機器學習如何進入小型企業?

做者 | Daniel Faggella
出品|CDA數據分析師

大多數人工智能解決方案都不適用於小型企業,但隨着時間的推 我決定了解人工智能解決方案如今的位置以及最終如何讓小企業得到這些解決方案。git

本簡短指南討論了企業在某些方面實施人工智能所需的人工智能投資水平和專業知識,以及人工智能供應商須要克服的挑戰,以使本身更易於小企業使用和獲取。算法

對於小企業主來講,不要由於人工智能的炒做而陷入困境和分心,而是要了解它的本質,而且只關注那些可能會對他們的業務產生影響的人工智能解決方案。本報告旨在爲小型企業全部者提供對機器學習在小企業總體技術範圍內的適用性的理解,使他們可以防止人工智能炒做,並在人工智能在小型企業領域實現可訪問時更有效地利用人工智能。數據庫

在本報告中,我將討論如下內容:segmentfault

  • 實施AI所需的投資和專業知識水平
  • AI供應商須要解決兩個問題,以便小型企業能夠訪問AI
  • 小型企業在查看機器學習解決方案時須要避免陷阱

實施人工智能所需的投資水平和專業知識

有三個級別的投資和專業知識可肯定哪些企業可以訪問AI解決方案。它們以下:架構

  • 建立AI解決方案
  • 與AI供應商合做
  • 使用AI工具

建立AI解決方案

但願建立本身的AI解決方案以解決其特定業務問題的企業將須要最大量的投資和最高水平的AI專業知識。更具體地說,這些企業將須要:機器學習

  • 大量數據
  • 強大的數據基礎架構和數據清理流程
  • AI領導團隊的專業知識
  • 深刻的領域專業知識以及AI在該領域的做用
  • 風險投資

熟悉的基於人工智能的推薦引擎(如Netflix和亞馬遜)能夠預測哪些推薦會促使特定用戶執行理想的操做,例如觀看更多電影和購買更多產品。這是由於這些公司擁有大量數據可供繪製。對於天天進行20筆交易的小型企業而言,狀況並不是如此。工具

此外,這些公司僱用大型數據科學家團隊來構建,清理和更新他們的數據庫和人工智能解決方案,這是小型企業根本沒法承受的,除非他們獲得風險資本家的支持,這些資金能夠幫助企業構建他們的AI解決方案在它進入市場以前。學習

與AI供應商公司合做

雖然但願將AI解決方案集成到其工做流程中的企業可能會向供應商公司付費,但他們可能須要達到與但願構建本身的AI解決方案的公司相同的先決條件。大數據

在某些狀況下,即便有一些數據科學人才,也可能須要數月的集成時間才能實現人工智能軟件,而軟件仍然沒法提供預期的結果。設置和集成AI解決方案的困難可能在很大程度上破壞軟件的任何好處,除非企業已經擁有合適的人工智能人才,這將使整合順利進行。網站

客戶保留營銷公司 Optimove可能可以與 http://1-800-Flowers.com這樣的公司合做,由於它可能擁有當地草坪護理公司所不具有的數據科學人才。Digital Genius,Luminoso和 Acquisio]等公司也是如此。若是可能的話,他們會喜歡與媽媽們合做,可是若是他們尚未必要的數據科學人才來設置並將AI軟件集成到他們現有的系統中,那麼那些媽媽和流行音樂網點還沒有準備好進行AI。

在大多數狀況下,瞭解供應商是否擁有真正的小型企業解決方案的最佳方法是檢查其網站的客戶或案例研究頁面。若是網站上提到的全部公司都有200名或更多員工,能夠說供應商不提供小型企業可以實施的軟件。例如,Acquisio 爲小型企業提供促進潛在客戶和PPC活動的推廣,但它沒有在其成功案例頁面中說起任何小型企業。

使用AI工具

這些強大的先決條件對於小型企業來講難以知足,所以事實是,對於小型企業來講,實施AI解決方案,該解決方案必須真正「開箱即用」。這意味着它能夠隨時使用任何培訓,才能或調整。只需經過幾個在線教程或閱讀手冊,任何人均可以在短期內學會使用它。

我將這些解決方案稱爲「工具」。人工智能工具不須要內部數據科學人才,數據基礎設施,風險資金 - 這些都不是。不幸的是,AI工具只是AI業務解決方案領域的一小部分,但它們確實存在。

一個例子是 谷歌地圖,各類規模的企業均可以實現良好的效果。Facebook廣告一樣易於使用。二者都使用機器學習API,但都不須要數據科學家使用和維護。當某些東西對消費者友好時,小企業可使用它。

AI供應商須要解決的兩個問題,即AI能夠訪問小型企業

AI供應商都但願進入小型企業市場。所以,他們不斷努力提出相似於谷歌地圖和Facebook廣告的解決方案,這些解決方案對小型企業來講很是容易得到。亞馬遜也很擅長經過其推薦引擎幫助小企業推銷其產品。

可是,這些解決方案都不會在一晚上之間得到。例如,Facebook在第一天就沒有設法提供適合消費者的廣告解決方案。通過多年的努力和大量的預算才能使它達到今天的水平。

Optimove等公司但願可以爲他們的PPC活動提供一個五人電子商務公司可操做,現實和合法的建議。不幸的是,因爲兩個大問題,如今不可能:

  • 數據問題
  • UI問題

數據問題

小型企業沒有大量的數據記錄,這將繼續成爲一個問題,直到企業發展到擁有足夠數據的程度。對於離線業務來講,這更是一個問題,由於他們的數據極可能沒法數字化到人工智能解決方案爲其提供價值所需的容量。

例如,在網站上,企業能夠假設地跟蹤每次點擊和鼠標移動而沒有太多麻煩,這將爲企業提供關鍵數據點。對於實體店而言,狀況並不是如此,數字化跟蹤客戶從過道到過道以及產品到產品的移動更難以捕獲。

小企業數據問題的惟一解決方案是聚合。理論上,AI供應商能夠從數千名天天銷售20種產品的小型商業軟件用戶那裏收集足夠的數據,而後培訓機器以與亞馬遜類似的水平進行操做。它能夠聚合數據以便訓練其推薦引擎軟件,而後能夠向任何小型企業提供相同質量的推薦並幫助他們銷售更多產品。

可是,爲了作到這一點,成千上萬的小企業必須首先購買該軟件。一個擁有風險投資的初創AI供應商可能會以beta形式推出軟件來收集這些數據點,但這須要很長時間。爲了達到這種級別的聚合,軟件必須爲大型企業提供可靠的高投資回報率。

數據聚合的另外一個問題是它可能在某些扇區中不起做用。數據聚合的價值源於共性。爲了使機器學習軟件識別模式,數據須要具備共同的基本點。例如,若是供應商能夠彙總天天銷售20件T恤的1,000家小企業的數據,那麼它能夠識別觸發更多銷售的行爲模式。

對於利基產品或業務,數據聚合成爲問題。製造和銷售錫制定制高爾夫記念品的公司可能只是少數相似企業中的一個。不管有多少電子商務網站插入其中,均可能沒法得到足夠的數據來訓練AI系統對該業務有多大用處。

一樣重要的是要注意,並不是全部數據都具備機器學習的價值。正如數據必須具備某種程度的共性同樣,它也必須是「乾淨的」。清潔數據是相關的,而且最近的信息具備統一或一致的結構。這容許機器學習軟件從中學習。數據還必須與業務的快速變化趨勢和細微差異相關,不然將不會產生可用的結果。換句話說,乾淨的數據比大數據更好。

在某些時候,AI開發人員會提出更好的算法,能夠訓練更少的數據。然而,可擴展性不太可能達到能夠幫助待在家裏的媽媽烘焙蛋糕出售的程度。全部這些數據問題最可能的解決方案是數據聚合和算法的組合,能夠訓練更少的數據。

UI問題

使小型企業能夠訪問AI解決方案的第二個障礙是軟件或UI的用戶界面。對於不是數據科學家的人來講,今天的AI軟件UI很是難以理解。它們不是用戶友好的,這就是爲何企業須要數據科學家來設置,集成和管理前面提到的軟件。

頗有可能,這未來不會成爲問題。公司將找到一種方法讓人們更容易與人工智能軟件交互,但可能須要不少年。

這將不是新軟件第一次發展成爲更加用戶友好的。一個例子是 MailChimp,這是2001年推出的流行的營銷自動化軟件。與 Marketo相比,它是相對簡單的軟件,可是當它第一次出現時,須要有技術知識的人才能使用它。

隨着時間的推移,人們經過反覆試驗找出隱藏在幕後的複雜過程的方法,這樣用戶只需拖放電子郵件或點擊按鈕便可構建自動化廣告系列,而無需瞭解一行代碼。現在,沒有技術背景的人能夠經過幾個教程視頻來感覺自動化系統,可是要花費超過15年才能達到這一點。

在查看機器學習解決方案時,小型企業須要避免過分陷阱

聊天機器人

聊天機器人是機器學習的應用程序,彷佛在各個行業中得到了很大的吸引力。例如,醫療保健行業是該技術的早期採用者。可是,聊天機器人對小型企業的限制仍然與其餘類型的AI迭代相同。聊天機器人仍須要必定數量的乾淨數據和必定的技能來訓練和使用它們。提供真正價值的開箱即用聊天機器人根本沒法使用。

重要的是要注意,聊天機器人僅在明肯定義的窄範圍內使用時纔是實用的。 用例顯示瞭解聊天機器人限制的價值,特別是對於小型企業。當使用較少時,它們最有可能提供強大的ROI。

例如,具備許多傳入查詢的企業可使用聊天機器人在路由到正確的人以前響應前兩層問題。即便這樣,它也可能沒法爲小公司提供強大的投資回報率。在大多數狀況下,不少聊天機器人都是玩具應用程序。

玩具應用程序是那些專門爲知足自身須要AI而且大部分都是陷阱的人而設計的應用程序。許多公司將AI用於除解決業務問題以外的其餘目的。時尚品牌採用聊天機器人,由於他們看到有關競爭對手使用其中一個的新聞稿,因此他們以爲他們也應該有一個。

供應商很是願意鼓勵這種思惟。然而,有關聊天機器人的真正強勁和強烈的積極投資回報率的證據並非如今無處不在的。

當我採訪Conversica的首席科學家Sid J Reddy時,他說:

爲了使公司可以成功構建會話系統,他們須要很是擅長天然語言處理和機器學習...咱們沒有一個模型能夠理解每一個上下文的全部內容......特定的模型只能基於它的例子。所以,不一樣的公司專一於不一樣的意圖和實體。

也就是說,聊天機器人的概念仍然具備強大的吸引力。全自動服務將是企業和客戶的理想選擇。可是,在目前的聊天機器人開發狀態下實施它須要花費大量的金錢,時間和精力。對於大多數小企業來講,這比它的價值更麻煩。

營銷語言

供應商一般將本身推銷爲提供機器學習解決方案,而實際上他們只是利用人工智能炒做。我以前討論了三個經驗法則,用於在我網站上最喜歡的做品之一中切斷人工智能炒做。營銷語言自己一般包括流行語,宣傳公司的解決方案,好像它會神奇地解決企業的問題,好像它是一我的工智能工具。

如前所述,大多數人工智能解決方案都不是工具,供應商每每不與那些沒有大量清潔數據和內部數據科學家的公司合做完成整合過程。

小企業主的小貼士

AI供應商但願說服小型企業將AI解決方案集成到他們的工做流程中,特別是當小型企業是一個巨大的市場時,但遺憾的是,AI解決方案在2018年對小型企業來講並不可行。

這是由於在實施AI時,小企業有幾個缺點。例如,若是任何規模的企業還沒有擁有有能力的數據科學家的空間,那麼許多人工智能解決方案對該企業來講不是合理的投資。人工智能軟件須要對科學及其背後的大量風險資金有一個堅決的理解,由於它不會常常在實施的第一天向企業提供結果。

一些企業最近纔開始僱用人工智能和數據科學人才,所以他們能夠利用人工智能來解決他們的業務問題,小企業可能沒法作到這一點。

小型企業構成了市場的重要組成部分,這使其成爲人工智能供應商公司的一個有吸引力的目標。然而,大多數人工智能和機器學習系統仍然過於複雜和昂貴,沒法被小型企業訪問。

小型企業主能夠輕易得到人工智能的惟一方法是將其商品化,使其變得對消費者友好。要作到這一點,它必須從頂部開始。大公司必須找到一個有利可圖的人工智能解決方案,以便他們投資它,反過來,供應商能夠繼續開發該解決方案,使其成爲任何人均可以使用的東西。這就是小型企業能夠得到機器學習的方式。

更多精彩內容及專業資訊,可前往:https://www.cda.cn/?seo-segme...

相關文章
相關標籤/搜索