Machinaal leren heeft het potentieel om de manier waarop organisaties met de wereld omgaan te transformeren, sneller te bewegen en een betere klantervaring te bieden. Maar hoewel het langetermijnpotentieel van machine learning er zeker rooskleurig uitziet, kan de toepassing ervan in de onderneming langzamer verlopen dan aanvankelijk gedacht. Dus wat is de holdup? John Rakowski, marktspecialist voor Application Performance Management en Analytics, bespreekt bij AppDynamics de uitdagingen voor ondernemingen bij het adopteren van machine learning technologie.

  • Bekijk ook de beste AI-platforms voor bedrijven

Wat zijn de belangrijkste uitdagingen die een brede acceptatie van machine learning in de onderneming in de weg staan??

Een deel van de uitdaging is een gebrek aan inzicht in wat machine learning is. Machinaal leren is een toepassing of subset van AI, die over het algemeen wordt beschouwd als een hogere-orde beslissingsintelligentie. Machinaal leren gaat eigenlijk over het toepassen van wiskunde op verschillende domeinen. Het lokaliseert betekenis binnen extreem grote hoeveelheden data door de ruis weg te laten. Het gebruikt algoritmen om de gegevens te analyseren en er conclusies uit te trekken, zoals wat normaal gedrag is.

Denkt u dat het gebrek aan begrip voortkomt uit onzekerheid over wat machinaal leren kan doen??

Het is belangrijk om te begrijpen dat algoritmen voor het leren van machines geen schaaktoernooien meemaken. Waar ze echt goed in zijn, is zich aanpassen aan veranderende systemen zonder menselijke tussenkomst, terwijl ze onderscheid blijft maken tussen verwacht en afwijkend gedrag. Dit maakt machinaal leren nuttig in allerlei toepassingen - denk aan alles, van veiligheid tot gezondheidszorg - evenals classificatie- en aanbevelingsmachines, en spraak- en beeldidentificatiesystemen.

Consumenten communiceren dagelijks met tientallen machine-leersystemen, waaronder Google Search, Google-advertenties, Facebook-advertenties, Siri en Alexa, evenals vrijwel elke online productaanbevelingsengine van Amazon tot Netflix. De uitdaging voor bedrijven is om te begrijpen hoe machinaal leren waarde kan toevoegen aan hun bedrijf.

Dus, hoe kan machine learning worden geïntroduceerd bij een onderneming?

Machinaal leren wordt meestal op twee manieren in een onderneming geïntroduceerd. De eerste is dat een of twee werknemers beginnen met het leren van machines om inzicht te krijgen in gegevens waartoe ze al toegang hebben. Dit vereist een zekere mate van expertise in data science en, nog belangrijker, domeinkennis. Een goed begrip van de bedrijfswaarde en de behoefte van de klant aan digitale diensten (applicaties) die worden gebruikt, is van fundamenteel belang, maar deze vaardigheden zijn vaak schaars.

De tweede is door een oplossing te kopen, zoals beveiligingssoftware of monitoring van de applicatieprestatiemeting, die machine learning gebruikt. Dit is verreweg de gemakkelijkste manier om de voordelen van machinaal leren te realiseren.

In AppDynamics passen we bijvoorbeeld machine learning toe om te begrijpen wat een 'gezonde' applicatie is vanuit het oogpunt van prestaties en gebruikerservaring. We gebruiken dynamische baselining om uit te zoeken hoe elke stap in een gebruikersreis voor een toepassing moet presteren. In een e-commercetoepassing kan dit bijvoorbeeld stappen omvatten zoals inloggen of zoeken naar producten. Deze algoritmen houden ook rekening met bedrijfsvariabelen zoals belangrijke tijden van het jaar, zoals Black Friday, en vervolgens worden meldingen gegenereerd als de prestaties afwijken. Dit bespaart organisaties tijd in termen van het handmatig uitwerken van acceptabele prestatiedrempels en zorgt er ook voor dat onze oplossing een snelle ROI biedt in elke complexe bedrijfsomgeving..

Is er een uitdaging met gegevensvoorbereidingen voor bedrijven die machine learning introduceren??

Machinaal leren kan bedrieglijk eenvoudig klinken. Het is gemakkelijk om te veronderstellen dat alles wat je hoeft te doen is om de gegevens te verzamelen en door een aantal algoritmen te leiden. De realiteit is heel anders. Nadat u de gegevens hebt verzameld, moet u deze verzamelen. U moet bepalen of er problemen zijn. Uw algoritme moet in staat zijn om zich aan te passen aan ontbrekende gegevens, afgelegen gegevens, afvalgegevens en gegevens die niet in volgorde zijn.

Is er een groot probleem voor machine learning vanwege het ontbreken van openbare datasets met tags?

Er is, ja, omdat een algoritme om een ​​verzameling gegevenspunten te begrijpen, moet begrijpen wat die punten vertegenwoordigen. Met andere woorden, het moet vooraf opgestelde labels op de gegevens kunnen toepassen.

De beschikbaarheid van openbaar gelabelde datasets zou het voor bedrijven veel gemakkelijker maken om aan de slag te gaan met machine learning. Helaas bestaan ​​deze nog niet en zonder hen kijken de meeste bedrijven naar een 'koude start'.

Er is ook behoefte aan domeinkennis, is dit een andere uitdaging?

Op zijn best vertegenwoordigt machinaal leren het perfecte huwelijk tussen een algoritme en een probleem. In AppDynamics passen we bijvoorbeeld dynamische baselining-algoritmen toe om ervoor te zorgen dat onze klanten vroegtijdig worden gewaarschuwd bij problemen met opkomende toepassingen. Dit betekent dat domeinkennis - weten wat een probleem is - een voorwaarde is voor een effectief gebruik van de technologie. Helaas wordt in een aantal gevallen van bedrijfs-IT-gebruik kennis opgebouwd in silo's binnen organisaties, wat resulteert in ongelijksoortige kennisgebieden, een gebrek aan zakelijke context.

Zijn er culturele veranderingen nodig voor een organisatie om met succes machine learning te adopteren?

Bedrijven moeten accepteren dat ze sneller moeten handelen als een digitale onderneming, en machine learning en automatisering is een voorwaarde voor succes. Gegevens vormen de kern van machine learning, en die bedrijven die cultureel reageren op het belang van real-time inzicht dat snel kan worden vertrouwd en opgevolgd, zijn degenen die zullen slagen en bloeien.

John Rakowski, Market Specialist voor Application Performance Management en Analytics op AppDynamics

  • Dit zijn de 10 belangrijkste doorbraken in kunstmatige intelligentie