Makine öğreniminde beklenti-gerçeklik boşluğunu kapatmak
Beklenti-gerçeklik arasındaki bu uçurumu kapatmanın hızlı bir çözümü yok ancak ilk adım, ekipler arasında dürüst diyaloğu teşvik etmektir. Daha sonra iş dünyasının liderleri makine öğrenimini kuruluş genelinde demokratikleştirmeye başlayabilir. Demokratikleşme, hem teknik hem de teknik olmayan ekiplerin güçlü makine öğrenimi araçlarına erişebilmesi ve sürekli öğrenme ve eğitimle desteklenmesi anlamına gelir. Teknik olmayan ekipler, iş kararlarını geliştirmek için kullanıcı dostu veri görselleştirme araçlarına sahip olurken, veri bilimcileri de makine öğrenimi uygulamalarını verimli bir şekilde oluşturmak için ihtiyaç duydukları güçlü geliştirme platformlarına ve bulut altyapısına erişebilir. Capital One’da, bu demokratikleşme stratejilerini, ML’yi 50.000’den fazla çalışanımızın bulunduğu şirketimizin tamamına yaymak için kullandık.
Herkesin şirketin başarılı olmasına yardımcı olmak için ML’yi kullanma konusunda payı olduğunda, iş ve teknik ekipler arasındaki kopukluk kaybolur. Peki şirketler makine öğrenimini demokratikleştirmeye başlamak için ne yapabilir? ML’nin gücünü kuruluştaki herkese ulaştırmak için birkaç en iyi uygulamayı burada bulabilirsiniz.
Yaratıcılarınızı etkinleştirin
Günümüzün en iyi mühendisleri yalnızca teknik dehalar değil, aynı zamanda yaratıcı düşünürler ve ürün uzmanları ve tasarımcıların hayati ortaklarıdır. Daha fazla işbirliğini teşvik etmek için şirketler teknoloji, ürün ve tasarımın ortak hedefler doğrultusunda birlikte çalışmasına yönelik fırsatlar sağlamalıdır. Forrester araştırmasına göre makine öğrenimi kullanımı izole edilebildiği için işbirliğine odaklanmak başarının önemli bir kültürel bileşeni olabilir. Ayrıca ürünlerin iş, insan ve teknik açıdan oluşturulmasını da sağlayacaktır.
Liderler ayrıca mühendislere ve veri bilimcilerine, makine öğrenimi çözümlerinin işletmeye sunulmasını hızlandırmak için başarılı olmak için hangi araçlara ihtiyaç duyduklarını sormalıdır. Forrester’a göre ankete katılanların %67’si, kullanımı kolay araçların eksikliğinin, makine öğreniminin işletmeler arası benimsenmesini yavaşlattığı konusunda hemfikir. Bu araçlar, makine öğrenimi mühendisliğini destekleyen temel bir teknoloji altyapısıyla uyumlu olmalıdır. Geliştiricilerinizin, korumalı alan hazırlama alanında bir makine öğrenimi modeli geliştirdikleri, ancak daha sonra modeli yerleştirecek bilgi işlem ve altyapıya sahip olmadıkları için onu dağıtmak için beklemeleri gereken “acele edin ve bekleyin” dünyasında yaşamasına izin vermeyin. üretme. Makine öğrenimi eğitim ortamlarını destekleyen sağlam, bulutta yerel, çok kiracılı bir altyapı kritik öneme sahiptir.
Çalışanlarınızı güçlendirin
ML’nin gücünü, ister pazarlama ortağı ister iş analisti olsun, her çalışanın eline vermek, herhangi bir şirketi veri odaklı bir organizasyona dönüştürebilir. Şirketler, çalışanlara verilere yönetilen erişim izni vererek başlayabilir. Ardından ekiplere iş kararları için verileri analiz etmeleri amacıyla kodsuz/az kodlu araçlar sunun. Bu araçların insan odaklı bir tasarımla geliştirilmesi gerektiğini söylemeye gerek yok, bu yüzden kullanımları kolay. İdeal olarak, bir iş analisti bir veri kümesi yükleyebilir, tıklanabilir bir arayüz aracılığıyla makine öğrenimi işlevselliğini uygulayabilir ve hızlı bir şekilde eyleme geçirilebilir çıktılar oluşturabilir.
Birçok çalışan teknoloji hakkında daha fazla bilgi edinmek konusunda isteklidir. Liderler, kuruluş genelindeki ekiplere yeni beceriler öğrenmenin birçok yolunu sağlamalıdır. Capital One’da, iş zorunluluklarımıza uygun yedi teknoloji disiplininde kurslar sunan Tech College’ımız da dahil olmak üzere çok sayıda teknik beceri geliştirme programıyla başarıya ulaştık; Makine Öğrenimi ve Yapay Zeka alanında kariyere hızlı bir başlangıç yapmak için gerekli becerileri öğreten Makine Öğrenimi Mühendisliği Programımız; ve yazılım mühendisliği alanında kariyere hazırlanan, bilgisayar bilimleri dışı diplomalara sahip yeni üniversite mezunları için Capital One Geliştirici Akademisi. Forrester araştırmasında yanıt verenlerin %64’ü eğitim eksikliğinin kuruluşlarında ML’nin benimsenmesini yavaşlattığını kabul etti. Neyse ki, beceri geliştirmek her şirketin deneyimli çalışanlarını genç yeteneklere mentorluk yapmaya teşvik ederek sunabileceği bir şeydir.
Başarıyı ölçün ve kutlayın
ML’yi demokratikleştirmek, veriye dayalı karar almayı kuruluş geneline yaymanın güçlü bir yoludur. Ancak demokratikleşme girişimlerinin başarısını ölçmeyi ve üzerinde çalışılması gereken alanları sürekli iyileştirmeyi unutmayın. ML demokratikleşmesinin başarısını ölçmek için liderler, platformlar aracılığıyla alınan hangi veriye dayalı kararların yeni müşteriler veya ek gelir gibi ölçülebilir iş sonuçları sağladığını analiz edebilir. Örneğin, Capital One’da anormallik ve değişim noktası tespiti ile ilgili makine öğrenimi yeniliklerimizin sağladığı kart dolandırıcılığı savunması ile müşterilerimizin tasarruf ettiği para miktarını ölçtük.
Herhangi bir makine öğrenimi demokratikleştirme programının başarısı işbirlikçi ekip çalışması ve ölçülebilir hesap verebilirlik üzerine kuruludur. ML araçlarının kurumsal kullanıcıları, teknik ekiplere işlerini daha iyi yapmalarına hangi işlevlerin yardımcı olabileceği konusunda geri bildirim sağlayabilir. Teknik ekipler gelecekteki ürün yinelemelerini oluştururken karşılaştıkları zorlukları paylaşabilir ve başarılı olmalarına yardımcı olacak eğitim ve araçlar isteyebilir.