Sei sulla pagina 1di 2

Alex Holub-Come (e se) implementare l'apprendimento automatico nella vostra

organizzazione
Alex Holub, Vidora @alex_holub 7 marzo 2018 12:10
Immagine di credito: Shutterstock / Mooshny
Raccomandazioni VB

Fortnite in cima alla classifica di incassi di iOS USA; Download di PUBG Mobile
tops
Epic Games mostra incredibili real-time digital human con la demo di Siren
Come rinunciare alla condivisione dei dati della piattaforma di Facebook

Prossimi eventi

GamesBeat Summit 2018 Apr 9 - 10


Trasforma 2018 dal 21 al 22 agosto
VB Summit 2018 22-22 ottobre

L'apprendimento automatico sta producendo effetti sostanziali sulle aziende di


tutto il mondo, ma molte organizzazioni hanno difficolt� a capire dove e quando
utilizzare in modo ottimale ML. Per consentire implementazioni di successo, le
aziende devono innanzitutto riconoscere quali sono i problemi pi� suscettibili a ML
e, in secondo luogo, garantire che siano in atto i giusti processi per valutarne
l'impatto.

In generale, gli algoritmi ML creano relazioni tra input e output sfruttando le


propriet� statistiche dei dati. Mentre i ricercatori espongono l'algoritmo a pi�
dati, impara e si adatta. Alla fine, la relazione diventa abbastanza precisa che
l'algoritmo generalizza per prevedere gli output da nuovi input. Le aziende possono
utilizzare queste previsioni per scoprire nuove intuizioni e potenziare
l'automazione aziendale.

Sopra: caso d'uso del campione verticale


Trovare i problemi che la ML pu� risolvere

Quindi, come puoi identificare un obiettivo aziendale che puoi affrontare con ML?
Ecco una serie tipica di passaggi da considerare.
1. L'obiettivo � sostanziale, quantificabile e misurabile?

In primo luogo, l'obiettivo che stai cercando di ottenere usando ML dovrebbe essere
significativo per la tua azienda. L'identificazione degli obiettivi sostanziali
richiede in genere l'assunzione di titolari di aziende coinvolgenti che abbiano una
comprensione ampia del valore generato da una soluzione ML.

Successivamente, l'obiettivo di previsione dovrebbe essere quantificabile e ben


definito. Ad esempio, uno dei tipi pi� comuni di framework ML � l'apprendimento
automatico supervisionato. Nell'apprendimento automatico supervisionato, i
ricercatori danno all'algoritmo un input 'X e un'uscita Y, e chiedono di trovare la
mappatura funzionale Y = F (X) tra X e Y.

Se stai cercando di massimizzare il coinvolgimento sul tuo sito, il target Y che


ottimizzi potrebbe corrispondere alla percentuale di clic in loco, al tempo totale
sul sito o a una combinazione di questi. Un problema ML supervisionato richiede al
proprietario dell'azienda di quantificare in modo esplicito per cosa sta
ottimizzando la funzione.

Infine, l'output degli algoritmi ML dovrebbe essere misurabile su base


continuativa. I migliori algoritmi ML si adattano quando i ricercatori li espongono
a nuovi dati per ridurre al minimo il tasso di errore delle previsioni. Ci�
consente al sistema di apprendere e regolare continuamente i suoi algoritmi per
ottimizzare gli obiettivi di business.
2. L'apprendimento automatico � l'approccio giusto?

In generale, le imprese possono avvicinarsi allo sviluppo di sistemi intelligenti


(sistemi IA) in due modi: sistemi esperti e ML. Nei sistemi esperti, gli esseri
umani programmano esplicitamente azioni spesso basate su regole "se questo, poi
quello". Tali sistemi, in generale, non hanno gli stessi requisiti di dati degli
algoritmi ML e beneficiano dello sviluppo di una comprensione pi� esplicita
dell'algoritmo finale. ML, d'altra parte, utilizza i dati per imparare le regole.
Per problemi sfumati le cui soluzioni gli analisti non possono codificare in regole
rigide, l'apprendimento automatico pu� rivelare le relazioni che i sistemi esperti
potrebbero perdere. Ma questa flessibilit� ha un costo: hai bisogno di dati.

Sopra: sistemi esperti contro machine learning: diagnosi mediche


3. Hai i dati necessari?

Se ML � un percorso praticabile per risolvere il tuo problema aziendale, allora


sono necessari i dati. Sia la quantit� che la qualit� sono importanti. I dati
storici stabiliscono una relazione di input e output affidabile per addestrare il
modello. Oltre alla fase di formazione del modello, l'infrastruttura � tipicamente
necessaria per raccogliere nuovi dati dai quali apprendere nel tempo.
Valutare l'apprendimento automatico nel vostro business

Dopo che una societ� identifica un progetto ML, � importante valutare l'impatto pi�
ampio della ML sul business.

Un'area attiva della ricerca ML si concentra sull'interpretazione del perch� un


algoritmo ha derivato l'output che ha fatto e i ricercatori possono decomporre
molti algoritmi per fornire queste informazioni. Ad esempio, sapere che un utente
si abbandona � prezioso, ma sapere perch� gli utenti agitano le imprese consente
alle aziende di migliorare i propri prodotti o sviluppare meccanismi automatici per
impedire loro di agitarsi. Garantire che la tua attivit� sia attivamente coinvolta
nel "perch�" � importante per ottimizzare l'impatto pi� ampio della ML sulla tua
organizzazione.

� importante misurare in che modo l'algoritmo ML influisce su obiettivi aziendali


pi� ampi. Ad esempio, un feed di Facebook incentrato sulla massimizzazione
dell'impegno potrebbe inizialmente concentrarsi sulla massimizzazione dei clic sui
contenuti. Questo obiettivo ML potrebbe avere conseguenze indesiderate, ovvero
aggiungere click-bait a un feed di contenuti, portando infine a una riduzione del
CLV attraverso la base di utenti. Nel tempo, potrebbe essere necessario modificare
gli obiettivi di coinvolgimento in una metrica quantificabile associata alla
fidelizzazione dei clienti a lungo termine.

Un recente sondaggio condotto da 1.000 leader aziendali ha rilevato che mentre il


66% delle organizzazioni utilizza l'intelligenza artificiale per automatizzare le
attivit� di routine, l'80% dei dirigenti di livello C ha indicato che il futuro
delle proprie aziende "sar� informato attraverso le opportunit� rese disponibili
dalla tecnologia AI." � fondamentale che i titolari di aziende siano in grado di
identificare e misurare efficacemente l'impatto della ML al fine di massimizzare le
opportunit� di business offerte dalla tecnologia.

Alex Holub � cofondatore e CEO di Vidora , una piattaforma di apprendimento


automatico in tempo reale utilizzata per ottimizzare il marketing e l'automazione
dei prodotti.