Bonjour Ă tous.
Après avoir travaillé dans 12 startups dans le domaine de l'apprentissage automatique, j'ai tiré huit conclusions utiles sur les produits, les données et les personnes.
Toutes les startups provenaient de différents domaines (fintech, biotechnologie, santé, technologie de formation) et à différents stades: à la fois au stade de pré-amorçage et au stade de l'acquisition par une grande entreprise. Mon rôle a également changé. J'étais consultant stratégique, responsable de l'analyse des données, inondé d'un employé à temps plein. Toutes ces entreprises ont essayé de créer un bon produit et beaucoup ont réussi.
Pendant le travail, je suis arrivé aux conclusions suivantes:
Le produit est plus important que l'IA
Ces startups développent des produits et n'apprennent pas l'intelligence artificielle. En tant que mathématicien convaincu, j'étais d'abord intéressé par l'apprentissage automatique et la création de nouvelles méthodes et algorithmes.
Je me suis vite rendu compte que même les modèles d'apprentissage automatique précis n'avaient pas de valeur en soi. La valeur de l'IA et de l'apprentissage automatique dépend directement de la valeur du produit dans lequel ils sont utilisés. L'objectif d'une startup est d'apprendre à créer des produits d'apprentissage automatique.
Avec cette approche, il s'avère parfois que l'apprentissage automatique n'est pas l'outil le plus efficace. Parfois, la question n'est pas dans la tâche à accomplir, mais dans le processus de résolution. Même dans de telles situations, il est utile de se tourner vers les scientifiques: ils utilisent une approche scientifique basée sur les données. Cependant, ne perdez pas de temps sur l'IA où vous devez corriger le processus.
Rechercher des synergies entre les données et les produits
Vous ne pouvez pas créer quelque chose de précieux en ajoutant des prévisions basées sur un modèle d'apprentissage automatique à un produit existant. Une IA forte n'est pas un complément de produit, c'est le fondement. Dans de tels cas, c'est l'IA qui crée de la valeur. De tels produits sont développés en tenant compte de ce fait: en eux, le produit et les données fonctionnent en synergie.
Une bonne exécution se traduit par une interaction que j'appelle la «combinaison de produit et de données». Le produit réalise pleinement le potentiel des données et génère en même temps de nouvelles données nécessaires à l'amélioration.
Lorsque vous travaillez sur l'IA, non seulement les ingénieurs et les scientifiques travaillant avec ces données sont nécessaires. Le travail sur la valeur du produit est plus rapide si d'autres membres de l'équipe participent à la discussion, des chefs de produit aux chefs. Cela nécessite un niveau de connaissances et d'implication auquel même les ingénieurs travaillant dans les startups ne sont pas habitués.
Premières données, puis IA
L'IA et l'apprentissage automatique nécessitent beaucoup de données de haute qualité. Lorsque vous créez un produit à partir de zéro, pensez à collecter des données dès le premier jour. Avant d'introduire une technologie d'intelligence artificielle dans un produit existant, préparez-vous à investir beaucoup dans l'ingénierie des données et le changement architectural.
Tout d'abord, découvrez la valeur du produit, puis ne vous mettez au travail. Plus le traitement des données est efficace, plus les analyses sont informatives - ceci est extrêmement important pour le développement de l'entreprise. Vous démontrez ainsi la valeur du produit et attirez des investisseurs. Commencez à penser à l'intelligence artificielle lorsque l'analyse est fiable.
Investissez dans la communication
Pour créer un produit, vous avez besoin de chefs de produit qualifiés et d'un support de gestion. Une IA forte et un apprentissage en profondeur intéressent beaucoup de gens, mais les gens qui sont loin de l'industrie informatique ne connaissent pas ces technologies. Pour discuter de l'apprentissage automatique et de l'IA, vous devez comprendre les statistiques: une communication inefficace conduit à des attentes irréalistes.
Le chef de produit et les ingénieurs de données doivent constamment discuter des mesures commerciales et de la façon dont elles sont transformées en produit. Ceci est particulièrement important pour les ingénieurs: pour un travail efficace, ils doivent approfondir leurs connaissances dans leur domaine et dans le domaine des affaires.
Les "solutions simples et Ă©videntes" ne sont pas si Ă©videntes
Comme je l'ai mentionné ci-dessus, la tâche est souvent plus facile à résoudre en utilisant des méthodes simples et évidentes. Cela est dû en partie au fait que les décisions «simples et évidentes» d'aujourd'hui étaient complexes et originales hier. L'utilisation de
word2vec est désormais aussi simple que la
régression . De nouveaux outils émergent chaque jour et la compréhension de ces outils est importante pour un analyste de données.
L'avènement de nouveaux outils open source a conduit au fait que les plateformes propriétaires de machine learning ne sont plus une solution efficace. Bien sûr, vous devez utiliser des algorithmes propriétaires s'ils sont efficaces dans votre secteur et pour résoudre votre problème. Mais laissons les études approfondies des employés de Google - concentrons-nous sur les tâches commerciales.
En cas de doute, montrez les données aux utilisateurs
À un stade précoce, il est important d'établir un retour d'information avec le marché. Cependant, l'apprentissage automatique nécessite des données dont la collecte prend beaucoup de temps. C'est le problème: comment analyser l'image sans grandes quantités de données?
Plus souvent qu'autrement, la meilleure solution est de montrer les données accumulées aux utilisateurs. Peu importe que vous ayez peu de données: les gens ne traitent que de petites quantités de données à la fois. Découvrez comment les utilisateurs interagissent avec les données: qu'est-ce qu'ils ignorent et que veulent-ils comprendre plus en détail? De cette façon, vous comprendrez la valeur potentielle de vos données d'entreprise.
Instaurer la confiance
La confiance est la base du succès de la plupart des technologies: les gens veulent faire confiance aux technologies qu'ils utilisent. Certaines personnes craignent que l'automatisation ne les prive de leur travail, tandis que d'autres comptent sur la technologie pour prendre des décisions importantes. Dans les deux cas, la confiance dans les applications et les algorithmes d'apprentissage automatique est importante.
Si l'intelligence artificielle n'aide pas une personne à prendre des décisions, mais décide à la place, les utilisateurs perdent rapidement confiance en l'application.
La confiance est facile à perdre et extrêmement difficile à retrouver. Créez des produits auxquels les gens feront confiance.
Partagez l'article avec vos collègues, tirez des conclusions et travaillez de manière productive. Si vous avez quelque chose à partager, écrivez dans les commentaires. Plus d'informations sur l'apprentissage automatique dans le
canal de télégramme Neuron (@neurondata).
Toutes les connaissances!