Tired frustrated businessman working from home online sitting at home office with laptop during

Blog

In Augmented Appsonderzoeken we hoe productteams AI en ML verkennen om hun producten intuïtiever te maken en de gebruikerservaring te verbeteren.

AI en machine learning (ML) zijn niet alleen pakkende modewoorden; ze zijn essentieel voor de toekomst van onze planeet en uw bedrijf. Datasets zijn snel te groot, te complex en te snel geworden voor mensen om mee te worstelen. Het integreren van AI en ML in uw product of dienst wordt een basisprincipe om op de markt te blijven. Het goed doen kan het verschil betekenen tussen gedijen in de nieuwe wereld van data en eruit verdwijnen.

Dus wat zijn de stappen op hoog niveau om AI en machine learning te integreren in nieuwe en bestaande producten? AI kan op veel manieren waarde toevoegen aan uw product / dienst, waaronder:

  • Verbeterde bedrijfsprestaties
  • Lagere kosten
  • Verhoogde klanttevredenheid
  • Verbeterde merkwaarde
  • Risicovermindering (minder menselijke fouten, vermindering van fraude, vermindering van spam)
  • Verbeterd gemak en toegankelijkheid van producten

In dit artikel gaan we in op de manieren waarop AI u kan helpen deze doelen te bereiken, zodat u en uw team een ​​voorstelling kunnen maken van de toekomst van uw product of dienst.

Prestaties verbeteren met AI

Het verbeteren van de klantervaring en het verlagen van de kosten in een enkele stap klinkt onmogelijk, maar dit is precies wat correct geïmplementeerde AI kan bereiken. Meestal moeten we meer geld uitgeven om een ​​betere klantervaring te bereiken, maar AI levert tegelijkertijd meer nauwkeurigheid en focus op en verlaagt de kosten voor menselijk kapitaal.

Een aspect van AI dat deze uitkomst mogelijk maakt, is training met behulp van domeinkennis van experts. Een AI die getraind is met vakkennis op een bepaald vakgebied kan veel beter presteren dan een chatbot die een gesprek voert over willekeurige onderwerpen. Bezoek de Mitsuku-chatbot, bijvoorbeeld, en stel de simpele vraag: “Hoe werkt een broodrooster?” Het antwoord: “Je zou er jaren aan kunnen besteden”, is niet nuttig. Bekijk daarentegen de discussie met de vlekverwijdering chatbot in het onderstaande diagram.

bron

Merk op hoe de chatbot in dit geval de discussie begeleidt met vragen over een specifiek onderwerp. Dit is waar deskundige kennis AI-producten een enorme waarde kunnen toevoegen aan een merk. Dit is ook een belangrijke afhaalmaaltijd voor teams die AI met succes willen implementeren: begin met de key performance indicators (KPI’s) waarmee u het succes van uw AI-app wilt meten en kijk waar dat aansluit bij uw deskundige domeinkennis. Pas vervolgens uw aanpak aan om uw unieke gegevens en expertise te gebruiken om uit te blinken in die KPI-gebieden.

Voorbeeld: producten met aanbevelingscomponenten

Stel dat u werkt met een aanbevelingsengine die producten voorstelt aan een sitebezoeker. Wat is het proces om aanbevelingsengines te verbeteren? Een voor de hand liggend mechanisch antwoord is: gebruik relevantie als meeteenheid. Kijk naar impliciete en expliciete feedback. Een beproefde methode voor succes is om voorkeuren in realtime te verfijnen door tijdens transacties nieuwe klantkeuzes in het neurale netwerk in te voegen. Dit betekent dat de intelligentie van de aanbeveler daadwerkelijk verbetert terwijl een bezoeker aan het browsen is, zelfs voordat er een transactie plaatsvindt!

Een andere belangrijke methode is om bestaande statistieken te benchmarken. Ken de beperkingen van uw bestaande dataset en beantwoord deze vragen: Welke gegevenscategorieën zijn er? Wat is het specifieke probleem of obstakel om nu nauwkeurige aanbevelingen te doen?

Verzamel vervolgens de hoofdoorzaken om deze vragen te beantwoorden. Praat, indien mogelijk in uw marketingbereik, met bestaande klanten en verbeter hun ervaring door hun verwachte resultaten te vergelijken met de huidige resultaten. Leer de verwachtingen van de klant. Gebruik specifiek een affiniteitsdiagram om prioriteiten te stellen en het minimaal levensvatbare product (MVP) te plannen.

Affinity Wall

Punten om te onthouden:

  • Begrijp de klantproblemen die u wilt oplossen: Wat zijn de sociale en emotionele aspecten? Kan een chatbot helpen om relaties te verbeteren? Wat zijn de zakelijke gevolgen?
  • Inclusiviteit: Probeer vooroordelen over ras, leeftijd en geslacht te ontdekken en weg te nemen. Zorg ervoor dat testcases de diversiteit van app-gebruikers vertegenwoordigen.
  • Herken gebruikersemoties: Emotie is cruciaal voor aanbevelers. Natuurlijke taalverwerking kan worden gebruikt om toon en intentie in schriftelijke gesprekken te detecteren.
  • Bouw een product dat continu leert: AI-systemen moeten zich aanpassen aan en leren van feedback.
sisense-blog-Embedded-Trends-20191218-bl-blog-banner

Betere data, betere AI, betere producten

Het hebben van de juiste gegevens (en voldoende) om uw AI te trainen, is essentieel. Nemen Grammaticaal als voorbeeld: dit populaire programma controleert de grammatica, toon en stijl van documenten. Het groepeert inhoud in een van de drie stijlen: professioneel, gematigd of informeel, op basis van natuurlijke taalverwerking. Om deze AI goed te laten trainen, was een enorme leerdataset nodig met talloze documenten die volgens specifieke criteria waren getagd. Nauwkeurig voorbereide gegevens vormen de basis van AI.

Als AI-productmanager zijn hier enkele belangrijke gegevensgerelateerde vragen die u uzelf zou moeten stellen:

  • Wat is het probleem dat u probeert op te lossen?
  • Wat zijn de juiste KPI’s en outputs voor uw product?
  • Welke datatransformaties zijn nodig van uw datawetenschappers om de data voor te bereiden?
  • Wat is er nodig om uw MVP te bouwen?

Tegenwoordig ontwikkelen we AI in een tijdperk waarin gegevens worden behandeld als code, of op zijn minst als een uitbreiding van code, omdat de code alleen geen diepgaande kennis kan bereiken zonder de gegevens. Bovendien moeten trainingsgegevens zodanig conform het app-ontwerp zijn dat datavoorbereiding op codering lijkt. Er zijn verschillende belangrijke stappen die u moet nemen om de gegevensintegriteit voor uw AI-project te waarborgen:

  • Correct: Veelvoorkomende gegevensfouten zijn onder meer Fahrenheit / Celsius, UTC en een 12/24-uurs klok
  • Compatibel: Gegevens moeten voldoen aan wettelijke toestemming en privacyregels
  • Actueel: Gegevens moeten relevant zijn in de tijdsbereik en mogen niet verlopen zijn
  • Consequent: U moet consistente gegevenstypen valideren met testcases
  • Geconsolideerd: U moet de gewenste output bepalen; gegevens voor regressie vs. classificatie moeten bijvoorbeeld worden onderscheiden door het gebruikte ML-model

De perfecte pasvorm

Bij het samenstellen van uw datamodel is het van vitaal belang om zowel underfitting als overfitting te voorkomen. Dit wordt gedaan door een ML-methode die validatie wordt genoemd. Hoewel AI-productmanagers mogelijk niet betrokken zijn bij de ontwikkeling van algoritmen, kunnen ze er baat bij hebben de symptomen van overfitting te herkennen in het gedrag van het model dat wordt ontwikkeld.

Een ondermaats model is niet flexibel en leert niet goed. Een overfitted model leert van alle gegevens, inclusief ruis in de gegevens.

Gegevensmodel

Het underfitted model ziet eruit alsof het de data helemaal negeert, terwijl het overfitted model rechts de ruis in de data modelleert! Zonder al te technisch te worden, willen we een voorbeeld noemen van validatie dat kan worden gebruikt om deze problemen op te lossen: k-voudige kruisvalidatie.

K-fold kruisvalidatie begrijpen

K-vouw-kruisvalidatie werkt door de dataset op te splitsen in meerdere subsets die ‘folds’ worden genoemd. Deze methode heeft het voordeel dat het model wordt verbeterd zonder dat er extra datasets nodig zijn. Het model met de laagste kruisvalidatiescore zal de trainingsgegevens het beste modelleren en tegelijkertijd een balans bereiken tussen ondermaats en overfitting. Hier kunnen we beginnen in te zien waarom het gunstig is voor AI-productmanagers om een ​​data science-achtergrond te hebben. Het vermogen om ML-modellen op een hoog niveau te begrijpen, verbetert ons vermogen om rechtstreeks met ons team van datawetenschappers samen te werken om nauwkeurige modellen te maken.

Het bemonsteren van de mechanica van AI-algoritmen zoals we zojuist hebben gedaan, leidt ons naar de gerelateerde onderwerpen van modelselectie en modelevaluatie. Als productmanager wilt u uw eigen onderzoek doen om meer te weten te komen over de beste modelleermethoden voor uw AI-productdomein en scenario. Door dit soort informatie te leren, kunt u zinvol omgaan met uw team van datawetenschappers.

Dapper slimmere producten bouwen

De toekomst zal intelligent zijn. Gegevens blijven zich verspreiden en alleen AI-hulp kan mensen helpen er inzicht in te krijgen. Dit zijn enorme, existentiële problemen, maar ze hebben eenvoudige, materiële toepassingen als het gaat om het bouwen van de volgende golf van apps, producten en services. Wat je ook bouwt, data behoeften om er deel van uit te maken. Door een AI-element toe te voegen, kunnen uw gebruikers het meeste uit die gegevens halen, hun ervaring verbeteren en uw bedrijf op de markt houden, aangezien AI de norm wordt voor elk aspect van het dagelijks leven. Stel je een betere wereld en een beter product voor, en bouw het dan moedig op met de juiste data en AI.

Inna Tokarev-Sela, Sisense’s Head of AI Research, heeft meer dan 15 jaar ervaring in de technische industrie. Ze bracht het afgelopen decennium door bij SAP en stimuleerde innovaties in cloudarchitectuur, in-memory-producten en Machine Learning-videoanalyse. Inna is een frequente spreker op branche-evenementen zoals IBC, NAB, WonderlandAI en Media Festival. Inna heeft een BS in natuurkunde en informatica, een MBA en een MS in informatiesystemen, nadat ze haar scriptie over neurale netwerken heeft geschreven.