他说:“更困难的是从已创建的用例中提取价值,但可以做到。”他举例说,最近在内德班克正在开展的项目。
在一个反欺诈项目中,仅六个月就防止了价值1.37亿兰特的欺诈交易。另一个是试点计划,过去四个月的收入超过2.5亿兰特。
如果该算法不支持业务流程,那无非是一种智力上的练习。
泰勒坚持认为,确保从ML / AI项目交付价值的唯一方法是“自下而上”方法的结果,该方法要求数据科学团队与业务部门密切合作,而不是“自下而上”。自上而下的方法。
“您要通过AI项目实现的所有工作都必须与业务保持一致-业务实际上是在地上,而不是在最高管理层中。该策略可能来自高层,但痛苦是根深蒂固的,这就是您可以找到实际用例的地方,”他说。
对于数据科学家来说,重要的是要认识到AI在业务范围之外并不重要。“如果该算法不支持业务流程,那无非是一种智力活动。这是业务与技术之间真正存在差距的地方,”他补充说。
第一步
因为ML / AI项目旨在帮助自动执行决策,所以必须准确确定需要自动化哪些决策才能实现三个关键目标:
赚钱
防止金钱损失;和
帮助管理风险。
“数据科学团队无法知道这些问题的答案,至少在细节上与业务人员不一样。数据科学团队可以帮助业务人员回答问题,但是业务人员必须负责管理自己的痛点,”泰勒说。
同样重要的是要记住,ML / AI与软件开发无关。
我们必须记住,机器学习所衡量的是行为,因此模型一直在变化。
“您不仅可以将模型投入生产并走开。我们用于机器学习的工具不同于我们一直使用的工具–我们必须以一种新的方式来构建这些工具,更深入地研究并为系统创造更多的能力。我们必须记住,机器学习所衡量的是行为,因此,模型一直在变化。”他说。
成功的另一个关键因素是为项目配备合适的人员和技能。但是,这说起来容易做起来难,因为过去几年对AI / ML技能的需求增长了650%以上(基于LinkedIn职位)。
此外,许多申请这些工作的人都没有必要的技能,无论其简历上写有什么内容。
因此,泰勒开始根据才智来招募团队成员,尤其是好奇心以及对学习和探索数据的渴望。一旦招募,这些聪明的年轻人便受到高级数据科学家,BI和数据分析师的密切管理和指导。
“重要的是要记住,AI / ML与模型无关,而是与人有关。最大的成功来自于AI使地面人员的生活更加轻松,因此他们不会妨碍变更管理流程,并且该项目能够交付其旨在实现的价值,”他总结道。