Miért buknak meg a vállalkozások a gépi tanulásban?

Szeretnék titokban engedni: ha az emberek azt mondják, hogy „gépi tanulás”, akkor az úgy hangzik, hogy itt csak egy tudományág van. Kettő van, és ha a vállalkozások nem értik a különbséget, akkor bajok világát élhetik meg.

Két gépi tanulás mese

Képzelje el, hogy felvesz egy szakácsot, aki épít neked egy sütőt, vagy egy villamosmérnök, aki kenyeret süt neked. Amikor a gépi tanulásról van szó, ez az a fajta hiba, amelyet a vállalkozások újra és újra elkövetnek.

Ha pékséget nyit, nagyszerű ötlet egy tapasztalt pék felvétele, aki jártas a finom kenyér és péksütemény készítésének árnyalataiban. Sütőt is szeretne. Bár ez egy kritikus eszköz, fogadni mernék, hogy nem töltené fel a legjobb cukrász szakácsot azzal a feladattal, hogy tudja, hogyan kell felépíteni azt a sütőt; akkor miért koncentrál a cége a gépi tanulás megfelelőjére?

Kenyérkészítéssel foglalkozik? Vagy sütőkészítés?

Gépi tanulás kutatása

Amit nem mondanak el, az az, hogy mindezek a gépi tanfolyamok és tankönyvek arról szólnak, hogy a sütőket (és mikrohullámú sütőket, turmixgépeket, kenyérpirítókat, vízforralókat … a konyhai mosogatót!) miként lehet a semmiből felépíteni, és nem arról, hogyan kell főzni és újítani receptekkel.

Ha gépi tanulási algoritmusokat készít, akkor a célja általános célú eszközök mások számára. (Konyhai eszközök, ha inkább az analógiát részesíti előnyben.) Ezt az üzletet gépi tanulás kutatásának nevezik , és általában olyan helyek végzik, mint az egyetemek vagy a Google.

Ami a gépi tanulást illeti, sok szervezet rossz üzleti tevékenységet folytat.

Meglehetősen sok oktatásra van szükséged ahhoz, hogy ebben a munkakörben legyél, mert hosszú történelem van itt. Néhány népszerű algoritmus évszázadok óta létezik. Például a regresszió legkisebb négyzeteinek módszerét 1805-ben tették közzé. Bízzon bennem, az emberiség nagy utat tett meg 200 év alatt.

Ma vannak elég kifinomult készülékek … hogyan fogsz építeni egy jobb mikrohullámú sütőt, ha nem tudod, hogy működik ez? Természetesen minden átfogó tanulmányra szükséged van! A kutatóvá válás évekig tart, és jó oka van annak, hogy a 101 tanfolyam a számítás alapjaival kezdődik.

Alkalmazott gépi tanulás

A legtöbb vállalkozás csak főzni akar – megoldani üzleti problémáit. Nem érdekli őket a mikrohullámok értékesítése, mégis gyakran elkövetik azt a hibát, hogy a semmiből próbálják megépíteni ezeket a készülékeket. Nehéz őket hibáztatni – a jelenlegi hype és oktatási ciklus túlnyomórészt a kutatásra összpontosít, az alkalmazás helyett.

Ha receptekkel újítasz, ne találd újra a kereket. Ezek a mikrohullámok már léteznek. Sok helyről ingyen beszerezheti őket. És ha a saját gépi konyhája beállítása fáradságosnak tűnik, a Google Cloud Platform-hoz hasonló szolgáltatók lehetővé teszik az övék használatát készülékekkel, alapanyagokkal és receptkönyvekkel kiegészítve.

Ha újít a konyhában, ne találja ki újra a kereket.

A legtöbb alkalmazásban a csapatának nem kell jobban megértenie az ideghálózatok hátteresítésének matematikáját, mint egy szakácsnak ismernie a mikrohullámú sütő bekötési rajzát. De sok mindent tudnia kell arról, hogy ipari méretű konyhát tervez-e üzemeltetni, az összetevők gondozásától kezdve az ételek megfelelőségének ellenőrzéséig, mielőtt felszolgálná őket.

Összeomlás és égés gépi tanulással

Sajnos azt látom, hogy sok vállalkozásnak nem sikerül kiaknáznia a gépi tanulás értékét, mert nem veszik észre, hogy az alkalmazott oldal az algoritmusok kutatási oldalától nagyon eltérő tudományág. Ehelyett a vezetők úgy próbálják elindítani a konyhájukat, hogy felveszik azokat az embereket, akik egész életükben mikrohullámú alkatrészeket építettek, de még soha nem főztek semmit. Mi történhet rosszul? Ha ez sikerül, az azért van, mert szerencséd lett és véletlenül felvettél egy mérnököt, aki nagy szakács.

De általában nem vagy szerencsés. Egy élet alatt csak annyi óra van, és ha azt tölti, hogy megtanulja, hogyan kell a mikrohullámú sütőt bekötni, akkor kevesebbet kell fordítania a cukrászda vagy az üzleti művészet elsajátítására. Hol és mikor! – PhD-képzéssel rendelkező mesterséges intelligencia-kutatója megszerezte volna az alkalmazott gépi tanuláshoz szükséges készségeket? Ha a hibridre helyezi a szívét, aki mindkettő szakértője, akkor nem csoda, ha a tehetséghiányra panaszkodik!

Kiket vegyen fel helyette? Csakúgy, mint egy ipari konyhában, itt is szükség van egy interdiszciplináris vezetői csapatra, amely megérti ezt a teret. Ellenkező esetben a projektek pezsegnek és nem mennek sehova.

Megfelelő csapat felvétele a munkához

Ha csúcskészülékeket árusít, alkalmazzon kutatókat. Ha újszerű recepteket kínál az élelmiszerek nagymértékű értékesítéséhez, olyan emberekre van szüksége, akik rájönnek, hogy mit érdemes főzni / mi a cél ( döntéshozók és termékmenedzserek ), akik megérzik a beszállítókat és a ügyfelek ( szakterület-szakértők és társadalomtudósok ), emberek, akik az összetevőket nagymértékben képesek feldolgozni ( adatmérnökök és elemzők ), akik sokféle összetevő-készülék kombinációt gyorsan kipróbálhatnak a létrehozáshoz potenciális receptek ( alkalmazott ML mérnökök ), olyan emberek, akik ellenőrizhetik, hogy a recept minősége elég jó-e a kiszolgáláshoz ( statisztikusok ), akik potenciális receptet millióvá alakítanak az ételeket hatékonyan szolgálják fel ( szoftvermérnökök ), az interdiszciplináris csapatot pályán tartó emberek ( projekt- / programmenedzserek ), és azokat, akik biztosítják, hogy ételei csúcsminőségűek maradjanak, még akkor is, ha szállító teherautó rengeteg burgonyát hoz neked a megrendelt rizs helyett ( megbízhatósági mérnökök ).

Bár ezeknek nem feltétlenül különálló személyeknek kell lenniük, győződjön meg arról, hogy minden szerepkörre kiterjed. És mielőtt rám röpítené a rothadt paradicsomot, amiért ilyen hiányos karikatúrát adtam, szabadon bevallom, hogy sokkal több mondanivaló van az alkalmazott gépi tanuláshoz való felvételről. Ezt kihelyeztem más bejegyzésekbe, beleértve ezt is.

Ha a kiszervezésről beszélünk, ha csapata kipróbálta az összes létező eszközt, és nem tud olyan receptet készíteni, amely megfelel az üzleti céloknak, akkor érdemes gondolkodnia az építőipari készségek hozzáadásán ( kutató ). Függetlenül attól, hogy felveszi-e az adott személyt az állandó munkatársaihoz, vagy kiszervezi-e a munkát egy tapasztalt algoritmus-kutató céghez, a működésének mértékétől és érettségétől függ.

A kutatókkal való kapcsolattartás másik oka, hogy prototípusa olyan sikeres, hogy az egyedi gyártású készülékek használatának olyan nagyságrendben van értelme, amellyel szerencsésen működhet. (Milyen nagy probléma van!)

Döntési intelligencia

A szakértőknek beszélniük kellene erről, de nem. Nem tartják be azt a tényt, hogy valóban két gépi tanulás van itt, és ezért a világ képzi az embereket mindezen algoritmusok felépítésére, de nem használatukra.

Csapatom ezen dolgozik. Létrehoztunk egy új tudományterületet, amely lefedi az alkalmazott oldalt, és már több mint 15 000 munkatársat képeztünk ki benne. Döntési intelligenciának hívjuk, és átfogja a gépi tanulás és az adattudomány összes alkalmazott aspektusát.

Másképp fogalmazva, ha a kutatási gépi tanulás mikrohullámokat épít, az alkalmazott gépi tanulás pedig mikrohullámokat használ, a döntési intelligencia biztonságosan használja a mikrókat a céljainak eléréséhez, és mást használ, amikor nincs szüksége mikrohullámú sütőre.

Sok szerencsét és jó szórakozást!

Az alkalmazott gépi tanulás során a legnehezebb az, hogy tudd, mit szeretnél főzni, és hogyan tervezed ellenőrizni, mielőtt kiszolgálod az ügyfeleidnek. Ez a rész valójában nem olyan nehéz – csak ne felejtsd el megcsinálni.

Ami a többit illeti, az üzleti problémák megoldása a gépi tanulással sokkal könnyebb, mint azt a legtöbb ember gondolja. Azok a csillogó konyhák arra várnak, hogy jöjjön el játszani bennük. Merüljön el úgy, mint egy igazi konyhában. Kezdje el bütykölni! Valahányszor találkozom valakivel, aki úgy véli, hogy hagyományos gépi tanulási algoritmusokat kell elvégeznie – vagy, jóisten! egy teljes fokozat – a kezdéshez nem tudom elképzelni, hogy elutasítják a mikrohullámok használatát, amíg maguk nem építenek egyet. Ne essen bele a hazugságba, amely szerint PhD-re van szüksége, hogy elképesztő dolgokat hajtson végre a gépi tanulással. Ehelyett valóban szüksége van egy kis emberi kreativitásra. Sok szerencsét és jó szórakozást!