Yapay Zekâ, Makine Öğrenimi ve Derin Öğrenme modelleri, işletmeleri büyütmek ve geliştirmek için önemli bir güçtür. Son zamanlarda üretimin kapasitesinin artmasına yönelik en iyi girişimin yapay zekâ destekli girişimler olduğunu gördük.
2019 McKinsey araştırmasında, şirketlerde yapay zekâ çözümlerini benimseyen yöneticilerin çoğunluğunun bu çözümlerin gelirde bir artış sağladığını ve yüzde 44'ünün de yapay zekânın maliyetleri düşürdüğünü bildirdiğini açıkladı. Fakat yapay zekâ modellerinin geliştirilmesi genellikle maliyetlidir ve modelin işletme üzerinde anlamlı bir etkiye sahip olmaması ve tamamlandıktan sonra kullanılmama riski de vardır. Peki böyle bir senaryoda başarı olasılığını nasıl en üst düzeye çıkarabiliriz? Yararlı bir aracı hızlı ve uygun maliyetli bir şekilde nasıl oluşturabiliriz? Bir dizi işletme için çok sayıda yapay zekâ projesi üzerinde çalışıldı. Önerilen ise: Yapay zekâ üretimi için en iyi yaklaşım, girişim kapitalistlerinin girişimleri değerlendirip yatırım yaparken risk sermayesine (VC) yaptıklarıyla benzer hareket etmek olduğu ortaya çıktı.
Nereden Başlamalı?
Yapay Zekâ / Makine Öğrenimi Fikirleri Hakkında Beyin Fırtınası
Her alanda başarının nasıl olacağına dair bir sezgi geliştirmek önemlidir. Japonya'nın en saygın suşi şefi Jiro Ono'nun bir mantrası var: “Lezzetli yemekler yapmak için lezzetli yemekler yemelisin.” Yapay zekâ ve makine öğrenimi projeleri için de aynı şey geçerlidir. Kendinizi araştırmaya bırakın ve örneğin doğal dil işleme, bilgisayar görme ve nesne algılamada nelerin mümkün olduğunu öğrenin. Başarılı kullanım örneklerini bulun ve bunlar hakkında neler yapabileceğinizi öğrenin. Sinirsel Bilgi İşleme Sistemleri Konferansı (NeurIPS), bu alanda tartışılan ve geliştirilen konulara kapsamlı bir genel bakış sağladığı için başlamak için iyi bir yerdir. Araştırmayı alan adınıza aktarın. Sektörünüzle ilgili haberleri takip edin ve trendleri öğrenin.
Basit düşünerek başlayın. Birkaç saniyede insan düşüncesiyle gerçekleştirilebilecek manuel, sıradan görevleri arayın. Bunlar, özellikle faaliyetler için etiketlenmiş eğitim verileridir yapay zekâ, makine öğrenimi ve otomasyon için en iyi adaylardır.
Esin kaynağı olun. Açık veri kümelerine bakın. Veri kümelerinize bakın. Başka ne toplayabilirsiniz? Bir beyin fırtınası tekniği olarak, rakiplerinizin organizasyonunu veya genel olarak piyasayı makine öğrenimi otomasyonu ile nasıl yeniden bir model oluşturacağınızı düşünün... Bu size ne tür bilgiler sunmanızı sağlar?
Bu verileri toplamadan önce satın alma olasılığına bakın.
Birkaç fikir topladıktan sonra, yatırım için en iyisini nasıl seçebilir? Birçok proje geliştirme ve bunların en iyisini uygulamak isteyen insanlar var. Bakalım onlardan neler öğrenebiliriz.
Risk Sermayesinden (VC) Ne Öğrenebiliriz?
İlk olarak, birçok fikir toplayın. Sonra zaten umut vaat edenleri doğrulayın, ama aynı zamanda sezgilerinize de güvenebilirsiniz.
İlk olarak en yüksek riskleri bulmaya odaklanın ve bulana kadarda daha fazla yatırım yapmayın. Derin öğrenme ağının veya yapay zekâ modelinin bir Kavram Kanıtı (PoC) oluşturun. Arayüzün bir PoC'sini oluşturun ve kullanıcılarla test edin.
İlgiye dikkat edin. Yapay zekâ projesi için ilgi nedir? Çözümünüze umutsuzca ihtiyaç duyan bir grup kuruluş çalışanının fikrini almanız gerekir. Çalışanlar bir yapay zekâ veya makine öğrenimi modeliyle çalışma veya veri odaklı bir organizasyonun içinde olma olasılığı konusunda heyecanlı veya korkmuş mu? Heyecanlanırlar ise, modelin uygulanmasının iş akışlarını basitleştireceğini ve daha karmaşık kararlara odaklanmalarını sağlayacağına onları ikna edin. Başarılı bir uygulama için çalışanlardan onay almak çok önemli olacaktır.
İşletmenin ekipleri yapay zekâ veya makine öğrenimi modelinin geliştirilmesinden korkuyorsa, eğitim ve öğretim sağlayın. McKinsey’in “Yapay zekâ yüksek performanslı” şirketlere yönelik bir araştırması ile çalışanların bir değişime ayak uydurması ve insanlar ve makineler arasındaki bir ortaklığı teşvik etmek için, yardımcı olmak ve gerekirse yeniden eğitmek için bilinçli bir çaba harcadıklarını ortaya koydu. Birçoğu işin etkisi ile değilde, çözülmesi zor problemlerin çözümüne heyecanlandığından, sadece çalışanlarınızın heyecanına bakmamaya dikkat edin.
Birçok girişim başarılı olacak, bazı çılgınca girişimlerde olacak ama maalesef çoğu girişim başarısız olacak. Girişim sermayesi bu riski anlıyor. Bu yüzden girişim sermayesi firmaları çeşitlendirilmiş bir portföy oluşturuyor. Bir fikir portföyü oluşturarak bu örnekleri takip edebilirsiniz. Bir fikir kaşifi olun ve başkalarının düşünceleri ile tek bir fikri tercih etmemeye dikkat edin. Maliyetleri azaltmak için bu yeniliği bir gerekçe olarak, bir keşif yatırımı olarak ele alın. Makine Öğrenmesi projeleri geniş bir araştırmadır. Arızalara hazır olun. Farklı şeyler deneyin. Adapte olmaya çalışın. Yatırım daha az riskli olduğunda daha fazla kaynak yaratın ve açıkça başarısız hatları gözden çıkarın.
Yapay Zekâ / Makine Öğrenimi Geliştirme ve İnşasına Küçük Yatırımlar Yapın
Bir iş talebi ile o talebin ilk teslimi arasındaki zaman olan değere zamana (TtV) odaklanın. Herhangi bir işletmenin amacı, mümkün olan en kısa sürede işi gerçekleştirmek için TtV'yi en aza indirmektir.
Genellikle en büyük maliyet personel zamanının maliyetidir (yani mühendisler ve araştırmacılar). İyi bir yatırım getirisi elde etmek istiyorsanız, bunu azaltmaya çalışın. İşleri daha hızlı oluşturmaya yardımcı olan teknolojiyi kullanın. Örneğin, birçok durumda, birçok takımın eğitimi gibi sıfırdan makine öğrenimi modelleri oluşturmanıza gerek yoktur. Yapay zekâ çözümünüzü uygun, önceden yapılmış yapı taşlarını kullanarak oluşturabilir veya en azından hızlı bir şekilde iyi sonuçlar elde eden üst düzey araçları kullanabilirsiniz.
Çözdüğünüz sorun için özel olarak üretilen yapay zekâ ürünleri
Mevcut API'lar, ör. Google, Microsoft veya AWS'den ses tanıma veya Nesne algılama API'sı
Bu yeterli değilse, özel modellerinizi oluşturmak için Otomatik Makine Öğrenimi (AutoML) araçlarını kullanmayı düşünün
Gerçekten özel bir modele ihtiyaç duyulursa, onları Tensorflow yerine Fast.ai veya Keras gibi üst düzey makine öğrenimi kütüphaneleri kullanarak oluşturun.
Her üç ayda bir değişen araçları takip edin (veya bunu yapan biriyle ortak olun).
Karar destek sistemlerinin PoC'sini oluşturmak için R / Shiny kullanın. Shiny kullanmamanın tek nedeni, test etmek (BI kullanmak) için çok temel bir şeyiniz olması veya ekibinizin sadece Python ve Python'a (Dash kullanımı) bağlı olmasıdır. Shiny yıllardır bu alanda üstün olduğunu kanıtlamıştır (Karar Destek Sistemleri PoC'leri).
Altyapı işlerini azaltın. Çoğu durumda bu, projenizin maliyetinin sadece bir kısmı olacaktır. Doğru araçlarla kendinize yardımcı olun:
Ses Bağlantısı (RStudio Bağlantısı)
Domino Veri Laboratuvarı
W&B
Neptune.ai
Google Cloud AI Dizüstü Bilgisayarlar,
AWS SageMaker
Temiz veriler kullanın. Burada kısayol yok. İyi veri kalitesine odaklanarak uygun veri toplama ve veri hattı oluşturmaya yatırım yapın. Neye sahip olduğunuzu doğrulayın ve bildiğinizden emin olun. Bu adımdaki mütevazı bir yatırım, aşağıdaki adımların hepsinde iyi sonuçlar elde etmek için uzun bir yol kat etmenize yardımcı olacaktır.
Çözüm: Net Bir Sınır Belirleyin ve Kullanıcıları Dinleyin
Net bir sınır belirleyin. Doğru kılavuzlar olmadan, araştırma bir kara delik haline gelebilir. Yapay zekâ ve makine öğrenimi modelleri üzerinde çalışan kişilerin başarı kriterlerini anladıklarından emin olun. Bu başarı kriterlerini belirlemek zordur, ancak sonuçta bu kriterler gereklidir. Her iki tarafta da eğitim gerekebilir; bu iş genellikle %100 doğruluk ister, teknoloji genellikle hiçbir şey için söz vermemeyi tercih eder. Bu konuların doğrulukları, eğitim ve derin konuşmalarla ele alınabilir.
Kullanıcılar ile sık sık konuşun. Eğer çalışmanızın nihai hedefi ekiplerinizin kullanacağı faydalı bir şey yapmaksa onlarla konuşun. Takım liderleri ve çalışanları bu süreçlere dahil edin. Bu geçiş sürecinde ekipleriniz ile iletişimde kalmak yaptığınız yatırımın sadece toplam maliyeti azaltmasını değil, aynı zamanda doğru olanı yaptığınızdan emin olmanızı da sağlar.
Sonuç
Başarı şansınız, mühendislik ekibinizle model özellikleri yazmaya oturmadan önce planlama ve bu konuyla alakalı toplantınıza büyük ölçüde bağlıdır. Bu makalede yapay zekâ / makine öğrenimi ile kuruluşunuzu büyütmeyi hedeflerken bir girişim kapitalisti gibi düşünmenizi tavsiye ediliyor.. Birçok fikir toplayın. Gelecek vaat edenleri doğrulayın, ancak sezgisel olanları göz ardı etmeyin. Fazla harcama yapmayın ve bu konuda size yardımcı olacak teknikler ve araçlar vardır onları bulun. Bir kavramın kanıtı (PoC) oluşturun ve bunu kullanıcılarla erken ve sık sık test edin. Temiz veriler kullanın ve projeniz için net bir kesme noktası belirleyin. Ve bir kez daha, kullanıcılarla erken ve sık sık konuşun. Bir araya getirdiğinizde, uygun maliyetli, kuruluş değiştiren yapay zekâ / makine öğrenimi başarısını gözlemleyeceksiniz.