● Измерение. Как измерить эффективность модели машинного обучения? Модели, как и люди, оцениваются на предмет эффективности. Есть несколько способов измерения эффективности относительно простой регрессионной модели (метрики MAE, RMSE и R2 достаточно просты и очевидны).

8.3.2.4. Причины неудач внедрения ИИ

Большинство проектов ИИ терпят неудачу. Вот типичные причины, по которым это случается:

Сценарии использования

Первая причина неудач – выбор неподходящего сценария использования или слишком большого числа сценариев использования без достаточных возможностей и инфраструктуры. Чтобы выбрать задачи, наиболее подходящие для применения ИИ, используйте критерии, приведенные выше. Кроме того, имеет смысл выбирать сценарии использования, позволяющие постепенно наращивать возможности, знания и сложность технической реализации. К выбору подходящих сценариев использования рекомендуется привлекать следующих специалистов:

● сотрудники бизнес-подразделений, которые в курсе бизнес-проблем, контекста и ограничений, и у которых есть гипотезы, нуждающиеся в проверке;

● бизнес-аналитики, которые умеют задавать вопросы, проясняющие намерения и требования бизнеса, а также определять источники и необходимые преобразования данных;

● аналитики данных, которые умеют ставить задачи машинного обучения и глубокого обучения и строить модели, отвечающие гипотезам;

● инженеры данных и ИТ-специалисты, которые могут обеспечить доступ к данным.

Чтобы с самого начала организовать правильное управление проектом ИИ, требуется опытный кросс-функциональный руководитель, способный понять и сбалансировать эффект для бизнеса, операционные цели, ограничения и возможности потоков работ, потребности и ограничения со стороны данных, технологические факторы.

Разработка и тестирование