Streszczenie: Większość projektów AI lub uczenia maszynowego (ML) raportuje jedynie parametry techniczne, które nie informują liderów o wartości biznesowej, jaką mogą dostarczyć organizacji. Aby uniknąć niepowodzeń projektów, konieczne jest domaganie się wskaźników biznesowych. Sztuczna inteligencja (AI) może oznaczać wiele rzeczy, ale dla organizacji wykorzystujących AI do ulepszania funkcjonujących już, istotnych operacji odpowiednią technologią jest uczenie maszynowe (machine learning, ML), które stanowi bazę tego, co wiele osób rozumie przez AI. ML ma potencjał do ulepszania wszelkiego rodzaju procesów biznesowych: generuje modele predykcyjne, które usprawniają targetowany marketing, łagodzenie oszustw, zarządzanie ryzykiem finansowym, logistykę i wiele więcej. Aby odróżnić ML od generatywnego AI, inicjatywy te bywają czasami nazywane predykcyjnym AI lub analityką predykcyjną. Można by pomyśleć, że wydajność tych modeli ML – i wiedza, jak są dobre i ile wartości dostarczają – będzie priorytetem dla liderów. Przecież generowanie wartości biznesowej jest kluczowe. Jest to jednak błędne rozumowanie. Jeśli chodzi o ocenę modelu, większość projektów ML raportuje niewłaściwe wskaźniki – i to często całkowicie zabija projekt. W tym artykule, opracowanym na podstawie raportu The AI Playbook: Mastering the Rare Art of Machine Learning Deployment, wyjaśnię różnicę między metrykami technicznymi a biznesowymi dla benchmarkingu ML. Pokażę również, jak raportować wyniki biznesowe. Użyję jako przykładu algorytmów do wykrywania oszustw w obszarze kart kredytowych.
Większość projektów AI bądź uczenia maszynowego raportuje tylko parametry techniczne, które nie informują liderów, ile wartości biznesowej mogą dostarczyć organizacji. Aby zapobiec niepowodzeniom projektów, domagaj się wskaźników biznesowych.
Sztuczna inteligencja (AI) może oznaczać wiele rzeczy, ale dla organizacji wykorzystujących AI do ulepszania funkcjonujących już, istotnych operacji odpowiednią technologią jest uczenie maszynowe (machine learning, ML), które stanowi bazę tego, co wiele osób rozumie przez AI. ML ma potencjał do ulepszania wszelkiego rodzaju procesów biznesowych: generuje modele predykcyjne, które usprawniają targetowany marketing, łagodzenie oszustw, zarządzanie ryzykiem finansowym, logistykę i wiele więcej. Aby odróżnić ML od generatywnego AI, inicjatywy te bywają czasami nazywane predykcyjnym AI lub analityką predykcyjną.
Można by pomyśleć, że wydajność tych modeli ML – i wiedza, jak są dobre i ile wartości dostarczają – będzie priorytetem dla liderów. Przecież generowanie wartości biznesowej jest kluczowe. Jest to jednak błędne rozumowanie. Jeśli chodzi o ocenę modelu, większość projektów ML raportuje niewłaściwe wskaźniki – i to często całkowicie zabija projekt.
W tym artykule, opracowanym na podstawie raportu The AI Playbook: Mastering the Rare Art of Machine Learning Deployment, wyjaśnię różnicę między metrykami technicznymi a biznesowymi dla benchmarkingu ML. Pokażę również, jak raportować wyniki biznesowe. Użyję jako przykładu algorytmów do wykrywania oszustw w obszarze kart kredytowych.
Materiał dostępny tylko dla subskrybentów
Dołącz do subskrybentów MIT Sloan Management Review Polska Premium!
Kup subskrypcję
