Maskininnlæring har potensial til å forandre måten organisasjoner samhandler med verden, å bevege seg raskere og gi bedre kundeopplevelse. Men mens maskinlæringens langsiktige potensial ser ut til å være lyst, kan vedtaket i bedriften gå langsommere enn opprinnelig tenkt. Så hva er holdup? John Rakowski, markedsspesialist for Application Performance Management og Analytics, på AppDynamics diskuterer utfordringene for bedrifter når man vedtar maskinlæringsteknologi.

  • Sjekk også de beste AI-plattformene for virksomheten

Hva står hovedutfordringene i vei for omfattende vedtak av maskinlæring i bedriften?

En del av utfordringen er mangel på forståelse rundt hva maskinlæring er. Maskininnlæring er en applikasjon eller delmengde av AI, som generelt regnes som høyere rekkefølge beslutningstaking intelligens. Maskinlæring handler egentlig om å bruke matematikk til forskjellige domener. Den lokaliserer betydningen i ekstremt store datamengder ved å avbryte støyen. Den bruker algoritmer til å analysere dataene og trekke konklusjoner fra det, for eksempel hva som utgjør normal oppførsel.

Tror du at mangelen på forståelse stammer fra usikkerhet om hva maskinlæringen kan gjøre?

Det er viktig å forstå at maskinlæringsalgoritmer ikke går inn i sjakk turneringer. Det de er veldig gode på, er å tilpasse seg skiftende systemer uten menneskelig innblanding, mens de fortsetter å skille mellom forventet og uregelmessig oppførsel. Dette gjør maskinlæring nyttig i alle typer applikasjoner - tenk alt fra sikkerhet til helsetjenester - så vel som klassifikasjons- og anbefalingsmotorer, samt stemme- og bildeidentifikasjonssystemer.

Forbrukerne samhandler hver dag med dusinvis av maskinlæringssystemer, inkludert Google Search, Google-annonser, Facebook-annonser, Siri og Alexa, samt praktisk talt alle online-produktanbefalingersmotorer fra Amazon til Netflix. Utfordringen for bedrifter er å forstå hvordan maskinlæring kan øke verdien til sin virksomhet.

Så hvordan kan maskinlæring bli introdusert til et foretak?

Maskininnlæring er vanligvis innført i et foretak på en av to måter. Den første er at en eller to ansatte begynner å bruke maskinlæring for å få innsikt i data de allerede har tilgang til. Dette krever en viss grad av kompetanse innen datavitenskap og enda viktigere, domenekunnskap. En forståelse av forretningsverdi og kundens behov for digitale tjenester (applikasjoner) som benyttes er grunnleggende - men disse ferdighetene er ofte mangelvare.

Den andre er ved å kjøpe en løsning, for eksempel sikkerhetsprogramvare eller programovervåkingsløsning, som bruker maskinlæring. Dette er langt den enkleste måten å begynne å innse fordelene med maskinlæring.

For eksempel på AppDynamics bruker vi maskinlæring for å forstå hva som er et "sunt" program fra et ytelses- og brukeropplevelsesperspektiv. Vi benytter dynamisk baselining for å finne ut hvordan hvert trinn i en brukerreise for et program skal utføres. For eksempel, i et e-handelsprogram, kan dette inkludere trinn som pålogging eller søk etter produkt. Disse algoritmene tar også hensyn til forretningsvariabler som viktige tider av året som Black Friday, og deretter genereres varsler når ytelsen avviker. Dette sparer organisasjonstid når det gjelder å håndtere akseptable ytelsestærskler manuelt og sikrer også at vår løsning gir rask avkastning i et komplekst, bedriftsmiljø.

Er det en utfordring med dataforberedelser for bedrifter som introduserer maskinlæring?

Maskininnlæring kan høres svakt enkelt. Det er lett å anta at alt du trenger å gjøre er å samle dataene og kjøre det gjennom noen algoritmer. Virkeligheten er veldig forskjellig. Når du har samlet dataene, må du aggregere den. Du må avgjøre om det er noen problemer med det. Algoritmen din må kunne tilpasse seg manglende data, avvikende data, søppeldata og data som ikke er i orden.

Er det et stort problem for maskinlæring fra mangelen på offentlige merkede datasett?

Det er jo fordi en algoritme gir mening for en samling datapunkter, det må forstå hva disse punktene representerer. Det må med andre ord være mulig å anvende forhåndsdefinerte etiketter på dataene.

Tilgjengeligheten av offentlig merkede datasett vil gjøre det lettere for bedrifter å komme i gang med maskinlæring. Dessverre eksisterer disse ikke, og uten dem ser de fleste bedrifter på en "kaldstart".

Det er et behov for domenekunnskap også, er dette en annen utfordring?

I beste fall representerer maskinlæring det perfekte ekteskapet mellom en algoritme og et problem. For eksempel på AppDynamics bruker vi dynamiske baselining algoritmer for å sikre at våre kunder blir varslet tidlig på nye applikasjonsytelsesproblemer. Dette betyr at domenekunnskap - å vite hva som er et problem - er en forutsetning for effektiv bruk av teknologien. Dessverre, i en rekke virksomheter IT-bruk tilfeller, er kunnskap bygget opp i siloer innenfor organisasjoner, noe som resulterer i ulik lommer av kunnskap mangel på forretningsmessig kontekst.

Er det behov for kulturelle endringer for en organisasjon for vellykket å vedta maskinlæring?

Bedrifter må akseptere at de trenger å bevege seg raskere som en digital virksomhet, og maskinlæring og automatisering er en forutsetning for suksess. Data ligger i hjertet av maskinlæring, og de selskapene som kulturelt reagerer på betydningen av sanntidsinnsikt som kan stole på og håndtere raskt, er de som vil lykkes og trives.

John Rakowski, markedsspesialist for Application Performance Management og Analytics på AppDynamics

  • Dette er de 10 viktigste gjennombruddene i kunstig intelligens