Hallo an alle.
Nachdem ich in 12 Startups im Bereich maschinelles Lernen gearbeitet hatte, kam ich zu acht nützlichen Schlussfolgerungen über Produkte, Daten und Personen.
Alle Startups kamen aus verschiedenen Bereichen (Fintech, Biotechnologie, Gesundheitswesen, Ausbildungstechnologie) und in verschiedenen Phasen: sowohl in der Phase vor der Gründung als auch in der Phase der Übernahme durch ein großes Unternehmen. Meine Rolle hat sich ebenfalls geändert. Ich war ein strategischer Berater, Leiter der Datenanalyse, überschwemmt von einem Vollzeitmitarbeiter. Alle diese Unternehmen haben versucht, ein gutes Produkt zu entwickeln, und viele haben es geschafft.
Während der Arbeit bin ich zu folgenden Schlussfolgerungen gekommen:
Produkt ist wichtiger als KI
Diese Startups entwickeln Produkte und lernen keine künstliche Intelligenz. Als überzeugter Mathematiker interessierte ich mich zunächst mehr für maschinelles Lernen und die Entwicklung neuer Methoden und Algorithmen.
Ich erkannte bald, dass selbst genaue Modelle des maschinellen Lernens an und für sich nicht wertvoll waren. Der Wert von KI und maschinellem Lernen hängt direkt vom Wert des Produkts ab, in dem sie verwendet werden. Das Ziel eines Startups ist es, zu lernen, wie man maschinelle Lernprodukte erstellt.
Bei diesem Ansatz stellt sich manchmal heraus, dass maschinelles Lernen nicht das effektivste Werkzeug ist. Manchmal liegt die Sache nicht in der eigentlichen Aufgabe, sondern im Lösungsprozess. Selbst in solchen Situationen ist es nützlich, sich an Wissenschaftler zu wenden: Sie verwenden einen wissenschaftlichen, datenbasierten Ansatz. Verschwenden Sie jedoch keine Zeit mit AI, wo Sie den Prozess reparieren müssen.
Streben Sie nach Synergien zwischen Daten und Produkt
Sie können nichts Wertvolles erstellen, indem Sie einem vorhandenen Produkt Prognosen hinzufügen, die auf einem maschinellen Lernmodell basieren. Eine starke KI ist keine Produktergänzung, sondern die Grundlage. In solchen Fällen schafft die KI Wert. Solche Produkte werden unter Berücksichtigung dieser Tatsache entwickelt: In ihnen arbeiten sowohl das Produkt als auch die Daten in Synergie.
Eine gute Ausführung führt zu einer Interaktion, die ich als "Kombination von Produkt und Daten" bezeichne. Das Produkt erkennt das Potenzial der Daten voll aus und generiert gleichzeitig neue Daten, die zur Verbesserung erforderlich sind.
Bei der Arbeit an KI werden nicht nur Ingenieure und Wissenschaftler benötigt, die mit diesen Daten arbeiten. Die Arbeit am Produktwert ist schneller, wenn andere Mitglieder des Teams an der Diskussion teilnehmen, von Produktmanagern bis zu Managern. Dies erfordert ein Maß an Wissen und Engagement, an das selbst die in Startups tätigen Ingenieure nicht gewöhnt sind.
Erst Daten, dann KI
KI und maschinelles Lernen benötigen viele qualitativ hochwertige Daten. Denken Sie beim Erstellen eines Produkts von Grund auf daran, Daten vom ersten Tag an zu sammeln. Bevor Sie die Technologie der künstlichen Intelligenz in ein bestehendes Produkt einführen, sollten Sie bereit sein, viel in Data Engineering und Architekturänderungen zu investieren.
Finden Sie zuerst den Wert des Produkts heraus und machen Sie sich erst dann an die Arbeit. Je besser die Datenverarbeitung, desto informativer die Analyse - dies ist für die Entwicklung des Unternehmens von entscheidender Bedeutung. So demonstrieren Sie den Wert des Produkts und ziehen Investoren an. Denken Sie über Maschinenintelligenz nach, wenn die Analyse zuverlässig ist.
In Kommunikation investieren
Um ein Produkt zu erstellen, benötigen Sie qualifizierte Produktmanager und Managementunterstützung. Starke KI und tiefes Lernen sind für viele von Interesse, aber Menschen, die weit von der IT-Branche entfernt sind, kennen sich mit diesen Technologien nicht aus. Um über maschinelles Lernen und KI zu sprechen, müssen Sie Statistiken verstehen: Ineffiziente Kommunikation führt zu unrealistischen Erwartungen.
Der Produktmanager und die Dateningenieure müssen ständig über Geschäftsmetriken und deren Umwandlung in ein Produkt diskutieren. Dies ist besonders wichtig für Ingenieure: Für eine effektive Arbeit müssen sie das Wissen auf ihrem Gebiet und im Geschäftsbereich vertiefen.
"Einfache und offensichtliche Lösungen" sind nicht so offensichtlich
Wie oben erwähnt, ist die Aufgabe oft einfacher mit einfachen und offensichtlichen Methoden zu lösen. Dies liegt zum Teil daran, dass die heutigen „einfachen und offensichtlichen“ Entscheidungen gestern komplex und originell waren. Die Verwendung von
word2vec ist jetzt so einfach wie die
Regression . Täglich tauchen neue Tools auf, und das Verständnis dieser Tools ist für einen Datenanalysten wichtig.
Das Aufkommen neuer Open Source-Tools hat dazu geführt, dass jetzt proprietäre Plattformen für maschinelles Lernen keine effektive Lösung sind. Natürlich sollten Sie proprietäre Algorithmen verwenden, wenn diese in Ihrer Branche wirksam sind und Ihr Problem lösen. Lassen Sie uns jedoch die eingehenden Studien der Google-Mitarbeiter verlassen - konzentrieren Sie sich auf Geschäftsaufgaben.
Zeigen Sie im Zweifelsfall die Daten den Benutzern
Es ist wichtig, frühzeitig ein Feedback zum Markt zu erhalten. Maschinelles Lernen erfordert jedoch Daten, deren Erfassung viel Zeit in Anspruch nimmt. Dies ist das Problem: Wie kann das Bild ohne große Datenmengen analysiert werden?
Meistens besteht die beste Lösung darin, den Benutzern die gesammelten Daten anzuzeigen. Es spielt keine Rolle, dass Sie nur wenige Daten haben: Die Benutzer verarbeiten jeweils nur kleine Datenmengen. Sehen Sie, wie Benutzer mit Daten interagieren: Was ignorieren sie und was möchten sie genauer verstehen? Auf diese Weise verstehen Sie, wie wertvoll Ihre Geschäftsdaten möglicherweise sind.
Vertrauen aufbauen
Vertrauen ist die Basis für den Erfolg der meisten Technologien: Menschen wollen den Technologien vertrauen, die sie verwenden. Einige Menschen befürchten, dass die Automatisierung sie ihrer Arbeit beraubt, während andere sich auf Technologie verlassen, um wichtige Entscheidungen zu treffen. In beiden Fällen ist das Vertrauen in Anwendungen und Algorithmen des maschinellen Lernens wichtig.
Wenn künstliche Intelligenz einer Person nicht hilft, Entscheidungen zu treffen, sondern stattdessen entscheidet, verlieren Benutzer schnell das Vertrauen in die Anwendung.
Vertrauen ist leicht zu verlieren und äußerst schwer wiederzugewinnen. Erstellen Sie Produkte, denen die Menschen vertrauen.
Teilen Sie den Artikel mit Kollegen, ziehen Sie Schlussfolgerungen und arbeiten Sie produktiv. Wenn Sie etwas zu teilen haben, schreiben Sie in die Kommentare. Weitere Informationen zum maschinellen Lernen im
Telegrammkanal Neuron (@neurondata).
Alles Wissen!