Twój pomysł na ML
Biznes,  Podcast

Twój pomysł na Machine Learning – 7 ważnych filtrów



Witam Cię w 1 odcinku nowej serii podcastu Machine learning – od pomysłu do wdrożenia, w którym chcę przejść z Tobą po krętych ścieżkach projektu z uczeniem maszynowym w roli głównej, aby dać obraz tego, jak wygląda taki projekt i co może doprowadzić do jego sukcesu, a co do porażki 🙁


W ramach tego odcinka, postaram się odpowiedzieć na kilka ważnych pytań, które mam nadzieję pomogą Ci lepiej zrozumieć, czym jest ML, jaką wartość niesie i jak możesz postawić pierwsze kroki,aby zbadać, jak uczenie maszynowe i nauka o danych mogą pomóc w Twojej organizacji.




Pytania, na które będziemy szukać odpowiedzi w ciągu najbliższej godziny:


  • 1)  Co potrafi ML, a czego nie potrafi?
  • 2)  Jakie wartości może przynieść ML?
  • 3)  W jakich branżach ML daje przewagę?
  • 4)  Jak szukać obszarów w Twojej  firmie, gdzie uczenie maszynowe może pomóc? 
  • 5)  Jak postawić pierwszy krok, aby zbadać potencjał, czy ML daje wartość?


Ale zacznijmy od początku i wróćmy jeszcze na chwilę do zamysłu serii 10 kolejnych odcinków, które przygotowuję.



W tej serii podcastu Biznes Myśli poznajesz i zgłębiasz zagadnienia krok po kroku, aby na koniec mieć poczucie, że masz spójny obraz i wiedzę w zakresie od pomysłu do wdrożenia uczenia maszynowego. Nie mogę obiecać, że pokryjemy wszystkie zagadnienia w ramach tej serii i opowiem Ci o wszystkich pułapkach, ale mam nadzieje, że po wysłuchaniu całej serii Twoja świadomość co warto robić, a czego unikać w ML oraz jak podejść do projektu ML –  będzie znacznie większa i jeśli wdrożysz to, o czym mówię, to zaprocentuje to, ponieważ rozmawiamy tutaj o nie o samej technologii, ale o biznesie i łączeniu tych kropek. To właśnie esencja podcastu Biznes Myśli 😉



Część zagadnień, zwłaszcza z 1 odcinka, może wydać Ci się oczywista, jeśli jesteś ze mną już jakiś czas lub działasz już w branży, ale chcę mimo wszystko powtórzyć pewne rzeczy, aby ustrukturyzować wiedzę, nadać pewną logiczną ramę całej serii, i przede wszystkim rozwiać wątpliwości u osób, które dopiero przymierzają się do swojego pierwszego projektu. Swoją drogą, jeśli masz już doświadczenie w tym, o czym jest ten odcinek,  to śmiało podziel się swoją opinią, doświadczeniem na stronie Biznes Myśli w sekcji komentarzy pod artykułem na temat tego odcinka.  Może też się tak zdarzyć, że masz inne wskazówki, inne przemyślenia, to też jest ok. Ja dzielę się tym, co zauważyłem w mojej pracy. 

Jestem praktykiem, a więc będę bazował na moim doświadczeniu i doświadczeniu mojej firmy – DataWorkshop. Regularnie współpracujemy z różnymi firmami przy projektach data science i uczenia maszynowego z różnych branż (jeśli czujesz zagubienie, na czym polega różnica między uczeniem maszynowym a data science, to spokojnie, poznasz te niuanse w ramach tej serii). 

Jak miałbym określić, czym zajmuje się DataWorkshop w jednym zdaniu, to mogłoby ono brzmieć tak: wydobywamy wartość z danych z pomocą uczenia maszynowego, a potem dzielimy się tą wiedzą z innymi podczas autorskich kursów i szkoleń.

Świadomie stawiam akcent na dane i wartość, a dopiero potem mówię o uczeniu maszynowym, bo trzeba pamiętać o tym, że ML to tylko narzędzie. A nam zależy nie na idealnym modelu jako takim, tylko modelu w działaniu, który jest w stanie rozwiązać nasz problem, usprawnić pracę, zoptymalizować wyniki wydobywając z danych to, czego bez pomocy ML nie udało się wcześniej zrobić.

I tutaj pojawia się już pierwsza ważna rzecz, którą musisz wiedzieć i zapamiętać na początku – jeśli potrafisz rozwiązać dany problem bez uczenia maszynowego, to zrób to bez ML.


Podsumowując  – uczenie maszynowe to seria eksperymentów, gdzie sprawdzamy, jak różne  modele, narzędzia i techniki pracy z danymi pomagają nam rozwiązać precyzyjnie określony problem.
Inaczej mówiąc – w trybie prób i błędów szukamy odpowiedzi na precyzyjnie zadane wcześniej pytanie lub próbujemy z pomocą ML uporządkować rzeczywistość – dane w określony sposób.

Już tłumaczę lepiej, o co chodzi na przykładach. Zacznijmy od pytań, które nurtują biznes.

Przytoczę kilka popularnych przykładów, ale jest oczywiście tego więcej:

  • Czy dany klient zrezygnuje z naszego produktu?
  • Kiedy jest najlepszy moment na kontakt z danym klientem w celu przedłużenia umowy?

z innej branży…

  • Czy i kiedy pojawi się anomalia w konkretnym procesie produkcji np. części samochodowej? 

Pytania można mnożyć, ale co najważniejsze, to warto tutaj zrozumieć i zapamiętać to:

  • To nie są trywialne lub chociażby łatwe pytania, a więc mogą być dobre aby ogarnąć za pomocą ML.
  • Poszukiwanie na nie odpowiedzi jest możliwe dzięki danym.
  • Sam wytrenowany model “nie odpowie na te pytania”, ale może być ważnym elementem projektu poszukiwania odpowiedzi i co najważniejsze wykonywanie akcji, aby znaleziona odpowiedź mogła przełożyć się na działanie. 

Uczenie maszynowe nie jest punktem na osi czasu, to proces i działanie zmienne w czasie.

Jeśli mówimy o zastosowaniu rozwiązań uczenia maszynowego, aby znaleźć odpowiedzi na nurtujące pytania, to trzeba to wypracować w powtarzalnym i stabilnym procesie. I nie mam na myśli tutaj samego modelu ML, to tylko element większej układanki. Paradoksalnie w projektach uczenia maszynowego wcale nie uczenie maszynowe jest najtrudniejsze, co doskonale zrozumiesz po tej serii. 

Jeśli interesuje Cię pogłębiona definicja uczenia maszynowego i perspektywa bardziej techniczna niż biznesowa, to zachęcamy Cię do zapoznania się z materiałami DataWorkshop, szczególnie z kursem “Data Science & Machine Learning w praktyce” – tam możesz przekonać się, czym to jest na poziomie kodu i pracy z danymi na przykładach. 

Tutaj nie będę wchodził w technikalia, bo cel tego podcastu jest inny. Nazwa serii to “Machine Learning – od pomysłu do wdrożenia”, skoro jesteśmy w 1 odcinku, to warto zacząć od pomysłu, prawda?

Ale na pomysłach tutaj nie kończymy, tylko zaczynamy, a dodatkowo doprecyzujemy sobie ten “pomysł”, ponieważ słowo pomysł jest podchwytliwe i zwykle kryją się pod nim pewne oczekiwania, a rzadko plan działania, chociaż słownik mówi inaczej.


Według słownika PWN pomysł to:

twórcza myśl zawierająca projekt działania, rozwiązania czegoś.

Przekładając to do uczenia maszynowego i praktykę zwykle to myśl, że można wykorzystać uczenie maszynowe do rozwiązania konkretnego problemu / wyzwania, z jakim się obecnie mierzymy. Wciąż zagadką pozostaje na tym etapie, jak dokładnie 😉

Skoro jesteśmy już przy pomysłach, to dobrze byłoby odpowiedzieć na pytanie, co ML potrafi, a czego nie potrafi. Pomysły kryją w praktyce więcej oczekiwań niż projektów działania, jak już powiedziałem,  a więc dobrze generować przynajmniej realne pomysły, aby łatwiej  przekuwać je w plany działania w kolejnych krokach.

 

W zasadzie wybrzmiało już we wstępie,  czym jest ( w dużym uproszczeniu) uczenie maszynowe, ale doprecyzujemy to, aby łatwiej było Ci wygenerować pomysły rozwiązań problemów w Twojej organizacji.

Z pomocą uczenia maszynowe potrafimy…

  • skutecznie analizować dużo wierszy i kolumn po to, aby znajdować w danych zależności, które trudno wyłapać w klasyczny sposób, czyli  mowa tutaj o tak zwanych korelacjach nieliniowych, inaczej mówiąc – mniej oczywistych.

PS. Dużo danych  liczy się w moim odczuciu od kilkadziesiąt tysięcy rekordów górę i kilkudziesięciu kolumnach w górę, ale nie może być mniej na start, aby złapać już pierwsze potencjały.

  • Potrafimy budować modele, które mogą prognozować pojawienie się czegoś np. szansy na zakup lub w drugą stronę np. pojawienie się anomalii – chodzi o próbę odgadnięcia co się stanie na podstawie przesłanek z danych lepiej niż robi to zwykle człowiek w danej sytuacji.

Warto dodać, że modele uczenia maszynowego mogą też rozpoznawać coś, a nie tylko prognozować, np. rozpoznawać obiekty czy intencję mówiącego. Czyli w tej sytuacji z pomocą uczenia maszynowego staramy się wyręczyć człowieka nie tyle w przewidywaniu, co może się stać z konkretnym prawdopodobieństwem, ale w dobrym rozeznaniu rzeczywistości 🙂

  • Dodam jeszcze, że z pomocą ML potrafimy też podejmować lepsze decyzje, jeśli potraktujemy model jako asystenta, który “widzi pewne” rzeczy, których my nie widzimy, a my korzystając z jego prognoz lub podglądając co bierze pod uwagę taki model dokonując takich prognoz możemy podejmować decyzje w oparciu o tę dodatkową wiedzę wcześniej dla nas niedostępną.

Ok, dla wielu słuchaczy mojego podcastu pewnie to, co mówię teraz i powiem za chwilę wydaje się oczywiste, ale praktyka pokazuje, że w teorii brzmi to trywialnie, a w praktyce nasze oczekiwania wobec modeli są czasem ponad to, co potrafią ;), dlatego wracam  do podstaw, abyśmy dobrze zaczęli tę serię 🙂

Czego uczenie maszynowe nie robi?

  • Nie sprzedaje i nie optymalizuje – inaczej mówiąc sam ML nie rozwiązuje problemów, ale pomaga je rozwiązać -problemy rozwiązują wciąż ludzie dzięki odpowiednim procesom i konkretnym działaniom i ML może tutaj pomóc swoimi podpowiedziami.

  • Nie definiuje problemów, nie zadaje pytań, tylko dostarcza nam informacje, które pomagają nam zadać właściwe pytania i zidentyfikować problem.
  • Nie czaruje – jeśli mamy zdefiniowane zadanie, ale nie mamy danych lub dane są kiepskiej jakości, to nie stanie się tutaj magia, Ml to tylko narzędzie i potrzebuje konkretnego materiału, aby z pomocą ML można wyrzeźbić to co chcemy.

Ok, mamy to już za sobą. Lista nie jest zamknięta, ale na start wystarczy.

Wiesz już co może ML, czego nie może – w dużym skrócie, ale potraktujmy to jako punkt wyjścia i mam nadzieje, że rozumiesz co chcę przekazać. ML to nie magia, to tylko narzędzie, którego używamy do określonych celów, które sami definiujemy.


To teraz warto zadać pytanie:

Jakie wartości może dostarczyć uczenie maszynowe i czy Ciebie to może  dotyczyć?


Zaznaczę tylko na wstępie, że ten temat będzie poruszany  głębiej w kolejnych odcinkach tej serii, ale chciałabym ugryźć to też teraz z nieco innej perspektywy. 

Zawsze na samym początku różnych współprac pojawia się kontekst oczekiwanej wartości, tutaj nawet nie mówimy jeszcze o metrykach sukcesu konkretnego wyzwania, ale o oczekiwanej wartości ze współpracy i pracy nad wdrożeniem ML do rozwiązania jakiegoś problemu.

Nie za bardzo da się  na to pytanie odpowiedzieć jednoznacznie nie znając kontekstu.

Skala oczekiwania co do wartości jest powiązana z kilkoma czynnikami niezależnymi od ML jako technologii.

Zobacz, jak wartość kształtuje się też w zależności od tego na jakim etapie jest Twoja organizacja lub będą jeszcze bardziej precyzyjnym, dany problem, który chcesz rozwiązać.

Załóżmy, że mogą być 3 popularne sytuacje, w której znajduje się firma, która chce rozwiązać dany problem z pomocą ML:

1.  Mamy zdefiniowany problem – nic nie robiliśmy jeszcze z ML, ale próbowaliśmy dany problem rozwiązać w klasyczny sposób – znanymi nam metodami i nie udało się lub efekt był słaby.

2. Próbowaliśmy dany problem rozwiązać z pomocą ML, były pierwsze efekty, ale chcemy to zrobić lepiej.

3. Nie próbowaliśmy tego problemu w ogóle rozwiązać, nie wiadomo jak do tego podejść, być może problem jest gdzie indziej niż go widzimy,  ale czujemy, że ML może tutaj pomóc. 



Każdy z tych scenariuszy niesie za sobą inne rozumienie wartości, bo w przypadku organizacji która jest już na drodze ML i walczy o lepsze efekty te oczekiwania są inne i trudniej osiągnąć dużą deltę zmiany, ale kiedy np. mamy scenariusz nr. 1 czy 3, kiedy klasyczne metody zawodzą i uczenie maszynowe daje znaczącą różnicę w jakości prognoz lub rozpoznawania anomalii, sentymentu, to czasem nawet bardzo prosty model jest w stanie już przynieść znaczącą wartość w porównaniu do tego, jak ten problem był lub nie był w ogóle rozwiązywany wcześniej.



To, co próbuję teraz powiedzieć to to, że odpowiadając na pytanie wartości z ML zawsze trzeba wziąć pod uwagę kontekst danej organizacji,  a nie ogólne założenia i porównywać się do innych.

Można teraz zadać pytanie, czy ta wartość nie zależy od branży, czy są branże które zyskują więcej lub takie, gdzie lepiej nie wchodzić z ML.


Uczenie maszynowe jest dosyć uniwersalne, to znaczy nie jest przywiązane do branży, wymaga tylko lub aż bardzo dobrego zdefiniowania problemu. Mówię “aż” bo to jest często też wyzwanie lub inaczej wymaga czasu, aby to zrobić, nie można zrobić tego po łebkach jak to mówią.

Natomiast porozważajmy, co może wpływać na sukces projektu ML i czy te czynniki są zależne od branży. 

  • Proces

Na pewno ma wpływ na to proces projektowania rozwiązania i wdrożenia, ale to jest niezależne od branży – to specyfika ML i mogą zająć się tym profesjonaliści z doświadczeniem, także spokojnie 😉 

  • Kultura organizacji

Bardzo ważna jest kultura organizacji i pracy z danymi, tutaj wydaje się, że są różnice zależne od branży, z pewnością wszystkie cyfrowe produkty i usługi mają łatwiejszy dostęp do danych niż np. branże wytwarzające produkty fizyczne, bo tutaj mamy do czynienia z procesem digitalizacji najpierw i działaniami, które mają na celu uporządkowanie cyfrowego śladu produktów będących fizycznymi, tutaj pewnie branża industry różnego rodzaju pewnie doskonale wie, jakie to może być czasem wyzwanie, aby zintegrować dane z różnych maszyn fizycznych i nie zgubić niczego po drodze.

Natomiast co ciekawe, często w tych branżach, jak już uda się zdigitalizować, to znacznie łatwiej jest dostarczyć wartość, bo delta zmiany po wdrożonym rozwiązaniu może być ogromna. 

  • Łatwość zmian procedur i lekkość wprowadzania nowych rozwiązań 

Projekt uczenia maszynowego ma przynieść pewną  nową jakość, ale od jakości na przysłowiowym papierze i płynącej z samego modelu do zmiany jakości w usłudze, produkcji i tak dalej długa droga. I nawet jeśli mamy świetny model pod kątem technicznym, ale nie możemy go użyć i szybko adaptować, bo nie możemy zmienić procesu lub blokują nas formalności, to ostatecznie nie jest to dobry model, bo nie zarabia na siebie.

Na przykład branża medyczna czy ogólnie produkty związane z ochroną zdrowia, profilaktyką itp. pokłada ogromne nadzieje w ML, to wydaje się, że największe wyzwania tam są głównie na podwórku prawnym i formalnym.

Podam też inny przykład dla kontrastu. ML nie musi też zawsze zmieniać procesu, można go wpiąć w już istniejący bez zmiany działającego systemu, np. w produkcji czegokolwiek np. branża automotive – też ma swoje linie produkcyjne, ustalone procedury i standardy działań, które nie tak łatwo zmienić i może nie ma potrzeby, ale można dodać np. pewien prosty element sygnalizujący o anomalii, który będzie upraszcza pracę kontrolera jakości i stanowił dodatkową wartość bez znaczących zmian w całym procesie, ale ze znaczącą zmianą w ilości produkowanych wadliwych części i strat jakie ponosi firma.

Swoją drogą o tym przykładzie jeszcze usłyszysz w tej serii, bo to bardzo fajny use case, którym chcę się z Tobą podzielić.




Jak szukać obszarów w Twojej  firmie, gdzie uczenie maszynowe może pomóc? 

Uczenie maszynowe działa najlepiej tam, gdzie człowiek ma pewne wyzwania. Oczywiście jest też tak, że tam, gdzie tych trudności nie ma, też możesz zastosować ML, tylko pytanie po co?

Mówiąc “najlepiej działa” mam na myśli przynosi wartość, którą da się przeliczyć np. wprost na pieniądze lub czas.  No i tutaj masz pierwszą podpowiedź i pierwszy filtr, który możesz zastosować w swojej organizacji:

a) 1 filtr – pieniądze & czas

Zidentyfikuj w swojej organizacji wyzwania lub problemy, gdzie ucieka zbyt dużo czas lub pieniędzy (kosztów bądź szans na zarobienie).  Mówiąc inaczej biznesowi musi zależeć na rozwiązaniu tego problemu 🙂

b) 2 filtr:  wcześniejsze próby

Zadaj sobie pytanie: czy ten problem był już rozwiązywany w jakiś sposób?

  • -jeśli tak, to co poszło nie tak,
  • jeśli nie, to też musi być jakiś powód 🙂

Dlaczego warto podrążyć ten wątek, bo może się okazać, że są obszary problematyczne bardziej lub mnie, gdzieś mogą wisieć nisko wiszące owoce, ale nie udało się ich zerwać, bo narzędzia lub proces były nieodpowiednie, a z drugiej strony mogą być takie wyzwania, które pokonane i tak nic nie zmienią i tutaj pojawia się kolejny filtr, który musisz mieć na uwadze…

c) 3 filtr – zmiana

Zastanów się, na co jest wpływ, co można realnie zmienić nawet jeśli pojawi się  najlepszy model, najlepsza technologia.

Podam Ci przykład, aby lepiej wyjaśnić, co mam na myśli i dlaczego to jest ważne.

Jeśli np. problem zdefiniowany jest tak, że chcemy prognozować jaką najlepiej akcję wykonać względem klienta danej usługi, ale mamy możliwość w realnym działaniu teraz i przez jakiś czas wysłać jedynie maila i z jakiegoś powodu nie ma możliwości usprawnienia tego, to po co nam taka prognoza, choćby model był najlepszy. I to nie działa w taki sposób, że zróbmy model, a “potem się zobaczy”… To jest prosta droga do porażki w projekcie ML. Warto tworzyć rozwiązania ML’owe po to, aby móc je wdrożyć, które będą wspierały już istniejące procesy lub współtworzyć nowe, ale tutaj musi być otwartość na zmiany. 

d) 4 filtr – dane

Doprecyzuj problem najlepiej jak się da i sprawdź, czy mamy dane, które mogą pomóc rozwiązać ten problem.

Tutaj, jeśli mamy do czyniania np. z klasycznym uczeniem maszynowym, to powinna pojawić się tak zwana zmienna docelowa 2 przykłady, aby pomóc Ci zrozumieć, co to jest, jeśli jeszcze nie wiesz.

  • Jeśli chcemy prognozować, czy dana część silnika samochodu będzie wadliwa, to trzeba zweryfikować, czy w ogóle odkładamy w danych informację o prawidłowych sztukach i tych wadliwych i mamy dane historyczne za dłuższy okres czasu np. kilka lat, rok lub co najmniej kilka miesięcy na temat wyprodukowanych sztuk i oznaczonych jednoznacznie jako wadliwe lub prawidłowe.
  • Inny przykład, jeśli chcesz prognozować, czy dany klient utrzyma się, czyli np. będzie kontynuował korzystanie z Twoich usług, jeszcze inaczej mówiąc przedłuży umowę, to podobna historia – musisz mieć w jednoznaczny sposób oznaczone w danych historycznych, że dany klient utrzymał się lub nie.

Tutaj warto dodać, że najlepiej zaczynać przygodę z ML od takich wyzwań, gdzie target jest oczywisty, łatwo rozstrzygalny. Choć oczywiście zdarzają się zadania optymalizacyjne, gdzie ustalenie samego targetu w danych jest wyzwaniem. Na to też są sposoby, ale wymaga to więcej pracy konceptualnej.

Poza tym, oczywiście musimy mieć dane, które opisują, czy też reprezentują jak najdokładniej kontekst zdarzeń, który próbujemy zorganizować, np. dane z maszyn, które biorą udział w produkcji naszej części, czy też dane profilowe naszego klienta lub historia zdarzeń, które miały miejsce przed okresem przedłużenia umowy z przykładu.

Jeśli rozwiązujemy problem np. z zakresu analizy wykrywanie anomalii na podstawie obrazu z kamery np. na jakiejś linii produkcyjnej, to tutaj mamy do czynienia z inną technologią tak zwane głębokie uczenie maszynowe, mamy inne dane, ale wciąż jakieś dane musimy mieć.

Każdy use case jest inny i wymaga indywidualnego rozeznania, jakie dane mogłoby być przydatne, ale mam nadzieję, że udało mi się zwrócić Twoja uwagę przynajmniej na te krytyczne elementy bez których ciężko zacząć.

e) 5 filtr – kultura pracy z danymi

Czasem bywa tak, że dane są, ale nie ma kultury pracy z danymi i to nie jest blokada, to można wypracować, jeśli ma się dostęp do danych. Natomiast czasem i z tym bywa problem nawet wewnątrz organizacji i to już jest znacznie gorsze lub np. jest ogromny problem z udostępnieniem środowiska do pracy na tych danych.

To wszystko zależy od organizacji, zwracam Twoją uwagę na to, że czasem projekty się rozsypują na tym trywialnym etapie i  warto to mieć jako filtr na początku.

f) 6 filtr – adresat rozwiązania

Idziemy dalej, zakładamy, że masz już określony dokładnie problem, niezbędne dane, mamy zielone światło dostępu do danych i wprowadzenia zmian, jak uda się stworzyć model i tutaj pojawia się pytanie, a kto dokładnie będzie z tego korzystał?

Jesteś w stanie na tym etapie powiedzieć, kto będzie patrzył na wynik tego modelu i co może z tym zrobić?

To preludium do kolejnego filtra – metryki sukcesu.

d) 7 filtr – metryki sukces

Jeśli nie potrafisz sprecyzować biznesowej metryki sukcesu do pomysłu rozwiązania problemu z pomocą ML, to znaczy, że prawdopodobnie niewłaściwym problemem się zajmujesz lub nie wiesz, jak doprecyzować tę metrykę, ale to inna historia i dowiesz się w kolejnym odcinku, jak podejść do tego zagadnienia we właściwy sposób.


Dobra to skoro masz już podstawową wiedzę, jak i gdzie można szukać potencjału, to pojawia się kolejne pytanie, ale jak wykonać ten pierwszy krok, aby zbadać potencjał, czy i jaką ML może nam przynieść wartość.

Odpowiedź jest prosta i skomplikowana zarazem – działaniem.

Trzeba bardzo dokładnie doprecyzować wyzwanie dla ML i ustalić metryki sukcesu, najpierw biznesowe, a potem techniczne i zbudować prosty prototyp, który pokaże, czy potrafimy z pomocą ML zrywać nisko wiszące owoce czy ten problem wymaga większego wysiłku.

Prototyp nie odpowie nam na wszystkie pytania, ale przynajmniej wskaże, gdzie lepiej nie iść i pomoże zidentyfikować dokładniej problemy, które mamy. Są one wszędzie, grunt wykryć je jak najwcześniej.

To jest bardzo ważne, aby jeśli uda Ci się “przefiltrować” już obszar, gdzie Twoim zdaniem ML może wnieść mierzalną wartość biznesową, aby zweryfikować to w działaniu. Tutaj możesz próbować budować swój zespół, który wykona i też dowiesz się w ramach tej serii na co zwracać tutaj uwagę, a możesz też skorzystać z pomocy firmy zewnętrznej, która wie co robi. Tutaj naturalne będzie to, że polecę DataWorkshop.

Jeśli masz pytania, chcesz coś skonsultować, to napisz do nas,ocenimy sytuację, zaproponujemy rozwiązanie i jeśli będzie nam po drodze zaczniemy razem wydobywać biznesową wartość z Twoich danych i optymalizować te obszary, gdzie człowiek w pojedynkę nie dał rady.

Zadanie dla Ciebie z tego odcinka jest takie, aby spróbować z pomocą przytoczonych tutaj podpowiedzi i filtrów zastanowić się, czy ML może pomóc sprostać wyzwaniom, z którymi mierzy się Twoja organizacja, biznes.

W kolejnym odcinku porozmawiamy głównie o metrykach sukcesu, czyli o bardzo ważnym elemencie każdego projektu ML, bez którego nie można przejść do działań technicznych.

Dlaczego ten temat zasługuje na osobny odcinek, jak definiować metryki sukcesu biznesowe, dlaczego to jest popularny powód porażki projektów ML i jakie w jakie pułapki lepiej nie wpadać, o tym i nawet więcej dowiesz się w kolejnym odcinku podcastu Biznes Myśli w serii ML: od pomysłu do wdrożenia.

Koniecznie zapisz się na nasz newsletter na stronie: https://biznesmysli.pl/newsletter/ wtedy otrzymasz od nas mailem powiadomienie o nowym odcinku, polecane inne materiały uzupełniające wiedzę, a także materiały bonusowe tej serii, które będą się pojawiać.

Od 2013 roku zacząłem pracować z uczeniem maszynowym (od strony praktycznej). W 2015 założyłem inicjatywę DataWorkshop. Pomagać ludziom zaczać stosować uczenie maszynow w praktyce. W 2017 zacząłem nagrywać podcast BiznesMyśli. Jestem perfekcjonistą w sercu i pragmatykiem z nawyku. Lubię podróżować.

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany.