AI-Projekte schlagen aus einem bestimmten Grund fehl. Wie können Sie erfolgreich sein?

Beginnen Sie nicht mit Ihren Daten. Es ist das Problem, das am meisten zählt.

„Wir haben Tonnen von Daten. Wie können wir es mit AI nutzen? “

Diese Frage stellen sich täglich immer mehr Unternehmen.

Die Begeisterung für künstliche Intelligenz schafft ein Gefühl von FOMO (Angst, etwas zu verpassen) bei großen und kleinen Organisationen. Was ist, wenn wir alle die KI nicht nutzen und hinter der Konkurrenz zurückbleiben?

Sicherlich ist es ein gutes Stück Wahrheit, all diese Fragen zu stellen. Es gibt jedoch eine wichtige Einschränkung.

Sie müssen sich Ihren KI-Projekten aus dem richtigen Winkel nähern.

Wie Unternehmen AI nutzen

Wir arbeiten in einem Unternehmen, das darauf spezialisiert ist, anderen dabei zu helfen, diese Welle zu bewältigen, und sprechen häufig mit Führungskräften und Projektmanagern, die KI auch in ihre Unternehmen bringen möchten.

Mit einigen Ausnahmen fallen diese Unternehmen in zwei Kategorien:

  1. Es gibt visionäre Unternehmen, die wissen, was sie mit KI machen wollen, und die einen ziemlich detaillierten Aktionsplan haben.
  2. Oft genug stoßen wir jedoch auf Unternehmen mit einem Aktionsplan, der ungefähr so ​​aussieht:
  • Daten bekommen
  • Maschinelles Lernen anwenden
  • ????
  • Profitieren

Jetzt ist dieser 4-Stufen-Aktionsplan keineswegs dumm oder zu 100% falsch. Sie benötigen relevante Daten. Maschinelles Lernen wird wahrscheinlich helfen, es in etwas Nützliches zu übersetzen. Und natürlich möchten Sie einen gewissen Nutzen aus dem Projekt ziehen.

Es gibt nur eine Sache, die mit diesem Plan falsch ist.

Es fehlen einige Schlüsselelemente.

Nachdem wir an einer ganzen Reihe von Datenprojekten gearbeitet haben, haben wir einige wichtige Dinge entdeckt, die manche Projekte zum Erfolg führen, während andere zischen und sterben.

Also, was sind die magischen Zutaten, die Ihre maschinellen Lernbemühungen dazu bringen, mit größerer Wahrscheinlichkeit einen positiven ROI zu erzielen?

Beginnen wir damit, zu verstehen, wo Unternehmen, möglicherweise auch Ihre, heute stehen.

Die meisten Unternehmen, auch kleine, generieren große Datenmengen. Dies können beliebige Daten sein. Denken Sie zum Beispiel an jede Art von Protokollen: Verwendungsprotokolle, Kommunikationsprotokolle ... Jeder hat Protokolle!

Stellen Sie sich vor, Sie sitzen auf einem Stapel von Geschäftsdaten ... Die erste Schlussfolgerung für die meisten Unternehmensleiter wäre ...

"Wir haben Unmengen von Daten - könnten wir etwas Interessantes daraus machen?"

Nennen wir dies den Data First-Ansatz.

Das Problem mit dem Data First-Ansatz

Der einfache Grund, warum Menschen KI-Projekte gerne aus Daten starten, liegt darin, dass sie dies in ihren Händen haben.

Und weil es für Menschen wirklich sehr schwierig ist, mithilfe von Tabellenkalkulationen und SQL einen Sinn für große Datenmengen zu finden, möchten wir maschinelles Lernen anwenden, um aus all dem einen Sinn zu machen.

Wäre es nicht schön, all unsere Daten an die Maschinen weiterzugeben und sie in Geschäftsideen und Gewinn umzuwandeln?

Aber das passiert normalerweise nicht.

Es ist wahrscheinlicher, dass viele clevere Leute Hypothesen aufstellen und sie anhand ihrer Daten testen. Infolgedessen finden sie möglicherweise einige Muster, die für die Geschäftsseite des Unternehmens relevant sind.

Die meisten Data First-Projekte für maschinelles Lernen sind jedoch alles andere als optimal.

Warum?

"KI-Projekte scheitern, weil die Fragen, die Unternehmen stellen, meistens falsch oder für das Unternehmen irrelevant sind."

Fügen Sie die Kosten für die Bereitstellung der Ergebnisse und deren Integration in den Workflow Ihres Teams hinzu. Irgendwann wird jemand feststellen, dass die Gewinne die Kosten nicht decken. Es kommt zu einer Ernüchterung beim maschinellen Lernen und allen weiteren Plänen, den KI-Hype-Zug zu fahren, zum Stillstand zu kommen.

Einfach ausgedrückt: Wenn Sie Ihre KI-Projekte mit Fragen starten, die die KI Ihrer Meinung nach beantworten kann, ist es wahrscheinlich, dass Sie…

  1. Stellen Sie Fragen, für deren Lösung keine KI erforderlich ist
  2. verbringen Sie viel Zeit mit der Lösung von Problemen mit geringen Auswirkungen

Also, was machst du? Wenden Sie maschinelles Lernen nicht auf Ihre Geschäftsdaten an?

Das ist alles andere als die optimale Lösung.

Geben Sie das Problem ein. Erster Ansatz

Es gibt eine alternative Möglichkeit, maschinelles Lernen auf Ihre Geschäftsdaten anzuwenden. Und wir haben gesehen, dass viel mehr Unternehmen mit dieser zweiten Lösung erfolgreich sind.

Diese andere Option wird als Problem First-Ansatz bezeichnet.

Stellen Sie sich vor, Sie führen ein ausgereiftes Unternehmen mit bereits vielen Daten. Und Sie möchten einen guten Zweck dafür finden.

Nur dieses Mal werden Sie nicht blindlings nach Mustern in diesen Daten suchen, sondern mit den Personen sprechen, die für die verschiedenen Prozesse in Ihrem Unternehmen verantwortlich sind. Diese Personen kennen die verschiedenen Seiten und Abläufe Ihres Unternehmens am besten und können die Probleme mit der größten Wirkung herausarbeiten.

"Die Leute, die am besten geeignet sind, die richtigen Fragen an AI zu stellen, sind Ihre Teammitglieder."

Bitten Sie diese Personen, eine Reihe von Problemen, die sie lösen müssen, so genau wie möglich zu definieren. Dies könnte auch ein Prozess sein, der verbessert werden muss.

Zum Beispiel könnten die mit AI lösbaren Probleme sein:

  • Was löst die Abwanderung unserer Kunden aus?
  • Wie können wir unseren Onboarding-Prozess effektiver gestalten?
  • Wie können die Kosten in unserer Produktionslinie gesenkt werden?
  • Wie kann vermieden werden, dass fehlerhafte Produkte an Kunden versendet werden?
"Erst wenn Sie die zu lösenden Probleme kennen, können Sie fragen, ob die Antwort in Daten gefunden werden kann."

Wie stelle ich der KI die richtigen Fragen?

Ihre Mitarbeiter haben keine Vorkenntnisse in AI.

Aus diesem Grund sollten wir bedenken, dass ein großer Teil der Definition dieser Problematik auf Menschen beruht, die nicht unbedingt mit den Fähigkeiten und Einschränkungen des maschinellen Lernens vertraut sind.

Es ist sinnvoll, Ihren am Ideenfindungsprozess beteiligten Teammitgliedern zumindest eine Kurzform zu geben, um zu entscheiden, ob ein Geschäftsproblem mithilfe von maschinellem Lernen automatisiert werden kann.

Generell halte ich die folgenden beiden Fragen für sinnvoll.

1. Könnte eine Person es in weniger als einer Sekunde tun? - Kredit: Andrew Ng

„Menschen können Muster hervorragend erkennen. Wir sehen überall Muster. Auch wenn es keine gibt! "

Wenn eine Mustererkennungsaufgabe so einfach ist, dass eine Person sie in weniger als einer Sekunde ausführen kann, besteht eine gute Chance, dass Sie einer Maschine beibringen können, die gleiche Aufgabe mit ähnlicher Genauigkeit, jedoch wesentlich schneller auszuführen.

Diese Aufgaben umfassen einfache Wahrnehmungsaufgaben, die jeder ausführen kann, z. B. die Entscheidung, ob ein Bild eine Katze oder einen Hund enthält. Sie umfassen jedoch auch weitaus komplexere Aufgaben wie das Überwachen von Sensordaten, um zu entscheiden, ob eine Komponente bald gewartet werden muss.

Einige gute und verlässliche Beispiele für maschinelles Lernen auf diesem Gebiet sind die Gesichtserkennung und Sprachbefehle, die auf Telefonen verwendet werden.

Mögliches Problem:

Ein häufiges Problem bei der Automatisierung menschlicher Aufgaben mit KI ist, dass je komplizierter die Aufgaben werden, desto mehr Trainingsdaten werden Sie benötigen. Zum Beispiel ist es ziemlich einfach, eine Maschine zu bauen, die die Form eines menschlichen Gesichts erkennt.

Es ist jedoch so schwierig, eine Maschine zu bauen, die genau zwischen einer Milliarde verschiedener Gesichter unterscheiden kann, dass es unwahrscheinlich ist, dass sich ein positiver ROI ergibt.

Deshalb sollten Sie sich immer überlegen, wie komplex eine Lösung ist, die Sie wirklich benötigen.

Es gibt noch eine andere Frage, die Sie stellen können ...

2. Gibt es hier ein Muster, das ich sehen könnte, wenn ich nur alles in eine Tabelle einfügen könnte?

"Glauben Sie, dass es eine fundierte Logik gibt, zu glauben, dass die Antwort auf Ihre Frage in den Daten liegt, die Sie haben?"

Zum Beispiel:

"Die Daten beziehen sich auf die Verwendungsmuster meines Produkts, daher ist es sinnvoll, den Grund für die Abwanderung aus diesen Daten abzuleiten."

Es kann schwierig sein, die richtigen Verbindungen zwischen Ihren Daten und einem Problem herzustellen. Schließlich müssen Sie ein Urteil fällen, und Ihre Logik könnte sich als falsch herausstellen.

Also, was sind die richtigen Situationen für diesen Ansatz?

Suchen Sie nach wirkungsvollen Projekten, die es wert sind, gelöst zu werden - etwas, das potenziell einen großen Wert für Ihr Unternehmen darstellt und ein geringes Risiko birgt.

Priorisieren Sie Ihre AI-Projekte

Nachdem Sie eine Reihe von Fragen oder zu lösenden Problemen gesammelt haben, können Sie diese in einer Liste priorisieren.

Es ist sehr wichtig, dass sowohl Experten für maschinelles Lernen als auch Ihre wichtigsten Mitarbeiter an diesem Prozess beteiligt sind.

Priorisieren Sie Ihre Probleme basierend auf:

  • Der potenzielle Wert, der das Problem löst, würde generiert
  • Die Schwierigkeit des maschinellen Lernprojekts
  • Die Dringlichkeit, jedes Problem zu lösen

Und schließlich gibt es noch eine wichtige Frage:

„Ist das maschinelle Lernprojekt in jeder Situation die optimale Lösung?“

Es ist gut möglich, dass Sie mit einem Computer-Vision-Projekt jeden Tag X Geld sparen. Da es jedoch ein hohes Risiko birgt und mehr als ein Jahr in Anspruch nimmt, ist es wirtschaftlich wenig sinnvoll.

Nach gründlicher Überlegung erhalten Sie eine Liste der tatsächlichen Geschäftsprobleme, die Sie mithilfe Ihrer Daten lösen können.

Data First vs. Problem First-Ansatz

Worin besteht also der Hauptunterschied zwischen Data First und Problem First?

Zum einen erfordert der Problem First-Ansatz einige zusätzliche Anstrengungen, um eine Reihe viel beschäftigter Personen zusammenzubringen und sie aufzufordern, ihre Zeit für die Ausarbeitung der Engpässe in Ihrem Unternehmen zu verwenden.

Auf der anderen Seite werden Sie mit dieser zusätzlichen Arbeit zu einer Reihe von sehr spezifischen und genau definierten Problemen gelangen, die sowohl lösbar sind als auch einen langfristigen Nutzen für das Unternehmen haben.

"Mit dem Problem First-Ansatz gelangen Sie zu einer Reihe von sehr spezifischen und genau definierten Problemen, die sowohl lösbar sind als auch einen langfristigen Nutzen für das Unternehmen haben."

Ein weiterer Vorteil des Ansatzes von Problem First besteht darin, dass, obwohl die anfänglichen Schätzungen alles andere als konkret sind, alle Beteiligten zumindest eine allgemeine Vorstellung von der Schwierigkeit des Projekts und den zu erwartenden Ergebnissen haben.

Wie stellen Sie sicher, dass Sie die richtigen Daten haben?

Dieser Prozess, die richtigen gewinnorientierten Fragen zu stellen, klingt gut, aber was ist, wenn Sie noch nicht über die richtigen Geschäftsdaten verfügen?

Auf der anderen Seite haben Sie ein Produkt, von dem Sie glauben, dass es von zusätzlicher Intelligenz profitieren könnte.

Was ist der effizienteste Weg, um die richtigen Daten zu sammeln, um Ihre Probleme zu lösen oder Ihr Produkt zu verbessern?

Was hier am besten funktioniert, ist zu überlegen, wie Ihr Produkt derzeit funktioniert. Fragen Sie sich, was die Hauptprobleme sind, die die Arbeit oder Geschwindigkeit an verschiedenen Stellen verlangsamen oder behindern.

Normalerweise können Produkte oder Dienstleistungen am besten verbessert werden:

  • Wenn menschliches Engagement erforderlich ist, fragen Sie sich, ob Sie diesen Personen helfen können, effizienter zu arbeiten, oder ob Sie die Aufgabe vollständig entfernen können.
  • Wenn die Kundenzahlen stark abnehmen - können Sie Ihr Produkt ansprechender oder ansprechender machen?
  • Wenn die Aufgabe auf einer suboptimalen Ebene ausgeführt wird - gibt es umsetzbare Schritte, die automatisiert oder sogar weggelassen werden könnten?

Nachdem Sie eine Liste der Schritte erstellt haben, die Sie verbessern möchten, ordnen Sie sie nach dem Wert, den sie möglicherweise generieren können. Suchen Sie als Nächstes einen Experten für maschinelles Lernen, der Ihnen hilft, den Schwierigkeitsgrad der einzelnen Elemente auf Ihrer Liste zu bewerten.

Es könnte sich herausstellen, dass einige Probleme mit maschinellem Lernen nicht zu lösen sind oder dass es effizienter wäre, wenn eine Person täglich an der Aufgabe arbeitet.

"Es könnte sich herausstellen, dass einige Ihrer Probleme mit maschinellem Lernen nicht zu lösen sind oder dass es effizienter wäre, eine Person an der Aufgabe zu haben."

Nachdem Sie einige der Felder herausgefunden haben, die mit AI verbessert werden könnten, sollten Sie einen Plan erstellen, wie die zur Lösung des Problems erforderlichen Daten erfasst werden. Machen Sie auch eine Abschätzung, wie viel Zeit und Ressourcen der gesamte Prozess von der Datenerfassung bis zur Ausführung in Anspruch nehmen wird.

Als Ergebnis erhalten Sie eine klare Roadmap zur Verbesserung Ihrer Produkt- / Geschäftsprozesse mit AI. Sie wissen auch, wo der größte potenzielle Wert liegt.

Die zentralen Thesen

Sie lesen den Artikel durch, sind sich aber nicht sicher, wie Sie ihn zum Wohle Ihres Unternehmens einsetzen sollen?

Hier sind einige wichtige Punkte zum Mitnehmen:

  1. Verwenden Sie den ersten Ansatz des Problems
  2. Binden Sie Ihr Team in den Entscheidungsprozess ein
  3. Stellen Sie sicher, dass Sie ML / AI verwenden müssen, um das Problem zu lösen
  4. Priorisieren Sie Ihre KI-Projekte anhand ihrer Auswirkungen
  5. Stellen Sie sicher, dass Ihr Datenerfassungsprozess optimal ist

Danke fürs Lesen! Wenn es Ihnen gefallen hat, unterstützen Sie uns, indem Sie auf klicken und den Beitrag teilen. Fühlen Sie sich frei, einen Kommentar zu hinterlassen unten!

Über den Autor: Markus Lippus ist Mitbegründer und Data Scientist bei MindTitan, einem AI-Entwicklungsunternehmen, das Unternehmen dabei hilft, ihre Geschäftsdaten optimal zu nutzen. Wir arbeiten sowohl mit Startups als auch mit Großunternehmen zusammen und decken eine breite Palette von Beratungs- und Entwicklungsprojekten für maschinelles Lernen ab. Mehr über uns erfahren Sie auf unserer Website.