Хабрахабр

[Перевод] Что я узнал о машинном обучении, поработав в 12 стартапах

Всем привет.

Поработав в 12 стартапах в сфере машинного обучения, я сделал восемь полезных выводов о продуктах, данных и людях.

Менялась и моя роль. Все стартапы были из разных сфер (финтех, биотехнологии, здравоохранение, технологии обучения) и на разных этапах: и на этапе pre-seed, и на этапе приобретения крупной компанией. Все эти компании старались создать хороший продукт, и многим это удалось. Я был стратегическим консультантом, главой отдела анализа данных, заваленный делами штатным сотрудником.

За время работы я пришел к таким выводам:

Продукт важнее ИИ

Эти стартапы разрабатывают продукты, а не изучают искусственный интеллект. Меня, как убежденного математика, сначала больше интересовало машинное обучение и создание новых методов и алгоритмов.

Ценность ИИ и машинного обучения напрямую зависит от ценности продукта, в котором они используются. Вскоре я понял, что даже точные модели машинного обучения не ценны сами по себе. Цель стартапа – научиться создавать продукты, основанные на машинном обучении.

Иногда дело не в поставленной задаче, а в процессе решения. При таком подходе иногда выясняется, что машинное обучение – не самый эффективный инструмент. Тем не менее, не тратьте время на ИИ там, где нужно исправить процесс. Даже в таких ситуациях полезно обратиться к ученым: они используют научный, основанный на данных подход.

Стремитесь к синергии между данными и продуктом

Нельзя создать что-то ценное, добавив к уже существующему продукту прогнозы, основанные на модели машинного обучения. Сильный ИИ – это не дополнение продукта, это основа. В таких случаях именно ИИ создает ценность. Такие продукты разрабатываются с учетом этого факта: в них и продукт, и данные работают в синергии.

Продукт полностью реализует потенциал данных и одновременно с этим генерирует новые данные, необходимые для улучшения. При хорошем исполнении получается взаимодействие, которое я называю «сочетанием продукта и данных».

Работа над ценностью продукта идет быстрее, если в обсуждении участвуют и остальные члены команды, от продуктовых менеджеров до руководителей. При работе над ИИ нужны не только инженеры и работающие с данными ученые. Это требует такого уровня знаний и вовлеченности, к которому даже работающие в стартапах инженеры еще не привыкли.

Сначала данные, потом ИИ

Для ИИ и машинного обучения нужно много высококачественных данных. Создавая продукт с нуля, с первого дня думайте о сборе данных. Перед внедрением технологии искусственного интеллекта в уже существующий продукт, готовьтесь много инвестировать в инженерию данных и изменение архитектуры.

Чем лучше обработка данных, тем информативнее аналитика – это критически важно для развития компании. Сначала узнайте ценность продукта, и только потом приступайте к работе. Приступайте к размышлениям о машинном интеллекте, когда аналитика будет надежной. Так вы продемонстрируете ценность продукта и привлечете инвесторов.

Инвестируйте в коммуникацию

Чтобы создать продукт, нужны квалифицированные продуктовые менеджеры и поддержка руководства. Сильный ИИ и глубинное обучение интересуют многих, но люди, далекие от IT-индустрии, не разбираются в этих технологиях. Чтобы обсуждать машинное обучение и ИИ, нужно разбираться в статистике: неэффективная коммуникация ведет к нереалистичным ожиданиям.

Особенно это важно для инженеров: для эффективной работы им нужно углублять знания и в своей области, и в сфере бизнеса. Менеджер по продукту и работающие с данными инженеры должны постоянно обсуждать бизнес-метрики и их преобразование в продукт.

«Простые и очевидные решения» не так очевидны

Как я упоминал выше, часто поставленную задачу проще решить с помощью простых и очевидных способов. Так происходит отчасти потому, что сегодняшние «простые и очевидные» решения еще вчера были сложными и оригинальными. Сейчас использовать word2vec так же просто, как регрессию. С каждым днем появляется больше новых инструментов, и понимание этих инструментов важно для специалиста по анализу данных.

Конечно, стоит использовать проприетарные алгоритмы, если они эффективны в вашей отрасли и для решения вашей проблемы. Появление новых инструментов с открытым исходным кодом привело к тому, что теперь проприетарные платформы в машинном обучении – не эффективное решение. Но давайте оставим исследования глубинного обучения сотрудникам Google – сосредоточимся на бизнес-задачах.

Если сомневаетесь, покажите данные пользователям

На раннем этапе важно наладить обратную связь с рынком. Однако машинное обучение требует данных, на сбор которых уходит много времени. В этом и состоит проблема: как проанализировать картину без больших объемов данных?

Не важно, что у вас мало данных: люди обрабатывают только небольшие объемы данных за раз. Чаще всего, лучшее решение – это показать накопленные данные пользователям. Так вы поймете, насколько потенциально ценны ваши данные для бизнеса. Посмотрите, как пользователи взаимодействуют с данными: что они игнорируют, а в чем хотят разобраться подробнее?

Выстраивайте доверие

Доверие – основа успеха большинства технологий: люди хотят доверять технологиям, которые используют. Одни люди беспокоятся, что автоматизация лишит их работы, другие полагаются на технологии, принимая важные решения. В обоих случаях важно доверие к приложениям и алгоритмам машинного обучения.

Если искусственный интеллект не помогает человеку принимать решения, а решает вместо него, пользователи быстро теряют доверие к приложению.

Создавайте продукты, которым люди будут доверять. Доверие легко потерять и крайне сложно вернуть.

Если у вас есть, чем вы можете поделиться — пишите в комментариях. Делитесь статьёй с коллегами, делайте выводы и работайте продуктивно. Больше информации о машинном обучении в телеграм-канале Нейрон (@neurondata).

Всем знаний!

Теги
Показать больше

Похожие статьи

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Кнопка «Наверх»
Закрыть