Tech

3 วิธีในการปรับใช้ AI กับชุดข้อมูลขนาดเล็กได้ดียิ่งขึ้น

ขนาดตัวอย่างมีบทบาทในวิทยาศาสตร์ข้อมูลเสมอ แต่มีบางกรณีที่ความเสี่ยง เวลา หรือค่าใช้จ่ายจะจำกัดขนาดของข้อมูลของคุณ: คุณสามารถปล่อยจรวดได้เพียงครั้งเดียวเท่านั้น คุณมีเวลามากในการทดสอบวัคซีนที่จำเป็นมากเท่านั้น การเริ่มต้นขั้นต้นหรือบริษัท B2B ของคุณมีจุดข้อมูลลูกค้าเพียงไม่กี่จุดที่จะใช้งาน และในสถานการณ์ข้อมูลเล็กๆ เหล่านี้ ฉันพบว่าบริษัทต่างๆ หลีกเลี่ยงวิทยาศาสตร์ข้อมูลโดยสิ้นเชิง หรือใช้อย่างไม่ถูกต้อง ปัญหาที่พบบ่อยที่สุดประการหนึ่งในการใช้ AI คือการพึ่งพาข้อมูลในอดีตอย่างสุ่มสี่สุ่มห้าเพื่อทำนายสถานการณ์ในอนาคต ฉันเรียกสิ่งนี้ว่า “สมมติว่าอดีตคืออนาคต” ตัวอย่างทั่วไปของสิ่งนี้คือเมื่อเราสันนิษฐานว่ารูปแบบที่ใช้งานได้ดีสำหรับเราในตลาดก่อนหน้านี้จะใช้ “เวทย์มนตร์” แบบเดียวกันเมื่อเราใช้เพื่อเปิดตัวผลิตภัณฑ์ในตลาดใหม่ ปัญหาคือ ตลาดใหม่ของเรา — อนาคต — แตกต่างอย่างสิ้นเชิงจากตลาดในอดีต ซึ่งทำให้เรามีการตัดสินใจที่ไม่ดี การคาดการณ์ที่ไม่ถูกต้อง และผลลัพธ์ทางธุรกิจที่ไม่สดใส แทนที่จะสมมติว่าอดีตคืออนาคต ต่อไปนี้เป็นสามวิธีในการปรับใช้ AI กับชุดข้อมูลขนาดเล็กได้ดีขึ้น: 1. นำข้อมูลภายนอกมาใช้ในการทำงาน สำหรับผู้ที่อาศัยข้อมูลในอดีต ฉันแนะนำให้แตะข้อมูลภายนอกและใช้แบบจำลองที่เหมือนกัน เราพึ่งพาสิ่งนี้มากกว่าที่เคยในประวัติศาสตร์ของเราเนื่องจากระบบแนะนำที่ใช้โดย Netflix, Amazon, Spotify และอีกมากมาย แม้ว่าคุณจะมีการซื้อเพียงหนึ่งหรือสองครั้งใน Amazon ก็ตาม พวกเขามีข้อมูลมากมายเกี่ยวกับผลิตภัณฑ์ในโลกและผู้ที่ซื้อ (เช่น ข้อมูลภายนอก) ว่าพวกเขาสามารถคาดการณ์ได้อย่างแม่นยำในการซื้อครั้งต่อไปของคุณ ในทำนองเดียวกัน หากคุณเป็นบริษัท B2B ที่พยายามคาดการณ์ลูกค้ารายต่อไปของคุณ คุณสามารถสร้าง “โปรไฟล์เชิงลึก” ของผู้มีโอกาสเป็นลูกค้าตามข้อมูลภายนอกเพื่อใช้เทคนิคการสร้างแบบจำลองที่เหมือนกัน แม้ว่าจะมีตัวอย่างเชิงบวกเพียงไม่กี่ตัวอย่างที่ต้องใช้งาน แต่กระบวนการนี้สามารถช่วยชี้แนะกลยุทธ์การเข้าสู่ตลาดของคุณได้มาก 2. ใช้การวนซ้ำแบบสั้น ความล้มเหลวอย่างหนึ่งของการคาดเดาอดีตคืออนาคตคือการจำกัดความคิดสร้างสรรค์และนวัตกรรมของเรา หากเป็นไปได้ ให้สร้างสภาพแวดล้อมในห้องปฏิบัติการของคุณเอง ซึ่งคุณสามารถแนะนำตัวแปรและผลลัพธ์เพิ่มเติมที่ยังไม่เคยใช้มาก่อน และเรียกใช้การทดลองหลายๆ ครั้งอย่างรวดเร็ว (เช่น การทดสอบ A/B) เพื่อเรียนรู้ วิธีนี้ใช้ได้ผลดีในแคมเปญการตลาด โดยที่คุณไม่ต้องรอจนกว่าจะสิ้นสุดวงจรการขายที่ยาวนานเพื่อรับคำติชมเกี่ยวกับการแปลงลูกค้าเป้าหมาย ด้วยการเรียกใช้การทดลองและข้อผิดพลาดสั้นๆ ในสภาพแวดล้อมที่คุณสามารถรับข้อเสนอแนะได้อย่างรวดเร็ว คุณจะได้รับข้อมูลเชิงลึกมากขึ้นจากชุดข้อมูลที่มีขนาดเล็กลง และปรับปรุงการสร้างแบบจำลองและความคิดสร้างสรรค์ 3. นำความหมายผ่านความเชี่ยวชาญของมนุษย์ เมื่อคุณมีข้อมูลน้อยลงแต่มีหลายตัวแปร คุณอาจพบปัญหาการแบ่งข้อมูลของคุณบางเกินไป ลองนึกภาพการวิเคราะห์นักช้อปออนไลน์ที่ซื้อผ้าอ้อม ขวดนม และการตกแต่งสถานรับเลี้ยงเด็ก คุณซูมเข้าไปใกล้เกินไปและไม่เห็นรูปแบบที่บุคคลนี้อาจมีลูก ความรู้ภายนอกและความเชี่ยวชาญของมนุษย์สามารถช่วยให้ธุรกิจบรรลุผลลัพธ์ที่ดีขึ้นด้วยจุดข้อมูลน้อยลงโดยใช้แบบจำลองเชิงความหมายหรือบริบทรอบตัวแปรเหล่านี้และเร่งการเรียนรู้ของเครื่อง เคล็ดลับในการทำให้ถูกต้องคือการสร้างอนุกรมวิธานที่แข็งแกร่ง (หรือที่เรียกว่า ontology) เราทำงานร่วมกับบริษัทอุปกรณ์ทางการแพทย์รายใหญ่ที่สุดรายหนึ่ง และด้วยหมายเลข SKU นับล้านในแค็ตตาล็อก ผู้เชี่ยวชาญที่เป็นมนุษย์จึงจำเป็นต้องพัฒนาอนุกรมวิธานเพื่อทำความเข้าใจและระบุลักษณะผลิตภัณฑ์ของตระกูลต่างๆ เพื่อทำความเข้าใจรูปแบบของลูกค้าและปรับปรุงการสร้างแบบจำลองเชิงคาดการณ์ ก่อนเข้าสู่โลกของเทคโนโลยีองค์กร ฉันใช้เวลาหลายปีทำงานในการต่อต้านการก่อการร้าย ซึ่งเราใช้ AI และการเรียนรู้ของเครื่องเพื่อสร้างโปรไฟล์และระบุผู้ที่อาจเป็นผู้ก่อการร้าย และอื่นๆ เป็นเรื่องยากโดยเฉพาะอย่างยิ่งที่จะจำลองการคาดการณ์เพื่อต่อสู้กับการก่อการร้าย เนื่องจากมีวิธีการโจมตีแบบใหม่อยู่เสมอ ดังนั้น สมมติว่าสิ่งที่ได้ผลในอดีตจะได้ผลในอนาคตจึงไม่ใช่ตัวเลือกสำหรับเรานักวิทยาศาสตร์ข้อมูล เราต้องคิดหาวิธีใหม่ๆ อยู่เสมอในการนำการเรียนรู้ของเครื่องมาใช้กับชุดข้อมูลขนาดใหญ่และขนาดเล็ก เพื่อระบุตัวผู้ก่อการร้ายก่อนที่พวกเขาก่ออาชญากรรม เราไม่สามารถจ่ายได้ อาจเป็นเพราะเหตุนี้ ฉันจึงหลงใหลในการช่วยให้บริษัทต่างๆ ทำลายวงจรการใช้ข้อมูลในอดีตในสถานการณ์ที่ไม่เหมาะสม จะไม่ขับเคลื่อนความคิด ความคิดสร้างสรรค์ หรือนวัตกรรมใหม่ๆ ให้กับธุรกิจของคุณ เช่นเดียวกับการต่อต้านการก่อการร้าย บริษัท B2B ที่ล้มเหลวในการคิดค้นกลยุทธ์ข้อมูลอย่างต่อเนื่องอาจหมายถึงการตายของผลิตภัณฑ์ใหม่และท้ายที่สุดก็คือธุรกิจ

Back to top button