Не существует быстрого способа устранить этот разрыв между ожиданиями и реальностью, но первым шагом является налаживание честного диалога между командами. Тогда бизнес-лидеры смогут начать демократизировать ОД по всей организации. Демократизация означает, что как технические, так и нетехнические команды имеют доступ к мощным инструментам ML и поддерживаются постоянным обучением и обучением. Нетехнические группы получают удобные инструменты визуализации данных для улучшения процесса принятия бизнес-решений, а ученые, работающие с данными, получают доступ к надежным платформам разработки и облачной инфраструктуре, необходимой им для эффективного создания приложений машинного обучения. В Capital One мы использовали эти стратегии демократизации, чтобы масштаб ML во всей нашей компании, насчитывающей более 50 000 сотрудников.

Когда каждый заинтересован в использовании машинного обучения для достижения успеха компании, разрыв между бизнес-командами и техническими командами исчезает. Так что же могут сделать компании, чтобы начать демократизацию машинного обучения? Вот несколько лучших практик, которые помогут донести мощь машинного обучения до каждого сотрудника организации.

Включите своих создателей

Лучшие инженеры сегодня — это не просто технические гении, но также творческие мыслители и важные партнеры специалистов по продуктам и дизайнеров. Чтобы способствовать более тесному сотрудничеству, компании должны предоставлять возможности технологиям, продуктам и дизайну для совместной работы для достижения общих целей. Согласно исследованию Forrester, поскольку использование МО может быть разрозненным, сосредоточение внимания на сотрудничестве может стать ключевым культурным компонентом успеха. Это также будет гарантировать, что продукты создаются с деловой, человеческой и технической точек зрения.

Руководителям также следует спросить инженеров и специалистов по обработке данных, какие инструменты им нужны для достижения успеха и ускорения внедрения решений ML в бизнес. По данным Forrester, 67% респондентов согласны с тем, что отсутствие простых в использовании инструментов замедляет внедрение машинного обучения на предприятиях. Эти инструменты должны быть совместимы с базовой технологической инфраструктурой, поддерживающей разработку машинного обучения. Не заставляйте своих разработчиков жить в мире «торопись и жди», где они разрабатывают модель машинного обучения в тестовой среде, а затем вынуждены ждать ее развертывания, потому что у них нет вычислительных ресурсов и инфраструктуры для внедрения модели. производство. Надежная облачная мультитенантная инфраструктура, поддерживающая среды обучения машинному обучению, имеет решающее значение.

Расширьте возможности своих сотрудников

Предоставление возможностей машинного обучения каждому сотруднику, будь то маркетолог или бизнес-аналитик, может превратить любую компанию в организацию, управляемую данными. Компании могут начать с предоставления сотрудникам регулируемого доступа к данным. Затем предложите командам инструменты без кода или с низким уровнем кода для анализа данных для принятия бизнес-решений. Само собой разумеется, что эти инструменты должны разрабатываться с учетом интересов человека, чтобы их было легко использовать. В идеале бизнес-аналитик мог бы загрузить набор данных, применить функции машинного обучения через интерактивный интерфейс и быстро получить практические результаты.

Многие сотрудники стремятся узнать больше о технологиях. Лидеры должны предоставить командам всего предприятия множество способов овладеть новыми навыками. В Capital One мы добились успеха во многих программы технического повышения квалификации, в том числе наш Технический колледж, предлагающий курсы по семи технологическим дисциплинам, соответствующим потребностям нашего бизнеса; наша программа машинного обучения, которая обучает навыкам, необходимым для начала карьеры в области машинного обучения и искусственного интеллекта; и Академия разработчиков Capital One для недавних выпускников колледжей со степенями, не связанными с информатикой, готовящихся к карьере в области разработки программного обеспечения. В исследовании Forrester 64% респондентов согласились, что отсутствие обучения замедляет внедрение ML в их организациях. К счастью, повышение квалификации — это то, что может предложить каждая компания, поощряя опытных сотрудников обучать молодые таланты.

Измеряйте и празднуйте успех

Демократизация машинного обучения — мощный способ распространить процесс принятия решений на основе данных по всей организации. Но не забывайте оценивать успех инициатив по демократизации и постоянно совершенствовать те области, над которыми необходимо работать. Чтобы количественно оценить успех демократизации ML, руководители могут проанализировать, какие решения, основанные на данных, принятые с помощью платформ, принесли измеримые бизнес-результаты, такие как новые клиенты или дополнительный доход. Например, в Capital One мы измерили сумму денег, сэкономленную клиентами благодаря защите от мошенничества с картами, обеспечиваемой нашими инновациями машинного обучения в области обнаружения аномалий и точек изменения.

Успех любой программы демократизации ОД основан на совместной командной работе и измеримой подотчетности. Бизнес-пользователи инструментов ML могут предоставить техническим командам обратную связь о том, какие функции помогут им лучше выполнять свою работу. Технические команды могут рассказать о проблемах, с которыми они сталкиваются при создании будущих итераций продукта, и попросить об обучении и инструментах, которые помогут им добиться успеха.