# 1: Hvad maskinlæring kan gøre for din virksomhed, og hvordan man finder ud af det

Dette er del 1 i den 6-delede tutorial, Step-by-Step PM Guide til Building Machine Learning Based Products. Følg linket for at få en oversigt over hele serien.

Investering i ML er som at investere i mobil 10 år siden - det kan transformere din virksomhed

Spørgsmål om eksisterende data til indsigt er en velkendt, bredt vedtaget disciplin. ML er imidlertid den næste grænse i dataanalyse. Det er en disciplin, hvor computerprogrammer foretager forudsigelser eller trækker indsigt baseret på mønstre, de identificerer i data, og er i stand til at forbedre denne indsigt med erfaring - uden at mennesker eksplicit fortæller dem, hvordan de skal gøre det. Efterhånden som organisationer har adgang til flere data, gør maskinlæring dem i stand til at trække indsigt fra dataene i skala, på et granularitetsniveau, der spænder fra en enkelt brugerinteraktion til verdensomspændende tendenser og deres indvirkning på planeten. Brug af disse indsigter kan også spænde fra at tilpasse en individuel brugers oplevelse på pixelniveau til at skabe nye produkter og forretningsmuligheder, der ikke findes i øjeblikket. Bemærk, at med ML kan du gå langt ud over at bruge interne data - ML's magt kan ofte forbedres ved at gifte sig med interne med eksterne data for at skabe ny indsigt, som ikke tidligere var mulig.

Frank Chen fra A16Z har en fremragende grunning til de potentielle anvendelser af kunstig intelligens, hvoraf mange kræver eller kræver maskinlæring. Nogle af disse applikationer er fremtidsrettede og endnu ikke opnåelige med eksisterende teknologi, men giver en god fornemmelse af mulighederne.

Ligesom forbrugerfirmaer begyndte at tænke på at investere i mobil for 8–10 år siden, er det nu tid for virksomheder at begynde at udforske ML som en teknologi, der kan hjælpe med at skabe forretningsresultater. For virksomheder, der fokuserer på at udnytte eksisterende ML-teknologier, er der flere nøgletemaer for, hvad ML giver dig mulighed for at gøre. Disse er ikke udtømmende eller gensidigt eksklusive, men repræsenterer snarere forskellige vinkler til at tænke på potentiel indflydelse på din virksomhed:

  • Massetilpasning af en brugers miljø, oplevelse og systemsvar. Forestil dig, at alt, hvad en person gør eller ser, kunne tilpasses specielt til dem og endda forudse deres behov og opførsel. Dette inkluderer anbefalinger til produkter eller tjenester, rangordnet efter relevansniveau for dem; skræddersyet brugeroplevelse eller strømme baseret på viden, du har om brugeren, deres opførsel, andre mennesker som dem eller eksterne data, herunder forudsigelse af, hvad de vil gøre næste osv. I mindre skala kan dette omsætte til tilpasning af oplevelsen til segmenter af brugere snarere end enkeltpersoner.
  • Evnen til visuelt at identificere genstande og automatisere eller skræddersy oplevelser i overensstemmelse hermed. Teknologi i dag kan identificere objekter i fotos og videoer, herunder på live cam. Pinterest bruger dette til at foreslå lignende / komplementære objekter som dem på et foto, som brugeren ser på; Facebook bruger ansigtsgenkendelsesteknologi til at foreslå venner at markere et foto, Amazon bygger automatisk butikskasse baseret på visuel identifikation af objekter osv.
  • Automatisk hentning, generering eller behandling af indhold. ML muliggør hurtig behandling af de enorme mængder indhold i verden. Almindelige anvendelser er dokumentindhentning - f.eks. at finde alle de dokumenter, der er relevante for en juridisk sag (bemærk, at dette går ud over bare nøgleord til kontekstuel søgning), klassificering af dokumenter efter emne og nøgleord, automatisk oversigt over indholdet, udtræk af relevant information fra store mængder indhold - f.eks. at finde specifikke vilkår i leverandørkontrakter osv. "Indhold" her gælder for alle typer medier, ikke kun tekst.
  • Forudsigelser, estimater og tendenser i skala. ML muliggør forudsigelser, der er meget dyre eller vanskelige at gøre andet. ML er især nyttigt til at fremsætte forudsigelser, der ellers kræver et højt niveau af ekspertise, såsom prisen på et hjem, eller endda er umuligt for et menneske at foretage sig, som hvilket indhold der vil gøre det godt på sociale medier. Maskiner kan også identificere tendenser i data, inden de bliver tydelige for mennesker.
  • Påvisning af usædvanlige aktiviteter eller systemfejl. Hvert system har fejl og problemer, men ML giver dig mulighed for ikke kun at opdage, om der opstår problemer, men også om disse problemer er usædvanlige og alarmerende. Dette er især nyttigt i forskellige overvågnings- og sikkerhedssystemer.

Fra et strategisk perspektiv kan ML drive flere typer forretningsresultater:

  • Forbedret oplevelse og funktionalitet for dine kunder. Den mest almindelige brugstilfælde er massetilpasning - at finde de produkter, der mest sandsynligt er relevante for dine kunder hurtigere og mere effektivt, f.eks. deres bedste kampe på datingsider, sang, de måske kunne lide på musikwebsteder, produkter, de kan være interesseret i at købe osv. Den anden brugssag bruger forudsigelser for at få dem til at blive intelligente om enheder eller situationer, som de ellers ikke ville have. Dette kan være generelt - f.eks. Zillows Zestimate værdsætter et hus det samme uanset hvem der ser på det eller tilpasses til den enkelte kunde - f.eks. den bedømmelse, som en bruger sandsynligvis giver en film, de ikke har set, givet deres specifikke smag.
  • Interne funktioner, processer og forretningslogik. Maskinlæring kan spare dig for tid og gøre din ressourceinvestering mere effektiv, når det kommer til forretningsprocesser og beslutninger. For eksempel: Et långivende selskab vil gerne prioritere sin opsøgning til potentielle låneansøgere. Det er nødvendigt at bestemme, hvem der ønsker et lån nok til, at det faktisk kan tages, hvis det tilbydes, men det er sandsynligvis stadig i stand til at tilbagebetale det. At prioritere de mest kreditværdige kunder er ikke nødvendigvis svaret, da disse kunder normalt har mange muligheder og er mindre tilbøjelige til at konvertere, så der kræves en mere kompleks model.
  • Udvidelse til nye vertikaler og nye produkter. Data kan hjælpe dig med at åbne helt nye forretningsmuligheder - oprette helt nye produkter til dine eksisterende kunder, eller betjen segmenter eller kunder, du ikke har tjent før. For eksempel: Netflix kan betjene studios, som ikke var den centrale målgruppe, ved at sælge dem indsigt fra dens data om, hvilke temaer og plotlinjer der fungerer, som publikum; Zillow kan hjælpe ejendomsudviklere med at forstå, hvilke bygningsfunktioner der får dem det højeste afkast af investeringen osv.

Beslutningen, hvilket område der skal adresseres først, skal afhænge af den potentielle forretningspåvirkning, såvel som kompleksiteten af ​​problemet og omkostningerne ved at opnå denne påvirkning.

”Vi er nødt til at gøre noget med vores data” er en strategi, ikke en datavidenskab, et problem

Mange virksomheder er på udkig efter at ansætte dataforskere, de mennesker, der bygger ML-modeller, fordi “vi skal gøre noget med vores data”. Jeg har hørt mange ledere i fremtrædende virksomheder sige ”vi ser, at vores konkurrenter køber data, så vi er nødt til at gøre dette for at forblive konkurrencedygtige”, og derefter gå ansætte et par dataforskere i håb om, at de vil komme med noget magi. Dette bringer mig til en stor misforståelse om ML.

ML er ikke et tryllestav for din virksomhed. Den første udfordring i ML er at finde ud af den forretningspåvirkning, teknologien sigter mod at drive. ML er en løsning - du skal først definere problemet: Hvad er de forretningsresultater, du håber at opnå med ML? Hvilken fordel kan ML give for dine kunder? ML er en hammer - men hvis du ikke har en søm, er en hammer ikke særlig nyttig. For at strække klichéen yderligere, er ML et enormt varieret sæt hamre, og den slags søm, du har, vil bestemme, hvilken hammer du vælger, og hvordan du bruger den. Det nøjagtige problem, du prøver at løse, dikterer alt - hvordan resultatet bliver brugt, hvad din model skal forudsige, og hvordan den skal kalibreres, hvilke data du indsamler og behandler, hvilke algoritmer du tester og mange andre spørgsmål.

Kernen i ”hvilket problem løser vi?” Er et forretningsspørgsmål, hvilket betyder, at det at definere det i sidste ende er produktchefernes og virksomhedsledernes, ikke datavidenskabers ansvar. Datavidenskabsmænd og andre interessenter bør absolut være involveret i at nå definitionen - bare kaste ikke spørgsmålet på dem og forvent, at de kommer tilbage med svar. Hvis du har data, som du ikke ved, hvad du skal gøre med, skal du gennemføre kundeinterviews og idee med andre kundevendte mennesker i hele organisationen. Datavidenskabsmænd kan hjælpe dig med at udforske dine data, idé og iterere, men medmindre de har en masse ekspertise i problemrummet, ville det være vanskeligt for dem at komme med forretningssagen på egen hånd. For at maksimere værdien af ​​ML for virksomheden har du brug for et løbende samarbejde mellem produktledere og datavidenskabsmænd, hvor det er produktledernes ansvar at sikre, at de problemer, der løses, er de mest effektive for virksomheden.

Udpakning af hvordan ML kan flytte din virksomhed fremad

Mens mulighederne med ML er uendelige, er der visse spørgsmål, du kan stille for at finde ud af, hvordan teknologien kan anvendes på din organisation. Her er nogle eksempler:

Interne processer

  • Hvor bruger folk i min virksomhed i dag viden til at tage beslutninger, der kan automatiseres, så deres færdigheder kunne udnyttes bedre andetsteds?
  • Hvad er de data, som folk i min virksomhed normalt søger efter, indsamler eller uddrager manuelt fra bestemte opbevaringssteder, og hvordan kan disse automatiseres?
  • Hvad er det sæt beslutninger, som folk i mit firma træffer? Kan disse beslutninger tænkes taget af en maskine, hvis den magisk indtager alle de data, som mine folk har?

Produkter og oplevelse for eksisterende kunder

  • Hvilke dele af mine kundeinteraktioner tilpasses af mennesker og kan potentielt tilpasses af maskiner?
  • Har jeg en klar segmentering af mine kunder baseret på deres præferencer, opførsel og behov? Er min produkt / oplevelse tilpasset hvert segment?
  • Kan jeg tilpasse oplevelsen for hver enkelt kunde baseret på hvad jeg ved om dem eller deres interaktion med min side / app / produkt? Hvordan kunne jeg skabe en bedre, hurtigere eller ellers mere dejlig oplevelse for dem?
  • Specifikt, hvad er de beslutninger og valg, jeg beder mine kunder om at tage i dag? Kan disse beslutninger automatiseres på baggrund af en viden, jeg allerede har eller kunne have?
  • Hvordan kan jeg bedre identificere gode kontra dårlige kundeoplevelser? Kan jeg opdage problemer, der vil have negativ indflydelse på kundeoplevelse eller tilfredshed, før de sker eller spreder sig?

Nye vertikaler eller kunder

  • Har jeg data, der kan være nyttige for andre interessenter i branchen eller i tilstødende brancher? Hvilken slags beslutninger kan det hjælpe disse interessenter med at tage?

Alt det ovenstående

  • Hvad er de målinger eller tendenser, som hvis jeg korrekt kunne forudsige ville have en meningsfuld indflydelse på min evne til at betjene mine kunder eller på anden måde konkurrere i branchen, f.eks. forventet efterspørgsel efter visse kategorier af produkter, omkostningsudsving osv.?
  • Hvad er de vigtigste enheder, som jeg indsamler data om (mennesker, virksomheder, produkter osv.)? Kan jeg gifte sig med disse data med alle eksterne data (fra offentlige kilder, partnere osv.) På en måde, der fortæller mig noget nyt eller nyttigt om disse enheder? Nyttig til hvem og hvordan? For eksempel: Identificer potentielle kunder, når de er på randen af ​​at lede efter dit produkt, forstå, hvordan eksterne faktorer påvirker efterspørgslen i din branche og reagerer i overensstemmelse hermed osv.

Brainstorm nogle af disse spørgsmål (og andre) med dit team og de vigtigste interessenter i organisationen. Hvis du ikke er sikker på, hvor du skal starte - start et sted. Bare at eksperimentere med nogle data kan hjælpe dig og dit team med at finde ud af, hvor du kan gå derfra.

I del 2 diskuterer vi alle de tekniske tekniske termer, som PM'er har brug for at forstå, hvordan teknologivalg påvirkes af din problemafgrænsning, og nogle af de modelleringsfaldgruber, du skal passe på, har indflydelse på din virksomhed.

Hvis du fandt dette indlæg interessant, ville du venligst klikke på det grønne hjerte nedenfor for at fortælle mig det, eller dele med en anden, der måske finder det nyttigt? Det ville helt gøre min dag!