مرحبا بالجميع.
بعد العمل في 12 شركة ناشئة في مجال التعلم الآلي ، قدمت ثمانية استنتاجات مفيدة حول المنتجات والبيانات والأشخاص.
كانت جميع الشركات الناشئة من مجالات مختلفة (التكنولوجيا الفائقة والتكنولوجيا الحيوية والرعاية الصحية وتكنولوجيا التدريب) وفي مراحل مختلفة: سواء في مرحلة ما قبل البذور أو في مرحلة الاستحواذ من قبل شركة كبيرة. لقد تغير دوري أيضًا. كنت مستشارًا استراتيجيًا ، ورئيسًا لتحليل البيانات ، غمرته موظف بدوام كامل. حاولت كل هذه الشركات إنشاء منتج جيد ، ونجح الكثيرون.
خلال العمل ، توصلت إلى الاستنتاجات التالية:
المنتج هو أكثر أهمية من منظمة العفو الدولية
تعمل هذه الشركات الناشئة على تطوير منتجات لا تتعلم الذكاء الاصطناعي. كوني عالم رياضيات مقتنع ، في البداية كنت أكثر اهتمامًا بالتعلم الآلي وإنشاء طرق وخوارزميات جديدة.
سرعان ما أدركت أنه حتى نماذج التعلم الآلي الدقيقة لم تكن ذات قيمة في حد ذاتها. تعتمد قيمة الذكاء الاصطناعي والتعلم الآلي بشكل مباشر على قيمة المنتج الذي يتم استخدامه فيه. الهدف من بدء التشغيل هو معرفة كيفية إنشاء منتجات تعلم الآلة.
مع هذا النهج ، يتبين أحيانًا أن التعلم الآلي ليس الأداة الأكثر فعالية. في بعض الأحيان ، ليست المسألة في المهمة قيد البحث ، ولكن في عملية الحل. حتى في مثل هذه الحالات ، من المفيد اللجوء إلى العلماء: فهم يستخدمون نهجًا علميًا يعتمد على البيانات. ومع ذلك ، لا تضيع الوقت في منظمة العفو الدولية حيث تحتاج إلى إصلاح العملية.
السعي لتحقيق التآزر بين البيانات والمنتج
لا يمكنك إنشاء شيء ذي قيمة من خلال إضافة تنبؤات تستند إلى نموذج التعلم الآلي إلى منتج موجود. AI القوي ليس مكملاً للمنتج ، إنه الأساس. في مثل هذه الحالات ، يكون الذكاء الاصطناعي هو الذي يخلق القيمة. يتم تطوير هذه المنتجات مع مراعاة هذه الحقيقة: في كل من المنتج والبيانات تعمل في تآزر.
يؤدي التنفيذ الجيد إلى تفاعل أسميه "مجموعة من المنتجات والبيانات". يدرك المنتج تمامًا إمكانات البيانات ويولد في الوقت نفسه بيانات جديدة ضرورية للتحسين.
عند العمل على الذكاء الاصطناعى ، ليست هناك حاجة فقط إلى المهندسين والعلماء الذين يعملون مع هذه البيانات. يكون العمل على قيمة المنتج أسرع إذا شارك أعضاء الفريق الآخرون في المناقشة ، من مديري المنتجات إلى المديرين. هذا يتطلب مستوى من المعرفة والمشاركة حتى المهندسين الذين يعملون في الشركات الناشئة لا يعتادون عليها.
البيانات الأولى ، ثم منظمة العفو الدولية
يحتاج الذكاء الاصطناعي والتعلم الآلي إلى الكثير من البيانات عالية الجودة. عند إنشاء منتج من نقطة الصفر ، فكر في جمع البيانات من اليوم الأول. قبل إدخال تقنية الذكاء الاصطناعي في منتج حالي ، كن مستعدًا للاستثمار كثيرًا في هندسة البيانات والتغيير المعماري.
أولاً ، تعرف على قيمة المنتج ، وبعد ذلك فقط ابدأ العمل. كلما كانت معالجة البيانات أفضل ، كانت التحليلات أكثر إفادة - وهذا أمر بالغ الأهمية لتطوير الشركة. لذلك أنت تثبت قيمة المنتج وجذب المستثمرين. ابدأ في التفكير في ذكاء الآلة عندما تكون التحليلات موثوقة.
استثمر في التواصل
لإنشاء منتج ، تحتاج إلى مديري منتجات مؤهلين ودعم إداري. الذكاء الاصطناعى القوي والتعلم العميق تهم الكثيرين ، لكن الأشخاص البعيدين عن صناعة تكنولوجيا المعلومات ليسوا على دراية بهذه التقنيات. لمناقشة التعلم الآلي وذكاء المعلومات ، تحتاج إلى فهم الإحصاءات: التواصل غير الفعال يؤدي إلى توقعات غير واقعية.
يجب على مدير المنتج ومهندسي البيانات مناقشة مقاييس العمل باستمرار وكيفية تحويلها إلى منتج. هذا مهم بشكل خاص للمهندسين: للعمل الفعال ، يحتاجون إلى تعميق المعرفة في مجالهم وفي مجال الأعمال.
"الحلول البسيطة والواضحة" ليست واضحة للغاية
كما ذكرت أعلاه ، غالبًا ما تكون المهمة أسهل في الحل باستخدام طرق بسيطة وواضحة. هذا جزئيًا لأن قرارات اليوم "البسيطة والواضحة" كانت معقدة ومبتكرة أمس. أصبح استخدام
word2vec الآن سهلاً مثل
الانحدار . تظهر أدوات جديدة كل يوم ، وفهم هذه الأدوات مهم لمحلل البيانات.
أدى ظهور أدوات جديدة مفتوحة المصدر إلى حقيقة أن الأنظمة الأساسية المسجلة الملكية في التعلم الآلي ليست حلاً فعالًا. بالطبع ، يجب عليك استخدام خوارزميات الملكية إذا كانت فعالة في مجال عملك ولحل مشكلتك. ولكن دعنا نترك الدراسات المتعمقة لموظفي Google - نركز على مهام العمل.
إذا كنت في شك ، فقم بعرض البيانات على المستخدمين
في مرحلة مبكرة ، من المهم إنشاء ملاحظات مع السوق. ومع ذلك ، فإن التعلم الآلي يتطلب بيانات تستغرق الكثير من الوقت لتجميعها. هذه هي المشكلة: كيفية تحليل الصورة دون كميات كبيرة من البيانات؟
في أغلب الأحيان ، أفضل حل هو عرض البيانات المتراكمة للمستخدمين. لا يهم أن لديك بيانات قليلة: يقوم الأشخاص بمعالجة كميات صغيرة فقط من البيانات في كل مرة. تعرف على كيفية تفاعل المستخدمين مع البيانات: ما الذي يتجاهلونه وما الذي يريدون فهمه بمزيد من التفاصيل؟ بهذه الطريقة ستفهم مدى أهمية بيانات عملك.
بناء الثقة
الثقة هي أساس نجاح معظم التقنيات: يريد الناس الثقة في التقنيات التي يستخدمونها. يشعر بعض الناس بالقلق من أن الأتمتة ستحرمهم من عملهم ، بينما يعتمد آخرون على التكنولوجيا لاتخاذ قرارات مهمة. في كلتا الحالتين ، تعد الثقة في تطبيقات وخوارزميات التعلم الآلي مهمة.
إذا لم تساعد الذكاء الاصطناعي أي شخص على اتخاذ القرارات ، ولكنه يقرر بدلاً من ذلك ، يفقد المستخدمون الثقة في التطبيق بسرعة.
الثقة سهلة الخسارة وصعبة للغاية لاستعادة. قم بإنشاء منتجات يثق بها الناس.
شارك المقال مع الزملاء واستخلص النتائج واعمل بشكل مثمر. إذا كان لديك شيء لمشاركته ، فاكتب في التعليقات. مزيد من المعلومات حول التعلم الآلي في
قناة Telegram
Neuron (neurondata).
كل المعرفة!