# 1: Ano ang maaaring gawin ng machine learning para sa iyong negosyo at kung paano malaman

Ito ay bahagi 1 ng 6-bahagi na tutorial Ang hakbang-hakbang na gabay para sa PM na lumikha ng mga produkto na nakabase sa pag-aaral ng machine. Sundin ang link para sa isang pangkalahatang-ideya ng buong serye.

Ang pamumuhunan sa ML ay tulad ng pamumuhunan sa mobile 10 taon na ang nakakaraan - mababago nito ang iyong negosyo

Ang pagtatanong ng umiiral na data para sa kaalaman ay isang kilalang at laganap na disiplina. Gayunpaman, ang ML ay ang susunod na hangganan sa pagsusuri ng data. Ito ay isang disiplina kung saan ang mga programang computer ay maaaring gumamit ng mga pattern na kinikilala nila sa data, gumawa ng mga hula o makakuha ng mga pananaw, at pagbutihin ang mga pananaw sa pamamagitan ng karanasan - nang walang partikular na sinasabi sa kanila ng mga tao kung paano ito gagawin. Tulad ng pag-access ng mga kumpanya sa mas maraming data, ang pagkatuto ng makina ay makakatulong sa kanila na maunawaan ang sukat ng data. Ang butil ng sukat mula sa pakikipag-ugnayan ng mga indibidwal na mga gumagamit sa pandaigdigang mga uso at ang kanilang mga epekto sa planeta. Ang paggamit ng kaalamang ito ay maaari ring saklaw mula sa pag-adapt ng karanasan ng gumagamit sa antas ng pixel hanggang sa paglikha ng mga bagong produkto at mga pagkakataon sa negosyo na hindi kasalukuyang umiiral. Tandaan na ang ML ay maaaring lumayo nang higit pa sa paggamit ng panloob na data. Ang pagganap ng ML ay madalas na nadagdagan sa pamamagitan ng pagsasama ng panloob at panlabas na data upang makakuha ng mga bagong pananaw na dati ay hindi posible.

Ang A16Z's Frank Chen ay may isang mahusay na pagpapakilala sa mga potensyal na aplikasyon ng artipisyal na katalinuhan, na marami sa mga nangangailangan o mangangailangan ng pagkatuto ng makina. Ang ilan sa mga application na ito ay nakatuon sa hinaharap at hindi pa maipatupad kasama ang umiiral na teknolohiya, ngunit magbigay ng isang mahusay na impression sa mga posibilidad.

Tulad ng naisip ng mga kumpanya ng mamimili tungkol sa pamumuhunan sa mga mobile device 8 hanggang 10 taon na ang nakakaraan, ngayon na ang panahon para sa mga kumpanya na galugarin ang ML bilang isang teknolohiya na makakatulong sa pagmamaneho ng mga resulta ng negosyo. Para sa mga kumpanya na nakatuon sa paggamit ng umiiral na mga teknolohiya sa ML, maraming mga pangunahing paksa para sa mga pag-andar ng ML na iyong inaalok. Ang mga ito ay hindi kumpleto o kapwa eksklusibo, ngunit kumakatawan sa iba't ibang mga pananaw para sa mga posibleng epekto sa iyong kumpanya:

  • Mass pagbagay sa kapaligiran, karanasan at mga reaksyon ng system ng isang gumagamit. Isipin na ang lahat ng ginagawa o nakikita ng isang tao ay maaaring maiayon sa kanila, at inaasahan din ang kanilang mga pangangailangan at pag-uugali. Kasama dito ang mga rekomendasyon para sa mga produkto o serbisyo na iniutos ayon sa kanilang kaugnayan. Naranasan ang karanasan o daloy ng gumagamit batay sa iyong kaalaman sa gumagamit, sa kanilang pag-uugali, ibang tao na tulad niya o panlabas na data, kasama na ang paghula kung ano ang nais nilang gawin sa susunod, atbp Sa isang mas maliit na sukat, maaari itong maiakma ang karanasan sa mga segment ng humantong ang mga gumagamit sa halip na mga indibidwal.
  • Ang kakayahang biswal na makilala ang mga bagay at i-automate o iakma ang naaangkop na mga karanasan. Ang teknolohiya ngayon ay maaaring makilala ang mga bagay sa mga larawan at video, kahit na sa isang live na camera. Sa ganitong paraan, nagmumungkahi ang Pinterest ng magkatulad / pantulong na mga bagay sa mga nasa larawan na tinitingnan ng gumagamit. Gumagamit ang Facebook ng teknolohiyang pagkilala sa facial upang magmungkahi sa mga kaibigan na dapat silang mag-tag ng isang larawan. Lumilikha ang Amazon ng isang awtomatikong pag-checkout batay sa visual na pagkakakilanlan ng mga bagay, atbp.
  • Awtomatikong pagkuha, paggawa o pagproseso ng nilalaman. Pinapayagan ng ML ang mabilis na pagproseso ng malaking halaga ng nilalaman sa mundo. Karaniwang gamit ay pagkuha ng dokumento, hal. Hanapin ang lahat ng mga dokumento na may kaugnayan sa isang ligal na kaso (tandaan na ito ay lampas sa mga keyword), pag-uri-uriin ang mga dokumento ayon sa paksa at mga keyword, awtomatikong buod ang nilalaman, kunin ang may-katuturang impormasyon mula sa malaking halaga ng nilalaman - hal. Maghanap para sa mga tiyak na termino sa mga kontrata sa pagbebenta, atbp. "Nilalaman" dito ay tumutukoy sa lahat ng mga uri ng media, hindi lamang teksto.
  • Mga hula, mga pagtatantya at mga uso sa isang scale. Pinapayagan ng ML ang mga hula na napakamahal o kung hindi man mahirap gawin. Ang ML ay partikular na kapaki-pakinabang para sa paggawa ng mga hula na kung hindi man ay nangangailangan ng isang mataas na antas ng kadalubhasaan, hal. Halimbawa, ang presyo ng isang bahay, o kahit imposible para sa isang tao upang matukoy kung ano ang nilalaman na mahusay sa social media. Maaari ring makilala ng mga makina ang mga uso sa data bago sila maging maliwanag sa mga tao.
  • Ang pagtuklas ng mga hindi pangkaraniwang aktibidad o mga error sa system. Ang bawat system ay may mga error at problema. Sa ML, gayunpaman, hindi mo lamang matukoy kung ang mga problema ay nangyayari, kundi pati na rin kung ang mga ito ay hindi pangkaraniwan at nakababahala. Lalo na kapaki-pakinabang ito sa iba't ibang mga sistema ng pagsubaybay at seguridad.

Mula sa isang madiskarteng pananaw, makakamit ang ML ng iba't ibang uri ng mga resulta ng negosyo:

  • Pinahusay na karanasan at pag-andar para sa iyong mga customer. Ang pinakakaraniwang kaso ng paggamit ay ang pagpapasadya ng masa: Hanapin ang mga produkto na pinaka-malamang na nauugnay sa iyong mga customer nang mas mabilis at mas mahusay, hal. Ang kanilang pinakamahusay na mga tugma sa mga site ng pakikipag-date, mga kanta na maaaring gusto nila sa mga site ng musika, mga produkto na nais nilang bilhin, atbp Ang iba pang kaso ng paggamit ay ang paggamit ng mga hula upang ipagbigay-alam sa kanila ang tungkol sa mga nilalang o sitwasyon na kung hindi nila naisasabing sana. Maaari itong maging pangkalahatan - hal. Pinahahalagahan ni Zillows Zestimate ang isang bahay nang pantay, anuman ang tumitingin dito o kung paano ito iniakma sa indibidwal na customer. Ang rating na kung saan ang isang gumagamit ay nagre-rate ng isang pelikula na hindi niya nakita dahil sa tiyak na panlasa nito.
  • Mga panloob na pag-andar, proseso at lohika ng negosyo. Ang pag-aaral ng makina ay nakakatipid sa iyo ng oras at pinatataas ang pagiging epektibo ng iyong mga pamumuhunan sa mapagkukunan sa mga proseso at desisyon ng negosyo. Halimbawa: Nais ng isang tagapagpahiram na unahin ang kanilang pakikipag-ugnay sa mga potensyal na nagpapahiram. Kailangang matukoy kung sino ang nais na kumuha ng pautang upang aktwal na iguhit ito kapag inaalok ngunit malamang na mabayaran ito. Ang pinapahalagahan ang pinaka mapagkakatiwalaang mga customer ay hindi kinakailangan ang sagot, dahil ang mga kostumer na ito ay karaniwang may maraming mga pagpipilian at mas malamang na mag-convert. Samakatuwid, kinakailangan ang isang mas kumplikadong modelo.
  • Pagpapalawak sa mga bagong industriya at mga bagong produkto. Ang data ay makakatulong sa iyo na buksan ang ganap na mga bagong pagkakataon sa negosyo - lumikha ng mga bagong produkto para sa iyong umiiral na mga customer, o maglingkod sa mga segment o mga customer na hindi mo pa pinaglingkuran. Halimbawa, ang Netflix ay maaaring maglingkod sa mga studio na hindi ang pangunahing tagapakinig sa pamamagitan ng pagbebenta ng mga ito ng mga pananaw sa data kung aling mga paksa at mga linya ng kuwento ay angkop para sa mga tagapakinig. Ang Zillow ay makakatulong sa mga developer ng real estate na maunawaan kung aling mga pag-andar ng gusali ang ginagamit upang makamit ang pinakamataas na pagbabalik sa pamumuhunan.

Ang pagpapasya kung aling lugar ang dapat mag-target muna ay dapat nakasalalay sa potensyal na epekto ng negosyo, ang pagiging kumplikado ng problema, at ang gastos sa pagkamit ng epekto na iyon.

"May kailangan tayong gawin sa aming data" ay isang diskarte, hindi isang data science, isang problema

Maraming mga kumpanya ang naghahanap para sa mga siyentipiko ng data, ang mga tao na nagtatayo ng mga modelo ng ML dahil "dapat tayong gumawa ng isang bagay sa aming data". Narinig ko na maraming mga executive sa mga kilalang kumpanya ang nagsabing, "Nakita namin ang aming mga kakumpitensya na bumili ng data, kaya kailangan nating gawin ito upang manatiling mapagkumpitensya." Pagkatapos ay nag-upa kami ng ilang mga siyentipiko ng data, inaasahan na bubuo sila ng ilang mahika. Dinadala ako nito sa isang malaking hindi pagkakaunawaan tungkol sa ML.

Ang ML ay hindi isang magic wand para sa iyong kumpanya. Ang unang hamon sa ML ay upang makilala ang epekto ng negosyo na dapat itaboy ng teknolohiya. Ang ML ay isang solusyon - kailangan mo munang tukuyin ang problema: Aling mga resulta ng negosyo na nais mong makamit sa ML? Ano ang mga pakinabang na maaaring dalhin ng ML sa iyong mga customer? Ang ML ay isang martilyo - ngunit kung wala kang isang kuko, ang isang martilyo ay hindi partikular na kapaki-pakinabang. Upang higit pang mapalawak ang cliché, ang ML ay isang lubos na maraming nalalaman na hanay ng mga martilyo. Ang uri ng kuko ay tumutukoy kung aling martilyo ang iyong pinili at kung paano mo ito ginagamit. Ang eksaktong problema na sinusubukan mong malutas ay tinutukoy ang lahat - kung paano ginagamit ang resulta, kung ano ang hinuhulaan ng iyong modelo at kung paano ito mai-calibrate, kung ano ang data na iyong nakolekta at pinoproseso, kung ano ang mga algorithm na iyong sinubukan at maraming iba pang mga katanungan.

Sa pangunahing punto nito, "Anong problema ang malulutas natin?" Ang isang tanong sa negosyo, na nangangahulugang ang kahulugan ay ang responsibilidad ng mga tagapamahala ng produkto at direktor, hindi mga siyentipiko ng data. Ang mga siyentipiko ng data at iba pang mga stakeholder ay dapat na tiyak na isama sa kahulugan - huwag lamang itapon ang tanong sa kanila at asahan silang babalik ng mga sagot. Kung mayroon kang data na hindi ka pamilyar, magsagawa ng mga panayam at ideya sa customer sa iba pang mga customer sa buong kumpanya. Matutulungan ka ng mga siyentipiko ng data na suriin ang iyong data, ideya, at mga iterasyon. Gayunpaman, kung wala kang malawak na kaalaman sa mga lugar ng problema, mahirap para sa iyo na lumikha mismo ng kaso sa negosyo. Upang ma-maximize ang halaga ng ML para sa kumpanya, kinakailangan ang patuloy na pakikipagtulungan sa pagitan ng mga tagapamahala ng produkto at mga siyentipiko ng data, kung saan responsable ang mga tagapamahala ng produkto sa pagtiyak na ang mga problema na malulutas ay ang pinaka-epektibo para sa kumpanya.

Unpacking Paano maipalauna ng ML ang iyong negosyo

Habang ang mga posibilidad na may ML ay walang katapusang, may ilang mga katanungan na maaari mong tanungin ang iyong sarili upang malaman kung paano mailalapat ang teknolohiya sa iyong negosyo. Narito ang ilang mga halimbawa:

Panloob na mga proseso

  • Nasaan ang mga tao sa aking kumpanya na gumagamit ng kaalaman ngayon upang gumawa ng mga pagpapasya na maaaring awtomatiko upang ang kanilang mga kasanayan ay mas mahusay na magamit sa ibang lugar?
  • Anong data ang karaniwang hinahanap, nakolekta o nakuha mula sa ilang mga tindahan ng impormasyon sa aking kumpanya, at paano ito awtomatiko?
  • Anong mga desisyon ang ginagawa ng mga empleyado sa aking kumpanya? Maaari bang makagawa ng isang makina ang mga pagpapasya kung ito ay nakakakuha ng lahat ng data na mayroon ang aking mga empleyado?

Mga produkto at karanasan para sa umiiral na mga customer

  • Aling mga bahagi ng aking mga pakikipag-ugnayan sa customer ang na-customize ng mga tao at maaaring maakma ng mga machine?
  • Mayroon ba akong malinaw na pagkakabukod ng aking mga customer batay sa kanilang mga kagustuhan, pag-uugali at pangangailangan? Nakatugma ba ang aking produkto / karanasan sa bawat segment?
  • Maaari ko bang ipasadya ang karanasan para sa bawat customer batay sa alam ko tungkol sa kanila o kung paano sila nakikipag-ugnay sa aking site / app / produkto? Paano ako makakalikha ng isang mas mahusay, mas mabilis, o kung hindi man mas kasiya-siyang karanasan para sa kanila?
  • Ano ba talaga ang mga desisyon at desisyon na nais kong tanungin sa aking mga customer ngayon? Maaari bang awtomatiko ang mga pagpapasya batay sa kaalaman na mayroon ako o mayroon?
  • Paano ko mas kilalanin ang mabuti o masamang karanasan sa customer? Maaari ko bang makilala ang mga isyu na negatibong nakakaapekto sa karanasan ng customer o kasiyahan ng customer bago mangyari o kumalat?

Mga bagong industriya o customer

  • Mayroon ba akong data na maaaring maging kapaki-pakinabang sa iba pang mga stakeholder sa industriya o sa mga kaugnay na industriya? Anong uri ng mga desisyon ang maaaring gawin ng mga stakeholder na ito?

Lahat ng nasa itaas

  • Ano ang mga sukatan o kalakaran, kung nahulaan nang tama, ay maaaring makaapekto sa aking kakayahang maglingkod sa aking mga customer o kung hindi man ay makipagkumpitensya sa industriya, hal. forecast ng demand para sa ilang mga kategorya ng produkto, pagbabagu-bago ng gastos, atbp?
  • Ano ang mga pangunahing nilalang na kinokolekta ko ang data (mga tao, kumpanya, produkto, atbp.)? Maaari ko bang maiugnay ang data na ito sa panlabas na data (mula sa mga pampublikong mapagkukunan, kasosyo, atbp.) Sa isang paraan na nagsasabi sa akin ng isang bago o kapaki-pakinabang tungkol sa mga nilalang na ito? Kapaki-pakinabang para sa kanino at paano? Halimbawa: kilalanin ang mga potensyal na customer na malapit na makahanap ng iyong produkto, maunawaan kung paano naiimpluwensyahan ng mga panlabas na kadahilanan ang hinihiling sa iyong industriya, at gumanti nang naaayon, atbp.

Mag-isip tungkol sa ilan sa mga katanungang ito (at iba pa) kasama ang iyong koponan at pangunahing stakeholder sa samahan. Kung hindi ka sigurado kung saan magsisimula, magsimula sa isang lugar. Kung mag-eksperimento ka lamang sa ilang data, maaari mong malaman at ng iyong koponan kung saan pupunta doon.

Tinatalakay ng Bahagi 2 ang lahat ng mga term sa ML na kailangang maunawaan ng mga PM kung paano nakakaapekto ang pagpili ng teknolohiya sa iyong kahulugan ng problema, at ang ilan sa mga problemang nagmomolde na kailangan mong tingnan para makaapekto sa iyong negosyo.

Kung natagpuan mong kawili-wili ang post na ito, mangyaring i-click ang berdeng puso sa ibaba upang ipaalam sa akin o ibahagi ito sa isang tao na maaaring makita itong kapaki-pakinabang. Iyon ay magiging ganap na araw ko!