Vier Herausforderungen, die CDOs überwinden müssen, um umfassendes maschinelles Lernen zu ermöglichen

Top Chief Data Officers aus der ganzen Welt kommen zusammen, um die Herausforderungen zu diskutieren, die mit der Bereitstellung von umfassendem maschinellem Lernen für ihre Unternehmen verbunden sind.

Im November und Dezember letzten Jahres hatte ich das Vergnügen, zwei Diskussionsrunden für Führungskräfte zum Thema „Umfassender Wettbewerbsvorteil durch maschinelles Lernen“ im Rahmen der Evanta Reihe CDO Executive Summit von Evanta. Zu Beginn des Jahres hatten auch Mitglieder unseres Lucidworks Customer Advisory Board über Probleme berichtet, mit denen sie konfrontiert waren, als sie versuchten, über punktuelle Projekte hinauszugehen und das maschinelle Lernen in ihrem jeweiligen Unternehmen umfassend zu gestalten.

Die wichtigste Erkenntnis für beide Gruppen? Die Hoffnungen, Träume, Herausforderungen und Komplikationen bei der Bereitstellung eines umfassenden maschinellen Lernens sind universell, selbst über Branchen und Regionen hinweg.

ML zur Verbesserung der Auffindbarkeit von Inhalten

Mitarbeiter haben es immer noch schwer, die Inhalte zu finden, die sie für ihre Arbeit benötigen. Die vorhandenen Suchfunktionen für Unternehmen haben Schwierigkeiten, die verschiedenen Datenbestände im Unternehmen zu durchschauen. Wenn Mitarbeiter nicht in der Lage sind, schnell Informationen zu finden, um ihre Fragen zu beantworten, gehen sie oft davon aus, dass die Informationen nicht existieren.

Die Suche ist der beste Weg, um aus den Daten der Welt Wert zu schöpfen. Ich beschrieb den Teilnehmern des Runden Tisches, wie die Lucidworks-Suchplattform für Unternehmen maschinelles Lernen auf vielfältige Weise nutzt, um Kollegen das Auffinden von Informationen zu erleichtern. Das maschinelle Lernen personalisiert die Datensuche für jeden Benutzer.

Die Hoffnungen, Träume, Herausforderungen und Komplikationen bei der Bereitstellung eines umfassenden maschinellen Lernens sind universell, selbst über Branchen und Regionen hinweg.

In diesem Beitrag stellen wir Ihnen die vier Herausforderungen vor, die diese CDOs diskutiert und erörtert haben, während sie maschinelles Lernen in ihren jeweiligen Unternehmen umfassend umsetzen.

Herausforderung Nr. 1: Sammeln und Kuratieren von Daten

Diese CDOs stimmten darin überein, dass die Verfügbarkeit von Trainingsdaten oft den Fortschritt bei der umfassenden Einführung von maschinellem Lernen verlangsamt. Sie berichteten, dass die Daten, die für das anfängliche Trainieren der Modelle benötigt werden, schwer zu sammeln und zu beschaffen sind und dass es eine zusätzliche Hürde darstellt, die Modelle nach ihrer Einführung in die Produktion zu optimieren.

Ich empfahl die Einführung einer Plattform, die kontinuierlich ihre eigenen Trainingsdaten generiert und diese Fähigkeiten dann in anderen Bereichen des Unternehmens wiederverwendet. Das ist das Schöne an der KI-gestützten Suche. Sie verfügt über ein großes Heer von Mitarbeitern, die Ihnen die Trainingsdaten liefern, wenn sie ihre Suchanfragen eingeben und auf die Ergebnisse klicken. Die Lucidworks-Anwendung für die Unternehmenssuche beispielsweise erzeugt (in großen Unternehmen) jeden Monat Millionen von Signalen, die zum Trainieren anderer ML-Anwendungen wie Frage-Antwort-Systeme verwendet werden können.

Herausforderung Nr. 2: Entwicklung von Anwendungen und Modellen

Nehmen wir an, Sie gehören zu den Glücklichen und haben einen makellosen, relevanten und aktuellen Satz von Trainingsdaten. Viele Unternehmen verheddern sich bei dem Versuch, die beste erste Anwendung für das Training mit diesen Daten auszuwählen. Hier die gute Nachricht: Keines unserer Unternehmen ist so anders oder einzigartig, wie wir glauben (zumindest was die Geschäftsprobleme angeht, die wir mit ML lösen möchten).

Die besten Anwendungen für die Erweiterung der Intelligenz am Arbeitsplatz wurden bereits identifiziert, warum also das Rad neu erfinden? Wir ermutigen unsere Kunden, bei der Einführung eines umfassenden maschinellen Lernens einen „produktbasierten“ Ansatz zu wählen. Der traditionelle „projektbasierte“ Ansatz ist anfällig für die „Schleudern und Pfeile des unverschämten Glücks“ (ganz zu schweigen von funktionsübergreifenden Missverständnissen zwischen Geschäftsführern, Datenwissenschaftlern und IT-Teams). Beginnen Sie mit einer funktionierenden Anwendung, die sich bereits bewährt hat – z.B. Unternehmenssuche, Predictive Merchandising, Chatbots – und lassen Sie dann Ihre Datenwissenschaftler neue Modelle und Anwendungen auf der Grundlage einer Plattform erstellen, die relevante Nutzersignale erzeugt.

Die Suche ist der beste Weg, um aus den Daten der Welt Wert zu schöpfen.

Herausforderung Nr. 3: Operationalisierung des maschinellen Lernens

Lucidworks fördert den produktbasierten Ansatz zur Operationalisierung des maschinellen Lernens, weil wir alle von der hohen Misserfolgsquote des projektbasierten Ansatzes gehört oder gesehen haben. Viele der gescheiterten ML-Projekte haben nicht funktioniert, weil sie auf der erfolgreichen menschlichen Zusammenarbeit zwischen drei Gruppen mit unterschiedlichen Perspektiven und Zielen beruhten:

• Wirtschaftsführer
• Datenwissenschaftler
• DevOps-Teams

Maschinen mögen nicht sehr kreativ sein, aber zumindest tun sie zuverlässig, was man ihnen sagt. Nicht so bei uns Homo sapiens. Da Lucidworks Fusion über „AI inside“ verfügt, haben funktionsübergreifende Teams einen gemeinsamen Bezugspunkt für eine fruchtbare Zusammenarbeit. Datenwissenschaftler haben es schwerer, Modelle zu erstellen, die das Unternehmen nicht will oder die das IT-Team nicht mit einem angemessenen Ressourcenaufwand betreiben kann. Die Zusammenarbeit ist viel einfacher, wenn es darum geht, ein funktionierendes Modell zu verbessern, als eines von Grund auf neu zu erstellen. Dies beschleunigt die Einführung von umfassendem ML in Unternehmen.

Mehr dazu lesen Sie unter „Genauigkeit vs. Geschwindigkeit – was Datenwissenschaftler von der Suche lernen können“ von Radu Miclaus, Lucidworks‘ Director of Product for AI, um Ratschläge für die Zusammenarbeit zwischen Datenwissenschaftlern und Suchentwicklern zu erhalten.

Herausforderung Nr. 4: Augmented Intelligence für die breite Masse zugänglich machen

Alle ML-Pioniere in Unternehmen, die an diesen Gesprächen am runden Tisch teilnahmen, wollten künstliche Intelligenz einsetzen, um die menschliche Intelligenz möglichst vieler ihrer Mitarbeiter zu ergänzen. Das bedeutet, dass sie einfach zu bedienen sein muss, mit wenig bis gar keiner Schulung oder fortgeschrittenen technischen Kenntnissen.

Die CDOs, die auf diesem Weg am weitesten fortgeschritten waren, hatten immer noch Probleme damit, Hunderte oder Tausende von Mitarbeitern, die keine Datenwissenschaftler sind und Python nur als gefährliche Schlange kennen, zum Einsatz von maschinellem Lernen zu bewegen. Unternehmen können sich aufrichtig dazu verpflichten, maschinelles Lernen in ihre Entscheidungsprozesse einzubeziehen, aber sie müssen ihre Teammitglieder auch dazu bringen, es zu nutzen. Diese Verhaltensänderung kann langsam sein.

Die Suche beschleunigt die Akzeptanz, weil sie allgemein bekannt ist. Selbst kleine Kinder wissen, wie man Texte durchsucht oder Inhaltskataloge durchblättert. Die KI-gestützte Suche erweitert die Intelligenz aller, von Mitarbeitern an der Front über Datenwissenschaftler bis hin zu Führungskräften.

Es gibt Möglichkeiten, diese vier allgemeinen Herausforderungen bei der Einführung von umfassendem maschinellem Lernen zu überwinden oder zu umgehen, und die innovativen Führungskräfte, die dies tun, werden einen nachhaltigen Vorteil gegenüber denen haben, die dies nicht tun.