار است انجام دهید و چگونه آن را انجام خواهید داد، نه خود پیاده سازی، و همچنین همراه کردن همه با تلاش های هوش مصنوعی.

مراحل فرآیند داده

داده ها باید چندین مرحله را طی کنند تا بتوانند اهرم شوند: استخراج داده، پاکسازی، پردازش داده ها، ایجاد مدل های پیش بینی، ایجاد آزمایش های جدید و سپس در نهایت، ایجاد تجسم داده ها. اما مرحله صفر هنوز هم همیشه اهداف و مقاصد را تعریف می کند، که همان چیزی است که کل فرآیند را هدایت می کند.

یکی از اولین ملاحظات این است که با یک کارگاه اکتشاف شروع کنید – درخواست ورودی از همه سهامدارانی که از این اطلاعات استفاده می‌کنند یا مدل‌های پیش‌بینی را می‌خواهند، یا هر کسی که نظر وزنی در مورد کسب‌وکار دارد. برای اطمینان از اینکه پروژه بدون مشکل پیش می رود، مهارت های سخت را بر مهارت های نرم اولویت ندهید. ذینفعان اغلب دانشمندان داده یا مهندسان یادگیری ماشین نیستند. آنها حتی ممکن است سابقه فنی نداشته باشند.

او توضیح می دهد: “شما باید بتوانید، به عنوان یک تیم یا به عنوان یک فرد، دیگران را وادار کنید به داده ها و پیش بینی های شما اعتماد کنند.” اگرچه مدل شما شگفت‌انگیز بود و از یک الگوریتم پیشرفته استفاده می‌کردید، اگر نتوانید آن را نشان دهید، ذینفعان شما مزایای داده‌ها را نخواهند دید و آن کار را می‌توان به سطل زباله انداخت. “

اطمینان از اینکه اهداف و اهداف را به وضوح درک می کنید، و همچنین ارتباط مداوم، کلیدی است. ذینفعان را در جریان نگه دارید و به آنها بازگردید تا مسیر خود را مجدداً تأیید کنید و برای ادامه تنظیم و اصلاح سؤالات بپرسید. این کمک می کند تا اطمینان حاصل شود که وقتی مدل پیش بینی یا قول هوش مصنوعی خود را ارائه می کنید، به شدت با آنچه که آنها انتظار دارند همسو می شود.

یکی دیگر از ملاحظات در فرآیند داده، تکرار، آزمایش چیزهای جدید و ساختن از آنجا، یا اتخاذ یک روش جدید در صورت عدم موفقیت است، اما هرگز برای تصمیم گیری در مورد اینکه در آینده چه کاری انجام خواهید داد، زمان زیادی طول نکشید.

مارتینز می گوید: «این علم داده نامیده می شود زیرا یک علم است و از روش علمی پیروی می کند. «روش علمی فرضیه سازی و اثبات آنهاست. اگر فرضیه شما ثابت نشد، راه دیگری را برای اثبات آن امتحان کنید. اگر این امکان وجود ندارد، فرضیه دیگری ایجاد کنید. فقط تکرار کن.»

اشتباهات رایج مرحله صفر

اغلب شرکت‌هایی که وارد آب‌های هوش مصنوعی می‌شوند، ابتدا به شرکت‌های مشابه نگاه می‌کنند تا تلاش‌های آن‌ها را تقلید کنند، اما این در واقع می‌تواند یک پروژه هوش مصنوعی را کند یا حتی متوقف کند. مشکلات کسب و کار به اندازه اثر انگشت منحصر به فرد هستند و راه های بی شماری برای مقابله با هر مشکلی در یادگیری ماشین وجود دارد.

یکی دیگر از مسائل رایج دیگر استخدام یک دانشمند داده است با این توقع که این کار انجام شده است – که آنها نه تنها قادر به مدیریت کل فرآیند از استخراج داده ها و پاک کردن داده ها تا تعیین اهداف، تجسم گرافیکی، مدل های پیش بینی و به همین ترتیب، اما می‌تواند فوراً به ایجاد هوش مصنوعی بپرد. این فقط واقع بینانه نیست.

ابتدا باید یک مخزن داده متمرکز ایجاد شود تا نه تنها ساخت مدل‌های پیش‌بینی آسان‌تر شود، بلکه سیلوها نیز تجزیه شوند تا هر تیمی بتواند به داده‌های مورد نیاز خود دسترسی داشته باشد.

دانشمندان داده و مهندسان داده نیز نمی توانند به تنهایی و جدا از سایر شرکت ها کار کنند – بهترین راه برای استفاده از داده ها این است که با زمینه تجاری آن و خود کسب و کار آشنا باشید.

او می‌گوید: «اگر کسب‌وکار را درک کنید، هر تصمیم، هر تغییر، هر فرآیند، هر تغییری در داده‌های شما همسو خواهد شد. “این یک کار چند رشته ای است. شما باید درک قوی کسب و کار را همراه با UI/UX، حقوقی، اخلاقی و سایر رشته ها درگیر کنید. هر چه تیم متنوع تر، چند رشته ای تر باشد، مدل پیش بینی بهتری می تواند باشد.

برای کسب اطلاعات بیشتر در مورد اینکه چگونه شرکت‌ها می‌توانند به طور کامل از داده‌های خود برای راه‌اندازی هوش مصنوعی با بازگشت سرمایه واقعی استفاده کنند، نحوه انتخاب ابزارهای مناسب برای هر مرحله از فرآیند داده و موارد دیگر، این رویداد VB On Demand را از دست ندهید.


هم اکنون پخش جریانی را شروع کنید!

دستور جلسه

  • چگونه شرکت ها از هوش مصنوعی و یادگیری ماشینی، NLP، RPA و غیره استفاده می کنند
  • تعریف و اجرای استراتژی داده سازمانی
  • شکستن سیلوها، جمع آوری تیم های مناسب و افزایش همکاری
  • شناسایی داده ها و تلاش های هوش مصنوعی در سراسر شرکت
  • پیامدهای تکیه بر پشته های قدیمی و نحوه دریافت خرید برای تغییر

مجریان

  • پائولا مارتینز، مدیرعامل و یکی از بنیانگذاران، Marvik
  • هایده مارتینز، رهبری برنامه فناوری داده، Wizeline
  • ویکتور دیTech Editor, VentureBeat (مدیریت)