[ad_1]

ایستادن روی شانه های غول های صنعت که از دهه ها آزمایش تولید آموخته اند ، ارزش قابل توجهی دارد.

تصویر: AldanNa - stock.adobe.com

تصویر: AldanNa – stock.adobe.com

وظیفه شما استفاده از هوش مصنوعی برای پیش بینی زمان از دست دادن مشتری است. شما با داده های تاریخی و سهامداران تجاری کار می کنید. شما مدلی ساختید که نشان می دهد او می تواند مشتریان گمشده را چند هفته قبل از جذب مشتری پیش بینی کند. شما الگوریتم را خاموش نشان می دهید ، ثابت می کنید که می تواند کار کند و نشان می دهد که چقدر باعث از دست رفتن درآمد شرکت می شود. رهبری آن را دوست دارد. زمان اجرای آن فرا رسیده است. حالا چی؟ این جایی است که از هر 10 پروژه هوش مصنوعی هشت مورد شکست می خورند ، نه به این دلیل که این فناوری کار نمی کند ، بلکه به این دلیل است که انتقال از یک آزمایش یک بار به یک راه حل کاملاً عملیاتی شرکت نیاز به مهارت های مختلف دارد.

برای رفتن به آنجا ، شما به یک منبع دائمی از داده های به روز شده منظم ، تمیز ، استاندارد و آماده برای استفاده نیاز خواهید داشت. شما برای ادامه کار سیستم به قدرت محاسباتی و منابع انسانی کافی نیاز دارید و برای توجیه بازگشت سرمایه باید هزینه های سربار تا حد ممکن پایین باشد. شما باید کیفیت خروجی را به دقت آزمایش کنید و مطمئن شوید که وقتی مدل شما با دنیای واقعی مطابقت دارد ، باز هم کار می کند. وقتی (نه اگر) این اتفاق نیفتد ، به بازخورد مداوم و یک روش تعمیر نیاز دارید تا خطا باعث خاموش شدن کل سیستم نشود.

برای شما آشنا به نظر می رسد؟ شرکت های تولیدی در علم معرفی نمونه اولیه در تولید تسلط دارند. آنها مواد خام را به بیت های استاندارد تبدیل می كنند و آنها را به محصولات مونتاژ می كنند. آنها اجزای کیفیت را تجزیه و تحلیل کرده و آنها را به عنوان محصولات نهایی بدون خطا در اختیار مصرف کنندگان قرار می دهند. آنها این کار را با رعایت بسیاری از اصول راهنما انجام می دهند. در اینجا چهار مورد مهم برای AI وجود دارد:

1. داده های خود را استاندارد کنید. با هوش مصنوعی ، همانند تولید ، شما باید با مواد اولیه استاندارد شده شروع کنید. کارخانه ای که مواد اولیه را به محصول نهایی تبدیل کند ، در صورت عدم تطابق داده های ورودی ، محصولات ناسازگار تولید خواهد کرد. هوش مصنوعی که از داده های متناقض یا بی کیفیت استفاده می کند منجر به نتایج متناقضی خواهد شد. شما باید منابع داده خود را از نظر قابلیت اطمینان و سازگاری بررسی کرده و داده های خود را تمیز کرده ، از قبل پردازش و تبدیل کنید تا برای مدل های خود آماده کنید. این روند باید ثابت و منظم باشد.

2. ضایعات را از بین ببرید. هنگامی که مقیاس دارید ، کمترین زباله به قیمت کلانی تبدیل می شود ، به همین دلیل شرکت های تولیدی در زمینه به حداقل رساندن زباله متخصص هستند. هر زمان هوش مصنوعی شما کار می کند ، هزینه ای دارد. یک مدل قابل پیش بینی می تواند روی لپ تاپ آنقدر سریع باشد که بتواند اثرات ناکارآمدی اندک در کد را از دست بدهد ، اما وقتی در شرکت مستقر می شود به یک خوک داده متورم تبدیل می شود. اگر شما یک مدل ارزیابی سرب ساخته اید که به فروشندگان می گوید با اختصاص برآورد به هر یک از سرب ها در CRM آنها ، چقدر فرصت می تواند ارزشمند باشد ، هر چند وقت یک بار باید به روز شود؟ آیا سیستم هربار که یکی از مشتریان شما اقدام مناسب را انجام می دهد ، لازم است داده ها را تازه سازی کند؟ یا می توانید قبل از اینکه تیم شما استراتژی تعامل خود را مشخص کند ، با به روزرسانی نتایج احتمالی مشتری ، تعداد تازه سازی ها را کاهش دهید و در هزینه های داده صرفه جویی کنید؟

3. مدیریت کیفیت کلی را در آغوش بگیرید. کارخانه ها ، هر چقدر هم به خوبی مدیریت شوند ، مقدار معینی از خروجی معیوب را تولید می کنند. وقتی خطاهای کوچکی در مقیاس رخ می دهد ، این می تواند منجر به نتایج فاجعه بار و پرهزینه شود. به همین دلیل تولید کنندگان با توجه به نقص ، هر خط تولید را طراحی ، سفارشی و نگهداری می کنند. هر فرد و بخشی به دقت قرار داده شده است تا نتایج مشکل ساز به حداقل برسد. هوش مصنوعی شما دارای نقص خواهد بود. یک روز این وضعیت خوب را بد می نامد یا پیش بینی می کند مشتری روز قبل از امضای قرارداد شش ماهه قرارداد فرار خواهد کرد. قبل از ترکیب خطاها باید این نقایص را شناسایی و اصلاح کنید. سیستم خود را با در نظر گرفتن مدیریت كیفیت كامل طراحی كنید. انتظارات کیفی خود را مشخص کنید تا بتوانید آنها را بسنجید. تعیین کنید که کجا خطاها رخ می دهد و چگونه می توانید سیستم خود را برای به حداقل رساندن آنها پیکربندی کنید.

4- سازوکارهای بازخورد ایجاد کنید. صحنه ای از ویلی وونکا و کارخانه شکلات سازی را به یاد می آورید که با نمایش اینکه چگونه کارخانه وونکا تعیین می کند کدام تخم مرغ های طلایی خوب و کدام بد هستند ، آغاز می شود و با دستگاهی که Veruka Salt “تخم مرغ بد” می داند پایان می یابد؟ مانند کارخانه خارق العاده وونکا ، یک کارخانه واقعی که پودر شن را اسپری می کند دارای سیستم های QC است که خروجی با کیفیت را تضمین می کند. شما به مکانیزم بازخورد نیاز دارید که بتواند خطاهای هوش مصنوعی شما را آزمایش و تشخیص دهد. همچنین باید سیستم خود را طوری طراحی کنید که بتوان آن را تعمیر کرد. اگر آن را برای سرویس طراحی نکنید ، نمی دانید چه زمانی خراب شده است یا چگونه یا کجا خراب شده است. هدف باید طراحی سیستمی باشد که پس از شناسایی خطا بتواند به کار خود ادامه دهد. شما نمی خواهید به محققان داده ای که این مدل را ایجاد کرده اند اعتماد کنید تا هر بار شکستن آن را دوباره مورد استفاده قرار دهید. دانشمندان داده افراد ناپسند و – مهمتر از همه – راضی به تعمیرات نمی کنند.

قسمت مهم دیگری از معمای بازخورد از طرف کاربران نهایی است و در اینجا هوش مصنوعی نسبت به تولید مزیت دارد. تولیدکنندگان به پردازش بازده فیزیکی توسط بازرگانان و مشتریان اعتماد می کنند. توسعه دهندگان می توانند به عنوان بخشی از تجربه کاربر ، سیستم های AI را با مکانیزم بازخورد فوری طراحی کنند. الکسا آمازون گاهی می پرسد آیا شما جواب رضایت بخشی به شما داده است؟ تیم های فروش با نتیجه داخلی در نتایج مدیریت مشتری می توانند با کلیک بر روی یک نماد انگشت شست یا انگشت شست برای بازخورد توصیه ها اقدام کنند. این نوع بازخورد را می توان به طور مداوم پردازش و کنترل کرد و از آن برای هدایت پیشرفت استفاده کرد.

امروزه مقیاس بندی هوش مصنوعی مورد توجه بسیاری از سازمانها قرار گرفته است ، به ویژه که سازمانها در پاسخ به تحولات جهانی سرمایه گذاری خود را در اتوماسیون افزایش می دهند. ایستادن روی شانه های غول های صنعت که از دهه ها آزمایش تولید آموخته اند ، ارزش قابل توجهی دارد. هدف استاندارد کردن سفر از نمونه اولیه به تولید با فرآیندهای بهینه و بهبود مستمر تفکر است. در حالی که سفر خود را به سمت هوش مصنوعی کاربردی آغاز می کنید ، برای تولید و توزیع اختراعات خود به طراحان نمونه اولیه اعتماد نکنید. مخترعین خود را از اختراع باز دارید. مجموعه ای از مهارتها و تجربیات مناسب – با راهنمایی از طبقه تولید – برای استفاده از این اختراعات ، مقیاس گذاری آنها و اطمینان از ثبات ، کیفیت بالا و ارزش سرمایه گذاری محصولاتشان.

دکتر آرون شستری عمل هوش مصنوعی را در ZS Associated انجام می دهد. وی در زمینه طراحی سازمانهای تجزیه و تحلیل ، علم داده و تجزیه و تحلیل پیشرفته ، ایجاد ظرفیت برای تجزیه و تحلیل و برون سپاری فرایندهای تحلیلی متخصص است.

PKS Prakash ، PhD یک مدیر وابسته در ZS Associates است. باتکنیک های پیشرفته علوم داده و هوش مصنوعی را در چندین عمودی ، از جمله مراقبت های بهداشتی ، مهمان نوازی ، خرده فروشی طراحی و پیاده سازی می کند و تولید.

انجمن هفته اطلاعات متخصصان فناوری اطلاعات و متخصصان صنعت را با مشاوره ، آموزش و نظرات فناوری اطلاعات گرد هم آورده است. ما تلاش می کنیم رهبران فن آوری و متخصصان موضوع را برجسته کنیم و از دانش و تجربه آنها برای کمک به مخاطبان IT خود استفاده کنیم … بیوگرافی کامل را ببینید

ما از نظرات شما در مورد این موضوع در کانال های رسانه های اجتماعی خود استقبال می کنیم [contact us directly] با س questionsالات در مورد سایت.

بینش بیشتر



[ad_2]

منبع: tasiveh-news.ir