Alena Gaybatova dan Ekaterina Stepanova, pakar dalam bidang solusi analitik KORUS Consulting Group .
Semua orang ingin menghasilkan uang dan menabung dengan data: menerapkan metode ML bahkan pada satu proyek membantu mencapai penghematan yang signifikan atau bahkan pertumbuhan pendapatan. Namun untuk merasakan efeknya dan tidak gagal dalam penerapannya, Anda perlu memperhitungkan kesulitan dan menghindari kesalahan manajerial. Dengan menggunakan contoh, kami akan memberi tahu Anda cara memastikan bahwa algoritme pembelajaran mesin tidak membuat kesalahan.
Pembelajaran mesin - hanya 5% dari sumber daya proyek. Namun kerumitan logika ML dapat menyebabkan peningkatan waktu implementasi, dan perencanaan pengumpulan data yang tidak tepat dapat menyebabkan analisis yang tidak akurat yang dapat menjadi tidak berguna dan mahal. Mengapa ini terjadi?
Masalah ekspektasi
Perusahaan mendengar di suatu tempat bahwa jaringan saraf adalah solusi untuk semua masalah. Pada saat yang sama, kualitas atau volume data menyisakan banyak hal yang diinginkan - tidak mungkin menerapkan model pada kondisi seperti itu. Misalnya, dibutuhkan waktu sekitar satu tahun untuk mengumpulkan data di bidang retail atau manufaktur, dan jika peralatan yang diperlukan tidak tersedia atau beberapa proses tidak digital, maka lebih lama lagi.
Untuk menghindari kebingungan, kami merekomendasikan untuk merundingkan hasil tertentu dengan memperhatikan persyaratan untuk meluncurkan sistem, daripada peluang pendapatan yang tidak jelas. Ilusi semacam itu dialami tidak hanya oleh bisnis, tetapi juga oleh pengembangnya sendiri. Terkadang analis bisnis mengharapkan model bekerja dengan baik berdasarkan apa yang mereka baca di artikel teknis yang kompleks. Sayangnya, teks semacam itu menulis tentang algoritme yang dikembangkan pada data model, bukan data nyata.
Oleh karena itu, hasil proyek harus bermanfaat, mudah diinterpretasikan dan divalidasi oleh ahli metrik dan bisnis.
Tempat yang salah
- ML-. , 2019 90%. 2020 , — c , .
. .
, , , . : . , , . , . 2020 - , , . .
: , .
: - , . , , . , , .
. – . .
.
1. ? , ? ?
value . , . , 100%, , «» . : 50% , «».
2. ML? ? , – ?
, . - . , .
3. ?
– , ML-. , . , -.
4. ?
, ML – . - ML, , . , , . , . , , .
ML adalah alat yang hebat untuk mengoptimalkan pekerjaan, memecahkan masalah non-standar, dan menganalisis data dalam jumlah besar. Penting untuk mempertimbangkan banyak aspek penggunaannya sebelum dan sesudah implementasi. Semoga gambaran singkat ini dapat mencegah situasi yang tidak diinginkan dan meminimalkan kerepotan menggunakan ML sehingga Anda dapat menikmati manfaat tambahan dari teknologi tersebut.