# 1: Hansı maşın öyrənməsi işiniz üçün nə edə bilər və necə tapıla bilər

Bu 6 hissədən ibarət olan dərsliyin 1-ci hissəsidir. Öyrənmə üsulu ilə maşın öyrənməsinə əsaslanan məhsulları yaratmaq üçün PM üçün addım-addım təlimat. Bütün seriyaya bir baxış üçün linkə baxın.

ML-yə yatırım etmək, 10 il əvvəl mobil investisiya etmək kimidir - işinizi dəyişə bilər

Mövcud məlumatları bilik üçün sorğu etmək, tanınmış və geniş yayılmış bir intizamdır. Bununla birlikdə, ML məlumatların təhlilində növbəti sərhəddir. Xüsusi olaraq bunu necə edəcəyini insanlara izah etmədən kompüter proqramlarının məlumatlarda müəyyənləşdirdikləri nümunələri istifadə edə bilməsi, proqnozlar verə və ya anlayışlar qazana bilməsi və bu anlayışları inkişaf etdirə biləcəyi bir intizamdır. Şirkətlər daha çox məlumat əldə edə bildikləri üçün maşın öyrənməsi onlara məlumatların miqyasını anlamağa kömək edə bilər. Təsir dərəcəsi ayrı-ayrı istifadəçilərin qarşılıqlı təsirindən qlobal tendensiyalara və planetdəki təsirlərinə qədər dəyişir. Bu biliyin istifadəsi həm də istifadəçi təcrübəsinin piksel səviyyəsində uyğunlaşdırılmasından tutmuş, hazırda mövcud olmayan yeni məhsullar və biznes imkanları yaratmağa qədər dəyişə bilər. Qeyd edək ki, ML daxili məlumatları istifadə etməkdən daha çox gedə bilər. Əvvəllər mümkün olmayan yeni məlumatlar əldə etmək üçün daxili və xarici məlumatları birləşdirərək tez-tez ML-in fəaliyyətini artırmaq olar.

A16Z’in Frank Chen, süni intellektin mümkün tətbiqləri üçün əla bir giriş var, bir çoxu maşın öyrənməsini tələb edir və ya tələb edir. Bu tətbiqlərdən bəziləri gələcək yönümlüdür və mövcud texnologiya ilə hələ tətbiq oluna bilməz, lakin imkanlar haqqında xoş təəssürat yaradır.

İstehlakçı şirkətlər 8-10 il əvvəl mobil cihazlara investisiya qoymaq barədə düşündükləri kimi, indi şirkətlərin ML-ni iş nəticələrini əldə etməyə kömək edə biləcək bir texnologiya kimi araşdırma vaxtıdır. Mövcud ML texnologiyalarından istifadəyə diqqət yetirən şirkətlər üçün təklif etdiyiniz ML funksiyaları üçün bir neçə əsas mövzu var. Bunlar tükənməz və ya qarşılıqlı deyil, ancaq şirkətinizə mümkün təsirlərin fərqli perspektivlərini əks etdirir:

  • Ətraf mühitə, təcrübəyə və istifadəçinin sistem reaksiyalarına kütləvi uyğunlaşma. Bir insanın gördüyü və ya gördüyü hər şeyi onlara uyğunlaşdıra biləcəyini və hətta ehtiyaclarını və davranışlarını təxmin edə biləcəyini düşünün. Buraya məhsul və ya xidmətlər üçün uyğunluqlarına görə sifariş verilmiş tövsiyələr daxildir. Tətbiq olunan istifadəçi təcrübəsi və ya istifadəçi haqqında biliklərinizə, davranışlarına, onun kimi digər insanlara və ya xarici məlumatlara əsaslanaraq, sonrakıları nə edəcəyini proqnozlaşdırmaq və s. Əsas götürərək, daha kiçik miqyasda bu təcrübəni seqmentlərə uyğunlaşdıra bilər. fərdlər yerinə aparıcı istifadəçilər.
  • Vizual olaraq obyektləri müəyyənləşdirmək və təcrübələri müvafiq olaraq avtomatlaşdırmaq və ya uyğunlaşdırmaq imkanı. Bugünkü texnologiya fotoşəkillər və videolardakı obyektləri, canlı kamerada da müəyyən edə bilər. Bu şəkildə Pinterest istifadəçinin baxdığı bir fotoda oxşar / tamamlayıcı obyektlər təklif edir. Facebook, fotoşəkil etiket etmələrini dostlarına təklif etmək üçün üz tanıma texnologiyasından istifadə edir. Amazon obyektlərin vizual identifikasiyası və s. Əsasında avtomatik yoxlama yaradır.
  • Avtomatik axtarış, məzmunun yaradılması və ya işlənməsi. ML dünyada çox miqdarda məzmunun sürətli işlənməsinə imkan verir. Ümumi istifadələr sənədlərin alınmasıdır, məs. Hüquqi işlə əlaqəli bütün sənədləri tapın (bu açar sözlərdən kənara çıxdığını unutmayın), sənədləri mövzu və açar sözlər üzrə təsnif edin, məzmunu avtomatik olaraq ümumiləşdirin, böyük miqdarda məzmundan müvafiq məlumatları çıxarın - məsələn Satış müqavilələrində və s. Müəyyən şərtləri axtarın. "Məzmun" burada yalnız mətnə ​​deyil, bütün növ medialara aiddir.
  • Bir miqyasda proqnozlar, qiymətləndirmələr və meyllər. ML çox bahalı və ya başqa cür etmək çətin olan proqnozlar verir. ML, əks halda yüksək səviyyədə təcrübə tələb edən proqnoz vermək üçün faydalıdır, məsələn Məsələn, bir evin qiyməti və ya bir insanın sosial mediada nəyin yaxşı olduğunu müəyyənləşdirməsi qeyri-mümkündür. Maşınlar insanlar üçün görünməzdən əvvəl məlumatların istiqamətlərini də müəyyən edə bilər.
  • Qeyri-adi fəaliyyətlərin və ya sistem səhvlərinin aşkarlanması. Hər sistemdə səhvlər və problemlər var. ML ilə ancaq problemlərin meydana gəldiyini və ya qeyri-adi və həyəcan verici olub olmadığını müəyyən edə bilməzsiniz. Bu, müxtəlif nəzarət və təhlükəsizlik sistemlərində xüsusilə faydalıdır.

Strateji baxımdan, ML müxtəlif növ iş nəticələrinə nail ola bilər:

  • Müştəriləriniz üçün təkmilləşdirilmiş təcrübə və funksionallıq. Ən çox istifadə edilən hal kütləvi özelleştirmədir: Müştərilərinizə daha çox və daha səmərəli aid olan məhsulları tapın, məs. Tanışlıq saytlarında ən yaxşı oyunları, musiqi saytlarında bəyənə biləcəkləri mahnılar, satın almaq istədikləri məhsullar və s. Digər istifadə hadisəsi, başqa cür istəmədikləri qurumlar və ya vəziyyətlər barədə məlumat vermək üçün proqnozlardan istifadə etməkdir. olardı. Bu ümumi ola bilər - məsələn Zillows Zestimate, kimin baxmasından və ya fərdi müştəriyə necə uyğun gəldiyindən asılı olmayaraq bir evi bərabər qiymətləndirir. İstifadəçinin görmədiyi bir filmi xüsusi zövqünə görə qiymətləndirdiyi reytinq.
  • Daxili funksiyalar, proseslər və iş məntiqi. Dəzgahda öyrənmə sizə vaxtınıza qənaət edir və iş proseslərində və qərarlarda resurs yatırımlarınızın effektivliyini artırır. Məsələn: Kreditor potensial borc verənlərlə təmaslarını prioritetləşdirmək istəyir. Kredit təklif edildiyi zaman onu cəlb etmək üçün kimin borc götürməsini istədiyi, lakin onu qaytara biləcəyi müəyyənləşdirilməlidir. Ən kreditə layiq müştəriləri prioritet etmək mütləq cavab deyil, çünki bu müştərilərin bir çox variantları var və çevrilmə ehtimalı azdır. Buna görə daha mürəkkəb bir model tələb olunur.
  • Yeni sənaye sahələrinə və yeni məhsullara genişlənmə. Məlumat tamamilə yeni iş imkanlarını açmağa kömək edə bilər - mövcud müştəriləriniz üçün yeni məhsullar yaratmaq və ya əvvəllər xidmət göstərmədiyiniz seqmentlər və ya müştərilərə xidmət etmək. Məsələn, Netflix əsas auditoriya olmayan studiyalara hansı mövzuların və hekayələrin hansı tamaşaçıya uyğun olduğu barədə məlumat anlayışlarını sataraq xidmət göstərə bilər. Zillow, daşınmaz əmlak inkişaf etdiricilərinə investisiya baxımından ən yüksək gəlir əldə etmək üçün hansı tikinti funksiyalarının istifadə edildiyini başa düşməyə kömək edə bilər.

Əvvəlcə hansı sahənin hədəf alınacağına qərar vermə potensial biznes təsirindən, problemin mürəkkəbliyindən və bu təsirə nail olmağın dəyərindən asılı olmalıdır.

"Verilənlərimizlə bir şey etməliyik" bir strategiya deyil, məlumat elmi deyil, problemdir

Bir çox şirkət məlumat alimlərini, ML modellərini quran insanları axtarır, çünki "məlumatlarımızla bir şey etməliyik". Eşitmişdim ki, görkəmli şirkətlərdə bir çox idarəçi "Rəqiblərimizin məlumat aldığını görürük, buna görə də rəqabətdə qalmaq üçün bunu etməliyik." Sonra bir az sehr hazırlayacaqlarına ümid edərək bir neçə məlumat alimini işə götürdük. Bu, ML haqqında böyük bir anlaşılmazlığa səbəb olur.

ML şirkətiniz üçün sehrli bir çubuq deyil. ML-də ilk problem texnologiyanın sürməli olduğu biznes təsirini müəyyənləşdirməkdir. ML bir həlldir - əvvəlcə problemi müəyyənləşdirməlisiniz: ML ilə hansı iş nəticələrini əldə etmək istəyirsiniz? ML müştərilərinizə nə fayda gətirə bilər? ML bir çəkicdir - amma dırnağınız yoxdursa, çəkic xüsusilə faydalı deyil. Klişeni daha da genişləndirmək üçün, ML olduqca çox yönlü bir çəkicdir. Dırnaq növü hansı çəkic seçdiyinizi və necə istifadə etdiyinizi müəyyənləşdirir. Həll etməyə çalışdığınız dəqiq problem hər şeyi müəyyənləşdirir - nəticənin necə istifadə olunduğunu, modelinizin nəyi proqnozlaşdırdığını və necə kalibrlənməli olduğunu, hansı məlumatları toplayıb emal etdiyinizi, sınadığınız alqoritmləri və bir çox başqa sualları.

Əslində, "Hansı problemi həll edirik?" Bu tərifin nəticədə məlumat alimləri deyil məhsul rəhbərləri və direktorlarının məsuliyyəti olduğunu ifadə edən bir iş sualı. Məlumat alimləri və digər maraqlı tərəflər mütləq tərifə daxil edilməlidir - yalnız sualları onlara atmayın və cavablarla geri qayıtmalarını gözləməyin. Tanımadığınız məlumatlarınız varsa, şirkətin digər müştəriləri ilə müştəri görüşləri və fikirlərini aparın. Məlumat alimləri məlumatlarınızı, fikirlərinizi və iterasiyalarınızı araşdırmağa kömək edə bilər. Bununla birlikdə problemli sahələr haqqında geniş məlumatınız yoxdursa, iş kassasını özünüz yaratmaq çətindir. Şirkət üçün ML dəyərini artırmaq üçün məhsul menecerləri və məlumat alimləri arasında davamlı əməkdaşlıq tələb olunur, burada məhsul menecerləri həll ediləcək problemlərin şirkət üçün ən təsirli olmasını təmin edir.

ML işinizi necə inkişaf etdirə bilər

ML-nin imkanları sonsuz olsa da, texnologiyanın işinizə necə tətbiq olunacağını öyrənmək üçün özünüzə bir neçə sual verə bilərsiniz. Bəzi nümunələr:

Daxili proseslər

  • Bu gün şirkətimdəki insanlar, bacarıqlarının başqa yerlərdə daha yaxşı istifadə edilməsi üçün avtomatlaşdırıla bilən qərarlar vermək üçün biliklərdən harada istifadə edirlər?
  • Adətən hansı məlumatları axtarır, şirkətimdəki müəyyən məlumat mağazalarından yığır və ya çıxarır və bu necə avtomatlaşdırıla bilər?
  • Şirkətimdəki işçilər hansı qərarlar qəbul edirlər? Bir maşın, işçilərimdəki bütün məlumatları sehrli şəkildə ələ keçirirsə bu qərarlar qəbul edə bilərmi?

Mövcud müştərilər üçün məhsullar və təcrübələr

  • Müştəri qarşılıqlılığımın hansı hissələri insanlar tərəfindən tənzimlənir və bəlkə də maşınlar tərəfindən uyğunlaşdırıla bilər?
  • Müştərilərimin üstünlüklərinə, davranışlarına və ehtiyaclarına görə dəqiq bir seqmentim var? Məhsulum / təcrübəm hər seqmentə uyğun gəlirmi?
  • Hər bir müştəri üçün təcrübələrimi onlar haqqında bildiklərimə və ya saytım / tətbiqetməm / məhsulumla necə əlaqəli olduğuna görə düzəldə bilərəmmi? Onlar üçün necə daha yaxşı, daha sürətli və ya daha xoş bir təcrübə yarada bilərəm?
  • Bu gün müştərilərimdən soruşmaq istədiyim qərar və qərarlar nədir? Bu qərarlar mənim artıq bildiyim və ya edə biləcəyim məlumatlara əsasən avtomatlaşdırıla bilərmi?
  • Yaxşı və ya pis müştəri təcrübələrini necə daha yaxşı müəyyənləşdirə bilərəm? Müştəri təcrübəsinə və ya müştəri məmnuniyyətinə mənfi təsir edən problemləri ortaya çıxmazdan və yayılmadan müəyyən edə bilərəmmi?

Yeni sənaye və ya müştərilər

  • Sənayedə və ya əlaqədar sahələrdə digər maraqlı tərəflər üçün faydalı ola biləcək məlumatlarım varmı? Bu maraqlı tərəflər hansı qərarlar qəbul edə bilər?

Hər şey yuxarıda

  • Düzgün proqnozlaşdırıldığı təqdirdə hansı ölçümlər və ya meyllər müştərilərimə xidmət etmək və ya başqa bir şəkildə sənayedə rəqabət etmək qabiliyyətimə təsir edə bilər, məsələn müəyyən məhsul kateqoriyalarına olan proqnoz tələbi, maya dəyərinin dəyişməsi və s?
  • Məlumat topladığım əsas qurumlar hansılardır (insanlar, şirkətlər, məhsullar və s.)? Bu məlumatları xarici məlumatlara (ictimai mənbələrdən, tərəfdaşlardan və s.) Mənə bu qurumlar haqqında yeni və ya faydalı bir şey izah edə bilərəmmi? Kim və necə üçün faydalıdır? Məsələn: məhsulunuzu tapmağa hazırlaşan potensial müştəriləri müəyyənləşdirin, xarici amillərin sənayedə tələbə necə təsir etdiyini anlayın və buna uyğun reaksiya verin və s.

Bu suallardan bəzilərini (və başqalarını) komandanız və təşkilatdakı əsas tərəflərlə birlikdə düşünün. Haradan başlamaq barədə əmin deyilsinizsə, bir yerdən başlayın. Yalnız bəzi məlumatlarla təcrübə etsəniz, sizin və komandanızın oradan hara getməli olduğunu anlaya bilərsiniz.

2-ci hissədə, PM-lərin texnoloji seçimin problem tərifinizə necə təsir etdiyini başa düşmələri üçün lazım olan bütün ML terminləri və bəzi işləmə problemlərinizin işinizə təsir etməsi müzakirə olunur.

Bu yazını maraqlı görmüsünüzsə, zəhmət olmasa onu mənə bildirə və ya bölüşməyiniz üçün aşağıdakı yaşıl ürəkləri vurun. Bu tamamilə mənim günüm olacaqdı!