Hasil Bisnis yang Lebih Baik dengan Mengoperasikan Kecerdasan Buatan dalam Skala Besar

Kecerdasan buatan (AI) mendorong normal baru untuk bisnis di seluruh industri. Pengecer dapat, misalnya, menggunakan AI untuk memprediksi pesanan pembelian pada data inventaris historis untuk mendorong keputusan penyetokan ulang yang cerdas. Tim dukungan pelanggan dapat menggunakan AI untuk secara otomatis merespons dan mengarahkan tiket dukungan pelanggan prioritas tinggi ke tim yang tepat. Ada banyak kemungkinan tempat Anda dapat menggunakan AI, dan khususnya ML, untuk mendorong hasil bisnis yang praktis.

Menurut Deloitte Insights, 83% pengadopsi awal AI perusahaan melihat laba atas investasi (ROI) positif dari proyek dalam produksi. Ini termasuk contoh-contoh seperti implementasi perangkat lunak perusahaan pihak ketiga menggunakan AI, penggunaan chatbots dan asisten virtual, dan mesin rekomendasi untuk platform e-commerce. Delapan puluh tiga persen perusahaan yang disurvei berencana meningkatkan pengeluaran untuk AI pada 2019. Dari perusahaan yang berinvestasi di AI, 63% telah mengadopsi ML.

Membangun strategi untuk menggunakan AI dan ML secara pragmatis untuk mencapai tujuan bisnis adalah prioritas utama bagi banyak perusahaan. Bagi banyak orang, tantangan utama untuk berhasil mengoperasionalkan ML adalah memahami, merencanakan, dan melaksanakan pengelolaan penerapan ML holistik di seluruh organisasi.

Pertimbangan utama untuk mengoperasionalkan ML

Cara yang 'tepat' untuk menangani siklus hidup ilmu data berbeda dari satu organisasi ke organisasi lainnya. Banyak upaya telah dilakukan untuk mengkodifikasi dan menstandardisasi prosedur siklus hidup ilmu data. Namun, tidak ada satu pendekatan pun yang memenuhi kebutuhan setiap perusahaan.

Merangkul strategi yang berkelanjutan dan dapat dipelihara untuk data dan ilmu data adalah latihan yang terus berkembang yang berbeda untuk setiap perusahaan. Karena kebutuhan, struktur, dan kemampuan setiap perusahaan adalah unik, pemangku kepentingan dari seluruh perusahaan harus diajak berkonsultasi untuk membangun model ML yang fleksibel dan skalabel serta menjalankan strategi ilmu data holistik.

Tantangan operasional dan perubahan pada infrastruktur dan praktik pengembangan yang harus ditangani oleh setiap perusahaan akan berbeda.

Sangat penting bagi organisasi Anda untuk mempertimbangkan budaya, sistem, dan kebutuhan Anda saat mendefinisikan dan mengembangkan siklus hidup ilmu data. Memiliki kerangka kerja dasar untuk disajikan di seluruh tim membantu mengembangkan dasar umum untuk komunikasi sementara Anda terus mengembangkan dan mengembangkan operasionalisasi ML Anda.

Mari kita telusuri kerangka kerja standar yang dapat membantu organisasi Anda memulai perjalanan ML-nya.

Tahap satu:Tentukan masalah Anda

Inti dari setiap inisiatif ML adalah dua pertanyaan:

1. Masalah apa yang ingin Anda pecahkan?

2. Mengapa Anda yakin ML dan pemahaman yang lebih baik tentang data Anda dapat membantu Anda memecahkan masalah yang dihadapi?

Jawaban atas pertanyaan ini bergantung pada cara perusahaan Anda memikirkan strategi dan mengevaluasi masalah bisnis.

Selama fase pertama, pemangku kepentingan utama harus berkumpul untuk menentukan ruang lingkup awal masalah dan persyaratannya.

Tahap dua:Pahami data Anda

Apa cerita data Anda? Dari mana data Anda berasal, dan berapa banyak sumber data yang relevan untuk membantu Anda memecahkan masalah bisnis spesifik Anda?

Selama fase ini, perusahaan fokus pada:

• Memetakan sumber data yang relevan dan lingkungan tempat mereka tinggal (lingkungan seperti itu mungkin lokal atau di cloud, disiapkan sebagai gudang data, data lake, atau platform data streaming)

• Menentukan pipeline data mana yang saat ini ada, dan pipeline data mana yang perlu dibangun untuk validasi, pembersihan, dan eksplorasi data

• Memahami seberapa sering data diperbarui

• Memahami keandalan data

• Mengevaluasi pertimbangan dan persyaratan privasi data

• Mengaktifkan eksplorasi data melalui visualisasi, properti statistik dari data mentah dan yang diubah, dll.

Memahami data Anda bukanlah tugas kecil. Sangat penting untuk mendekati fase ini secara iteratif. Saat Anda menemukan lebih banyak tentang data Anda, Anda mungkin menemukan masalah yang memengaruhi kemampuan Anda untuk memecahkan masalah yang selanjutnya mungkin mengharuskan Anda mendefinisikan ulang atau mengubah cakupan masalah dari fase pertama.

Tahap ketiga:Bangun model ML

Setelah data Anda siap, saatnya ilmuwan data Anda membuat model ML. Langkah-langkah umum untuk membangun model ML yang tangguh meliputi:

• Ekstraksi dan fitur rekayasa (termasuk binning, pemutihan data, dan penerapan transformasi statistik)

• Memilih fitur

• Melatih model (termasuk membagi data menjadi sejumlah set data pelatihan, validasi silang, dan validasi)

• Menyetel hyperparameter

• Mengevaluasi model

• Memvalidasi signifikansi statistik

Mengembangkan model membutuhkan umpan balik berkelanjutan dari pemangku kepentingan bisnis. Misalnya, masalah bisnis mungkin memerlukan afinitas terhadap sensitivitas vis-à-vis spesifisitas. Anda juga dapat menukar sedikit kinerja prediktif (misalnya, skor F1) untuk kinerja operasional model (misalnya, prediksi yang lebih cepat), atau keterjelasan model.

Tujuan dari ilmuwan data adalah untuk membangun model yang menggunakan data untuk menceritakan kisah yang jelas terkait dengan masalah bisnis. Saat masalah berkembang dan persyaratan berubah, pendekatan pemodelan juga harus berkembang untuk melayani konteks saat ini.

Fase empat:Terapkan model yang berkembang

Membangun model awal hanyalah awal dari perjalanan ML. Menerapkan model yang berkembang adalah langkah penting untuk penciptaan nilai jangka panjang bagi organisasi.

Menerapkan model yang berkembang membutuhkan:

• Melayani model (membuat model sangat tersedia dan dapat diskalakan secara horizontal)

• Mengelola versi model (termasuk rollback dan penerapan canary/challenger)

• Melatih kembali model (memodifikasi atau membangun model baru saat data baru masuk ke dalam sistem)

• Memantau model (melacak metrik operasional dan pengalaman pengguna pada waktu penayangan dan pelatihan)

Memantau data dan penyimpangan model, memerlukan spesialisasi model untuk kasus penggunaan intra-organisasi yang ditargetkan, dan memelihara jalur pipa data (di antara item pemeliharaan lainnya) sangat penting untuk kesuksesan model yang berkelanjutan.

Persyaratan di seluruh perusahaan dan industri dapat berkembang dengan cepat dan memengaruhi sumber dan input data. Misalnya, tata kelola dan kepatuhan dalam skala besar merupakan pertimbangan yang mencakup seluruh siklus hidup ilmu data.

Kepatuhan terhadap peraturan—seperti Peraturan Perlindungan Data Umum (GDPR) Uni Eropa (UE)—memerlukan tingkat ketertelusuran yang lebih dalam pada pembuatan versi data, pembuatan versi model, dan lapisan input model. Membangun strategi untuk menanggapi perubahan dan persyaratan industri ini melalui data dapat membantu perusahaan terus memanfaatkan ML untuk mendorong hasil bisnis yang lebih baik seperti pertumbuhan pendapatan, pengurangan biaya, dan penurunan risiko.

Apa selanjutnya?

Mengoperasikan ML dengan cara yang fleksibel, dapat dipelihara, dan dapat diskalakan memerlukan banyak langkah dan pertimbangan di luar cakupan tingkat tinggi dari apa yang telah kami uraikan di blog ini. Iblis ada dalam detailnya.

Di blog kami berikutnya, kami akan membahas lebih dalam tentang pertimbangan teknis, tantangan yang dapat muncul dari penerapan ad-hoc sistem ML skala besar, dan bagaimana UiPath membantu mengatasi tantangan umum bagi pelanggan perusahaan.