این مقاله Tableau Business Science را معرفی می‌کند، کلاس جدیدی از تحلیل‌های مبتنی بر هوش مصنوعی که قابلیت‌های علم داده را برای کارشناسان حوزه کسب‌وکار به ارمغان می‌آورد.
استفاده از هوش مصنوعی، یادگیری ماشین و سایر روش‌های آماری برای حل مشکلات تجاری تا حد زیادی در اختیار دانشمندان داده بوده است. بسیاری از سازمان‌ها تیم‌های علمی داده‌ای کوچکی دارند که بر روی مسائل خاص مأموریت‌های حیاتی و بسیار مقیاس‌پذیر متمرکز شده‌اند. اما تعداد زیادی از تصمیمات تجاری وجود دارد که علاوه بر داده ها به تجربه و دانش نیز متکی هستند.
با علم تجارت، تحلیلگران و کاربران تجاری که زمینه داده‌های خود را درک می‌کنند، می‌توانند مدل‌های یادگیری ماشینی قابل توضیح را برای مشکلاتی که تیم‌های کوچک و متمرکز علم داده زمان یا منابعی برای اولویت‌بندی ندارند، آموزش دهند و به کار گیرند.
در Tableau، تحلیل همیشه این بوده است که به مردم اجازه دهیم سؤال بعدی را بپرسند، فرضیه بعدی را بررسی کنند، ایده بعدی را آزمایش کنند. اکنون، ما آن را فراتر می‌گذاریم و به افراد بیشتری کمک می‌کنیم تا قضاوت انسانی خود را با هوش مصنوعی عملی و اخلاقی که پیش‌بینی‌هایی را در مشکلات کسب‌وکار امروزشان به ارمغان می‌آورد، ارتقا دهند. این به سازمان‌ها کمک می‌کند حتی سریع‌تر و مطمئن‌تر تصمیم‌گیری کنند و در عین حال موارد استفاده از تحلیل‌های خود را گسترش دهند و درک خود را از داده‌های خود عمیق‌تر کنند.
موانع تصمیم گیری بهتر با هوش مصنوعی
با مجموعه‌های متنوع و فزاینده‌ای از داده‌هایی که سازمان‌ها جمع‌آوری می‌کنند، تجزیه و تحلیل‌ها از موارد استفاده برای تبدیل داده‌ها به بینش‌های ارزشمند به همان سرعت در حال رشد هستند. امروزه طیف وسیعی از ابزارها و تیم‌های متمرکزی وجود دارد که در یافتن بینش‌های داده‌ای برای اطلاع‌رسانی به تصمیم‌گیری تخصص دارند، اما سازمان‌ها نتوانسته‌اند تعادل مناسبی بین کارشناسان داده‌های بسیار فنی و تیم‌های تجاری با تجربه و دامنه عمیق ایجاد کنند. تجربه و تخصص. هر شرکتی یک تیم علم داده یا راه حل های هوش مصنوعی (AI) ندارد، و آنهایی که این کار را انجام می دهند اغلب یک تیم کوچک و بسیار ماهر با تعداد زیادی پروژه پشت سر هم دارند.
ما اغلب می بینیم که کاربران تجاری و تحلیلگران با دانش دامنه و نزدیکی به داده های تجاری، ابزار یا مهارت های فنی برای انجام تجزیه و تحلیل آماری پیشرفته یا مدیریت پروژه های یادگیری ماشین (ML) را ندارند. آنها اغلب به دانشمندان داده و متخصصان ML برای ساخت و استقرار مدل‌های سفارشی از طریق فرآیند جمع‌آوری نیازمندی‌ها متکی هستند – فرآیندی که چابکی و توانایی تکرار سریع را ندارد. در پایان چرخه، داده‌هایی که مدل بر روی آنها آموزش داده شده است، اغلب کهنه می‌شوند و فرآیند از اول شروع می‌شود. در همین حال، متخصصان کسب و کار مسئول تصمیم گیری های حیاتی روزانه هستند که به سطح اولویت یک تیم متمرکز علم داده نمی رسد.
بسیاری از مشتریان ما ارزش استفاده از علم داده، هوش مصنوعی و ML را برای مشکلات بیشتر کسب و کار می دانند، اما احساس می کنند توسط منابع و فرآیندها محدود شده اند. نیازهای مشترکی که از سازمان‌هایی که در صنایع و بخش‌های مختلف می‌شنویم، شامل خواسته‌های زیر است:
- کاوش داده ها و کار آماده سازی را کاهش دهید
- توانمندسازی کارشناسان تحلیلگر برای ارائه خروجی های علم داده، به ویژه پیش بینی ها، با هزینه کمتر
- زمان رایگان دانشمندان داده برای تمرکز بر مهندسی داده های پیچیده در مسائل حیاتی که در آن دقت دقیق مهمترین نکته است.
- افزایش احتمال تولید مدل های موفق با کاوش بیشتر در مورد موارد استفاده توسط کارشناسان حوزه
- گسترش، خودکارسازی و تسریع تجزیه و تحلیل برای گروه های تجاری و کارشناسان حوزه
- کاهش زمان و هزینه های صرف شده برای استقرار و یکپارچه سازی مدل ها
- ترویج استفاده مسئولانه از داده ها و هوش مصنوعی با شفافیت بهبود یافته و دریافت راهنمایی در مورد چگونگی به حداقل رساندن و رسیدگی به سوگیری
اینجاست که ما در Tableau می‌بینیم که فرصت بزرگی برای کمک به سازمان‌ها برای استفاده از قابلیت‌های علم داده برای مشکلات بیشتر کسب‌وکار است، در حالی که تضاد بین دقت فوق‌العاده و کنترل شدید در مقابل زمان بینش را به حداقل می‌رساند و توانایی افراد برای اقدام در این زمینه‌ها. با آوردن فناوری هسته‌ای هوش مصنوعی از Salesforce’s Einstein Discovery به Tableau، کلاس جدیدی از تجزیه و تحلیل‌های مبتنی بر هوش مصنوعی را معرفی می‌کنیم که به دنبال دموکراتیک کردن تکنیک‌های علم داده و توانمندسازی کاربران برای تصمیم‌گیری سریع‌تر با اطمینان بیشتر است و ما فکر می کنیم که این یک حوزه حیاتی برای ادامه نوآوری در بازار است.
“Tableau تجزیه و تحلیل بصری را دموکراتیک کرد و اکنون ما همین کار را برای هوش مصنوعی سلف سرویس انجام می دهیم. علم تجارت پتانسیل گسترده ارتشی از متخصصان را که هر روز با داده ها کار می کنند، باز می کند. در نظر گرفتن این افراد با هوش BI از تجزیه و تحلیل توصیفی به تجزیه و تحلیل پیشرفته، پیش‌بینی‌ها و توصیه‌ها به معنای اعمال تحلیل غنی‌تر برای موارد استفاده بیشتر، سریع‌تر و مشارکتی‌تر است.”
معرفی Tableau Business Science
Tableau Business Science چیست؟
Business Science کلاس جدیدی از تجزیه و تحلیل‌های مبتنی بر هوش مصنوعی است که به افراد دارای تخصص در حوزه اجازه می‌دهد تا تصمیمات هوشمندانه‌تری را سریع‌تر و با اطمینان بیشتر اتخاذ کنند، و بدانند که همه مشکلات به بهای هزینه و سرعت و زمینه کسب‌وکار به دقت دقیق نیاز ندارند. راه حل های علوم کسب و کار نیز دقیق هستند، اما تصمیم گیرندگان را قادر می سازند تا با کنترل و انعطاف پذیری، تعیین کنند که چه چیزی برای مورد استفاده خود نیاز دارند. چند نمونه از روشی که کاربران می توانند اعمال کنترل کنند عبارتند از انتخاب و شکل دادن به داده های ورودی، انتخاب متغیر و تنظیم آستانه. کارشناسان کسب و کار این اختیار را دارند که یک تجربه کاملاً خودکار را فعال کنند یا این انتخاب را داشته باشند که تغییرات هدایت شده در فرآیند ایجاد مدل ایجاد کنند. با تجهیز افراد بیشتری به هوش مصنوعی بدون کد مثل پیش‌بینی، برنامه‌ریزی سناریو چه می‌شود، و ساخت مدل هدایت‌شده، افراد بیشتری می‌توانند تحلیل بیشتری انجام دهند و مدل‌های کاربردی‌تر و آماده‌تر برای دنیای واقعی تولید کنند.
علم تجارت قابلیت‌های علم داده را دموکراتیزه می‌کند و به متخصصان حوزه کمک می‌کند تا محرک‌های کلیدی یک مدل را بدون نیاز به یادگیری ابزارهای سنتی علم داده درک کنند. با تجارب هدایت‌شده هوش مصنوعی در دست متخصصان حوزه، تیم‌ها می‌توانند تحلیل‌های پیشرفته را برای مشکلات تجاری بیشتر اعمال کنند و تصمیمات مهم را سریع‌تر و با دقت بیشتری اتخاذ کنند، در حالی که همچنان به قضاوت انسانی خود متمایل هستند. این در مورد تنظیم دقیق مدل های فوق دقیق نیست، بلکه هدایت افراد نزدیک به مشکل در جهت درست است.
Tableau Business Science برای چه کسانی مناسب است؟
تجارت ذاتاً پیچیده و غیرقابل پیش‌بینی است، بنابراین تجربه و دانش حوزه افرادی که پویایی حوزه خود را درک می‌کنند بسیار مهم است. داده های تاریخی، در حالی که ورودی مفیدی هستند، همیشه برای پاسخ به اینکه چگونه شرایط بازار تغییر می کند سازمان شما را تحت تاثیر قرار می دهد کافی نیست. فردی که زمینه حوزه کاری خود را دارد و می‌تواند به سرعت خود را تنظیم کند و پاسخ دهد، عنصر حیاتی برای پیمایش موفقیت‌آمیز در محیط‌های تجاری در حال تغییر است. با فعال کردن متخصصان کسب و کار و تحلیلگران داده برای استفاده از پیش‌بینی‌ها و بینش‌های حاصل از مدل‌های ML ( بدون نیاز به یادگیری پایتون، آمار، یا نحوه تنظیم پارامترها برای یک الگوریتم ) شما شروع به رشد تیم متخصصان داده‌محور خود کرده‌اید.
“علم تجارت زمانی اتفاق می افتد که شما تخصص و درک حوزه را با داده های تاریخی و بینش تحلیلی ترکیب کنید. به طور معمول، دانستن سوال درست و دانستن اینکه قرار است با پاسخ چه کاری انجام دهید، مهمتر از جزئیاتی مانند انتخاب الگوریتم است. اغلب این مشکلات پیچیده تر از تصمیمات ساده تایید/رد هستند. مسائل مربوط به تخصیص منابع، اولویت بندی، کارکنان و تدارکات اغلب نیازمند علم تجارت برای رسیدن به بهترین تصمیم مبتنی بر داده است.”
ما سناریوهای بی‌شماری را مشاهده کرده‌ایم که در آن علم کسب‌وکار رویکرد درستی است که بهترین نتیجه را برای کسب‌وکار به همراه خواهد داشت:
- بازاریابی و فروش می‌توانند از علم کسب‌وکار برای امتیازدهی به سرنخ، امتیازدهی فرصت، پیش‌بینی زمان بسته شدن و بسیاری دیگر از موارد استفاده مرتبط با CRM استفاده کنند که اکثر تیم‌های علم داده نمی‌توانند اولویت‌بندی کنند، اما بسیار ارزشمند هستند.
- تولیدکنندگان و خرده‌فروشان می‌توانند برای توزیع و بهینه‌سازی زنجیره تامین، پیش‌بینی تقاضای مصرف‌کننده، یا بررسی سناریوهایی برای افزودن محصولات جدید به ترکیب خود، از علم تجارت بهره ببرند.
- منابع انسانی ممکن است از علوم کسب و کار برای ارزیابی احتمال پذیرش یک پیشنهاد با تجزیه و تحلیل الگوهای تاریخی و فاکتور گرفتن دانش استخدام کننده در مورد چگونگی تنظیم ترکیب حقوق، حقوق صاحبان سهام، مزایا و غیره بر اساس ارزش های نامزد استفاده کند.
- املاک و مستغلات شرکتی ممکن است از Business Science برای برنامه ریزی محل خرید فضای اداری و کشف هزینه های جابجایی افراد بین ساختمان ها یا مکان های اداری استفاده کنند. در اینجا، قضاوت انسانی می تواند به تعادل ملاحظات بودجه مناسب با هر «سیاست اداری» کمک کند (یعنی پیامدهایی که ممکن است با جابجایی افراد یا تیم های خاص همراه باشد).
چرا Tableau Business Science؟
علی‌رغم ترس‌ها و تصورات نادرست مبنی بر اینکه هوش مصنوعی جایگزین افراد می‌شود، مشکلات تجاری بسیار زیادی وجود دارد که در آنها هوشمندترین ماشین‌ها با قضاوت انسان قابل مقایسه نیستند. برای مثال، یک سازمان فروش ممکن است از مدل‌سازی پیش‌بینی‌کننده برای تعیین سودآورترین فرصت‌های فروش متقابل/فروش متقابل استفاده کند. یک الگوریتم می‌تواند پیش‌بینی‌هایی در مورد احتمال خرید مشتری ارائه دهد، اما دانش مهمی از کسی که روابط تجاری را مدیریت می‌کند، ندارد. یک مدیر حساب کاربری اهداف مشتری و اینکه کدام محصولات ممکن است به آنها در دستیابی به این اهداف کمک کند را درک می کند یا ممکن است از طریق تجربیات گذشته یاد گرفته باشد که بعید است راه حل خاصی برای خرید به توافق برسد.
این نوع تفاوت‌ها مستلزم قضاوت انسانی فراتر از آن چیزی است که یک الگوریتم به تنهایی می‌تواند ارائه دهد. با هم، تخصص انسانی، قضاوت و آگاهی زمینه‌ای همراه با دقت، اتوماسیون و مقیاس‌پذیری بینش‌های تولید شده توسط ماشین، نتایج کسب‌وکار بهتری را به همراه دارد. به عنوان مثال دیگری، یک خرده فروش ممکن است بخواهد محصولات جدیدی را برای افزایش سود در یک منطقه خاص به فروشگاه های خود اضافه کند. یک حرفه‌ای کسب‌وکار می‌داند که چگونه عواملی مانند روابط تأمین‌کننده، روندهای منطقه‌ای، و سایر پیامدهای تأثیرگذار و کیفی می‌توانند بر تصمیم تأثیر بگذارند – جزئیاتی که ممکن است یک ماشین هرگز آنها را بفهمد یا با موفقیت به کار نبرد.
“حتی با اتوماسیون، انسان باید بتواند نتایج را بفهمد و توضیح دهد. بیشتر اتوماسیون مبتنی بر هوش مصنوعی شامل استفاده از الگوریتم‌های ریاضی برای مدل‌سازی و پیش‌بینی است و توصیه‌ها باید به طور مداوم توسط انسان آزمایش شوند.”
سازمان‌ها تلاش زیادی می‌کنند تا «تک شاخ‌هایی» را به خدمت بگیرند که هم در علم داده و هم تخصص حوزه دارند، اما افرادی که با این توصیف مطابقت دارند بسیار نادر هستند. بسیاری از مشکلات حیاتی وجود دارد که در آن تکنیک‌های علم داده مهمترین مورد هستند، اما علم تجارت بسیاری از این تکنیک‌ها را برای افراد بیشتری به ارمغان می‌آورد، بنابراین آنها نیز می‌توانند بدون نیاز به مدرک فنی پیشرفته و پیشرفته، از پیش‌بینی‌ها در تحلیل خود استفاده کنند.
علم تجارت در مورد تطبیق روش و متخصص با مسئله است. وقتی تیم‌های علم داده پروژه‌های جدیدی را برای کسب‌وکار انجام می‌دهند، اغلب با کمبود دانش زمینه و دامنه دست و پنجه نرم می‌کنند. بدون زمینه مناسب، تیم‌های علم داده زمان زیادی را صرف تلاش برای شناسایی داده‌های مناسب برای رسیدگی به مشکل می‌کنند، سپس آنها را تمیز می‌کنند و برای تجزیه و تحلیل آماده می‌کنند. از آنجایی که هوش مصنوعی و ML به شدت به داده ها متکی هستند، این اساساً یک مشکل داده است، بنابراین مهم است که بین مشکلی که آنها سعی در حل آن دارند و داده های مناسب – در شکل درست – برای انجام این کار، تطابق خوبی داشته باشیم.
نزدیکی کارشناسان حوزه به مشکلات منحصر به فردی که سازمانشان با آن مواجه است، و دانش تخصصی آنها در مورد خط داده های تجاری آنها، به آنها مزیتی در توسعه، اعتبارسنجی و استقرار مدل های پیش بینی به موقع، کارآمد و تأثیرگذار می دهد.
یک رویکرد تکراری، تجدید نظر و استفاده مجدد باعث صرفه جویی در زمان، کاهش هزینه ها و افزایش مهارت های منحصر به فرد می شود.
چرخه‌های علوم داده سنتی و ML می‌توانند طولانی باشند و «آخرین مایل» اغلب از نظر زمان، تلاش و هزینه، چالش‌برانگیزترین و سنگین‌ترین منابع است. استقرار و ادغام مدل‌های سفارشی سنتی پیچیده است و به آماردانان و دانشمندان داده نیاز دارد تا راه‌حل‌ها را برای کاربران نهایی قابل مصرف و عملی کنند. زمانی که زمان برای بازاریابی عامل اصلی است، توانمندسازی افراد برای ایجاد و تکرار مدل‌های پیش‌بینی در چند روز و نه ماه‌ها، منابع را به حداکثر می‌رساند و به بازگشت سرمایه بهتر کمک می‌کند.
“بسیاری از سازمان‌ها تلاش می‌کنند نمونه‌های اولیه و آزمایش‌کننده‌های هوش مصنوعی خود را برای تولید کامل و استفاده گسترده‌تر توسعه دهند، و اغلب چالش استقرار و ادغام هوش مصنوعی با سایر سیستم‌ها را دست کم می‌گیرند. طبق بررسی هوش مصنوعی گارتنر 2020 در سازمان‌ها، تنها 53 درصد از نمونه‌های اولیه در نهایت مستقر می‌شوند.”
برای کارشناسان کسب و کار که نیاز به تکیه بر داده‌ها و پیش‌بینی‌ها برای اطلاع‌رسانی در تصمیم‌گیری دارند، بسیار ارزشمند است که بتوانند جنبه‌های مختلف را در طول فرآیند مدل‌سازی کنترل کنند و به داده‌های خود نسبت به هر مورد استفاده اعتماد کافی داشته باشند. این امر به ویژه زمانی ارزشمند است که رویکرد ساخت مدل تکراری باشد و بر بهبود مستمر دقت پیش‌بینی متمرکز باشد. چنین رویکردی به افراد کمک می کند تا زمانی که داده ها هنوز مرتبط هستند، اقدام کنند. و گاهی اوقات، حتی تلاش برای ساخت یک مدل می‌تواند باعث شود یک تیم داده‌ها را تا حدی ثابت کند که به مقداری ارزش دست یافته‌اند.
با علم کسب و کار، هدف این است که یک KPI را به حرکت درآورید، نه اینکه یک مدل را کامل کنید تا زمانی که دقیق‌ترین مدل باشد. با تسهیل فرآیندهای تکراری تر، تجدید نظر و بازگردانی نسبت به چرخه های سنتی علم داده، علوم تجارت موانع را برای افراد دارای زمینه تجاری برای ساخت سریع مدل ها و اعمال پیش بینی ها از بین می برد. افراد بیشتری می‌توانند از این تکنیک‌های تحلیلی پیشرفته سریع‌تر به ارزش برسند و در زمان و مکان نیاز تصمیم‌های هوشمندانه‌تری بگیرند – که به‌طور بالقوه منجر به صرفه‌جویی در هزینه یا سود برای یک مورد خاص می‌شود.
به تعیین سهمیه های فروش فکر کنید: تکالیف جغرافیایی و اهداف همیشه تغییر می کنند. همین مدل برای تخصیص سهمیه یک ساله برای سال بعد کار نخواهد کرد، زیرا ورودی های مدل آنها به طور مداوم در حال تکامل است. و اگر یک سرنخ فروش منطقه ای مدل پیشنهادی را وتو کند، زیرا آنها هدف دارند که تجارت بیشتری در جغرافیای خود انجام دهند، چه؟ این باعث می شود که توانایی چرخش سریع یا تکرار مدل واقعاً ارزشمند باشد و به طور بالقوه فرصت های جدیدی برای ایجاد درآمد بیشتر در این مناطق فروش ایجاد کند.
علم کسب و کار با امکان دادن به تحلیلگران و کاربران تجاری با توانایی ایمن برای خود خدمتی با یادگیری ماشینی، مهارت های منحصر به فرد و تخصص دامنه افراد بیشتری را ارتقا می دهد. همچنین نقش اصلی تیم های علم داده را تقویت می کند و آنها را آزاد می کند تا تلاش ها را بر روی پروژه های در مقیاس بزرگ و حیاتی متمرکز کنند. این دسته از راه‌حل‌های مبتنی بر هوش مصنوعی همچنین می‌توانند یک محیط آزمایشی برای تحلیلگران و کاربران تجاری پیشرفته ایجاد کنند تا موارد استفاده جدیدی را که در اولویت تیم‌های علم داده نیستند، کشف کنند. با تعداد بیشتری از افراد که تعداد بیشتری از موارد استفاده را بررسی می کنند و محرک های نتایج بالقوه را تجزیه و تحلیل می کنند، احتمال ارائه یک مدل موفق افزایش می یابد. متخصصان دامنه این اختیار را دارند که مدل‌های بدون کد و مبتنی بر ML را برای نیازهای خود بسازند و تجزیه و تحلیل‌های عالی و ویژه کسب‌وکار را تولید کنند که به عمقی که متخصصان داده نیازی به آن ندارند، نیاز ندارند.
توجه به این نکته مهم است که اگرچه راه حل های علوم تجارت می توانند به رفع شکاف مهارتی بین تحلیلگران و دانشمندان داده کمک کنند، اما جایگزینی برای آنها نیست. متخصصان علم داده به ارائه مدل‌های سفارشی، تجزیه و تحلیل آماری و غیره ادامه می‌دهند، اما اغلب، با کارشناسان کسب‌وکار همکاری می‌کنند تا داده‌های مورد استفاده در مدل‌های مبتنی بر ML را تأیید کنند. این افزایش همکاری بین تیمی برای موفقیت و عملکرد این راه حل ها بسیار مهم است.
دموکراتیک کردن علم داده به طور مسئولانه نیازمند راهنمایی برای شناسایی و کاهش تعصب و استفاده غیراخلاقی است.
گسترش تجزیه و تحلیل های مبتنی بر هوش مصنوعی به افراد بیشتر مزایای بسیاری دارد، اما خطرات بالقوه ای نیز دارد. سوگیری در داده‌ها و فناوری‌ها ذاتی است، و مگر اینکه کاهش یابد، می‌تواند سوگیری را از طریق پیش‌بینی‌ها و توصیه‌ها تداوم بخشد – حتی باعث ایجاد آسیب شود. فناوری تشخیص چهره یک نمونه شناخته شده از تلاقی نقاط شکست است، جایی که داده های آموزشی، فناوری و پیش بینی های مغرضانه نتایج مضری را برای جوامع رنگین ایجاد کرده است.
یک حرفه ای معمولی در تجارت لزوماً در تحلیل خود به این چیزها فکر نمی کند. برای شروع، مستندات مدل قوی می‌تواند شفافیت بیشتری را در پشت پیش‌بینی‌ها و توصیه‌ها فراهم کند و ردیابی کارها را آسان‌تر کند. درک اینکه چه چیزی به پیش‌بینی کمک می‌کند، چه ستون‌هایی در داده‌ها و کجای محرک‌ها هستند، می‌تواند به شناسایی سوگیری بالقوه در مجموعه داده‌ها و مدل‌های شما کمک کند.
“هیچ راه حل خودکار یا کلی برای اطمینان از استفاده اخلاقی از داده ها و هوش مصنوعی وجود ندارد – شما واقعاً باید داده ها را خودتان بدانید. اما مسئولیتی که ما به مشتریان خود مدیونیم این است که نرده‌هایی را در فناوری خود قرار دهیم تا بتوانیم احتمال آسیب را مشخص کنیم: به مشتریان کمک کنیم تا تعصبی را که در داده‌هایشان وجود دارد در پیش‌بینی‌هایشان ادامه ندهند و سپس آن را در هنگام ورود به داده‌های واقعی اعمال کنند.”
راهنمایی‌های بیشتر ممکن است شبیه تشخیص تعصب داخلی، نظارت بر مدل، و توضیحات زبان طبیعی متغیرهایی باشد که بر پیش‌بینی‌ها تأثیر می‌گذارند و به افراد کمک می‌کنند مدل‌های اخلاقی بیشتری ایجاد کنند. با Einstein Discovery ، این محصول از کاربران می‌خواهد متغیرها و زمینه‌های حساسی را انتخاب کنند که احتمالاً می‌تواند شامل سوگیری باشد، مانند نژاد، سن، وضعیت تأهل و محل سکونت. از طریق تشخیص پروکسی، همچنین به دنبال فیلدهای مرتبط در مجموعه داده می‌گردد، جایی که اگر یک فیلد حذف شود، نه دیگری، احتمال سوگیری وجود دارد. معیار مهم دیگر تأثیر متفاوت است: برای مثال، دیدن اینکه آیا نتیجه مدل در جنسیت ها یا کدهای پستی مختلف متفاوت است یا خیر. برای بسیاری از صنایع تحت نظارت، این معیاری است که برای پاسخگویی به مدل‌های یادگیری ماشین استفاده می‌شود.
دموکراتیک کردن هوش مصنوعی و ML با ملاحظات و مسئولیت های مهمی همراه است
این یک زمینه نوظهور است، بنابراین مشخص نیست که چگونه با کشف فناوری‌های جدید و موارد استفاده، و با رایج‌تر شدن استانداردهای اخلاقی و مقررات، چشم‌انداز تغییر خواهد کرد. فناوری هوش مصنوعی بیشتر با مقررات آتی از سوی نهادهای حاکم در اتحادیه اروپا شکل می‌گیرد و با اجرای کنترل‌های هوش مصنوعی جدید توسط دولت‌های ایالتی و فدرال در ایالات متحده بیشتر خواهد شد. با توجه به چشم انداز در حال تحول و سطح اختلال مشاهده شده در سال گذشته، سازمان ها در حال آزمایش هستند: تحول دیجیتال دیگر در افق نیست، اما اینجاست. شرکت‌ها در حال کشف راه‌هایی برای مدیریت هجوم فعلی داده‌ها و نوآوری‌های هوش مصنوعی و کاربردهای مؤثر آن هستند – از جمله نحوه استفاده از هوش مصنوعی برای چابکی و انعطاف‌پذیری بیشتر.
علم تجارت امکان دسترسی بیشتر به یادگیری ماشینی را فراهم می کند، اما مسئولیت مدیریت توسعه و استفاده از هوش مصنوعی به صورت ایمن و اخلاقی بر عهده سازمان ها است. Tableau و Salesforce بستر و راهنمایی را برای افراد و سازمان ها فراهم می کنند تا تصمیمات آگاهانه و مسئولانه تر بگیرند. مشتری داده های خود را بهتر درک می کند – و زمینه کسب و کار که در آن راه حل های هوش مصنوعی و ML باید اعمال شوند. ما معتقدیم که ترکیب راه‌حل‌های قدرتمند هوش مصنوعی و ML با تخصص انسانی، مؤثرترین و قدرتمندترین راه برای ایجاد تعادل بین سطوح مناسب همکاری بین تیمی، استفاده و کاربرد اخلاقی هوش مصنوعی، و تکرار سریع است. این رویکرد انسان محور همچنین به مدل‌های پیش‌بینی، برنامه‌ریزی سناریو، شبیه‌سازی و سایر تکنیک‌های علم داده کمک می‌کند تا در استفاده از آنها مؤثرتر و موفق‌تر باشند.
همانطور که ما به نوآوری ادامه می دهیم، و مشتریان ما با چالش های موجود مقابله می کنند و چالش های جدید را کشف می کنند، بهترین شیوه های علم تجارت پدیدار خواهد شد. ما ملاحظات مهمی را شناسایی کرده‌ایم که سازمان‌ها راه‌حل‌های علوم بازرگانی را همسو با ارزش‌های ما اتخاذ و توسعه می‌دهند. برای یافتن تعادل مناسب بین عوامل همکاری، تکرار سریع و استفاده اخلاقی، ما احساس می‌کنیم ضروری است که سازمان‌ها:
- نقش ها و فرآیندها را تعریف و توافق کنید
- روش هایی برای همکاری موفق ایجاد کنید
- ایجاد نقاط تماس انسانی برای استفاده اخلاقی و توسعه هوش مصنوعی
نقش ها و فرآیندها را تعریف و توافق کنید
کارشناسان حوزه و دانشمندان داده باید با این محیط جدید هوش مصنوعی سلف سرویس سازگار شوند. هنگام پیاده‌سازی راه‌حل‌های علم کسب‌وکار، برای تحلیلگران، کاربران تجاری و تیم‌های علم داده مهم است که نقش‌ها، کارهایی که باید انجام شود، فرآیندهای جدیدی که ممکن است برای مبادلات روان و سازنده مورد نیاز باشد، سطح مشارکت و اعتبارسنجی را تعریف و توافق کنند. از هر گروه و ملاحظات دیگر پیش بینی می شود. مانند هر ابزار یا فرآیند جدید، یک دوره تعدیل وجود خواهد داشت که در آن نقش ها و فرآیندهای اخیراً تعریف شده آزمایش می شوند. حفظ گفتگوهای باز برای آماده کردن همه تیم ها برای موفقیت بسیار مهم است.
روش هایی برای همکاری موفق ایجاد کنید
به عنوان بخشی از حفظ گفتگوها بین تیم ها، ضروری است که روش هایی برای ارتباط مستمر ایجاد شود. ممکن است کانال ها از قبل وجود داشته باشند، اما استانداردسازی و ایجاد عادت استفاده واقعی از این کانال ها به تلاش آگاهانه در طول اجرای راه حل های ML برای گروه وسیع تری از افراد نیاز دارد. و راه‌اندازی مرتب فرصت‌ها برای پرسیدن سؤال، مشاوره، تأیید اعتبار، به اشتراک گذاشتن بازخورد صادقانه و غیره می‌تواند همکاری بین تیمی با تجزیه و تحلیل‌های مبتنی بر هوش مصنوعی را موفق کند.
ایجاد نقاط تماس انسانی برای توسعه اخلاقی و استفاده از هوش مصنوعی
کنترل‌های مبتنی بر فناوری در برابر سوگیری مفید هستند و از افراد بیشتری برای دریافت بینش و پیش‌بینی برای تصمیم‌گیری هوشمندانه‌تر حمایت می‌کنند، اما نباید تنها روش حسابرسی باشد که باید به آن تکیه کرد. در مورد ایجاد نقاط تماس برای انسان که هر مرحله از راه را مرور کند، عمدی باشید. تحلیلگران و کاربران تجاری از تخصص دامنه برای درک داده ها در زمینه برخوردار هستند. آنها همچنین ممکن است اثرات بالقوه ای را پیش بینی کنند که داده های حساس از نظر اخلاقی مورد بررسی قرار نگیرند، اما این فقط با یک پایگاه کارمند متنوع امکان پذیر است: افرادی که قادر به شناسایی شکاف ها یا استفاده های تبعیض آمیز در داده ها هستند و می توانند برای جمعیت های کمتر ارائه شده صحبت کنند. تحت تاثیر منفی سیستم های هوش مصنوعی مغرضانه. یادگیری ماشینی و تخصص انسانی – همراه با ابزارهای لازم، بررسی انسانی، شفافیت و نظارت بر سوگیری – به سازمان‌ها کمک می‌کند تا راه‌حل‌های هوش مصنوعی را به صورت ایمن و اخلاقی به کار گیرند.
اگر می‌بینید که داده‌های شما از قبل مغرضانه است و مدل شما پتانسیل ایجاد آسیب را دارد، نباید مدل را به کار بگیرید یا تصمیم‌گیری را خودکار کنید. پرداختن به سوگیری در داده های شما در چندین فاکتور حیاتی است. سوگیری نه تنها می تواند منجر به آسیب شود، سوگیری در داده های شما همچنین به این معنی است که داده های شما دارای خطا هستند، که متعاقباً منجر به اشتباه در مدل های شما، پیش بینی های آنها و تصمیمات مرتبط می شود. اگر سازمان شما فاقد یک گروه اخلاقی داخلی است یا نگرانی هایی در مورد نحوه رسیدگی به سوگیری دارد، با کارشناسان شخص ثالث همکاری کنید تا به شما کمک کنند تا به طور کامل سوگیری را در داده ها یا مدل های خود بررسی و کاهش دهید. تحقیقات آنها می تواند عواقب بالقوه عدم کنترل سوگیری را نشان دهد. تیم های علم داده شما می توانند از کار انجام شده توسط این ممیزان و مشاوران هوش مصنوعی خارجی کمک کنند.
در Tableau و Salesforce، ما متعهد هستیم که ابزارهایی را به مشتریان، شرکا و کارمندان خود برای توسعه و استفاده مسئولانه، دقیق و اخلاقی AI ارائه کنیم. در مورد تعهد ما به اخلاق هوش مصنوعی از دفتر استفاده اخلاقی و انسانی Salesforce بیشتر بخوانید . برای کمک به حذف سوگیری از داده‌ها و الگوریتم‌های خود برای سیستم‌های هوش مصنوعی اخلاقی‌تر در شرکتتان، ماژول Salesforce Trailhead را تکمیل کنید، « ایجاد مسئولیت‌پذیر هوش مصنوعی ».
نتیجه
تقاضا برای مهارت‌های داده در حال رشد است و به همراه آن، فرصت فوق‌العاده‌ای برای کمک به افراد و سازمان‌ها برای یادگیری و حل مؤثر مشکلات است. در حالی که برخی از رویکردها ممکن است بر توسعه یا پیاده‌سازی راه‌حل‌های هوش مصنوعی کاملاً خودکار تمرکز کنند، این رویکرد محدود احتمالاً ارزشی را که در نظر گرفته شده ارائه نمی‌کند. کاهش و حذف نبوغ انسانی، آگاهی زمینه‌ای و تخصص در زمان دموکراتیزه کردن تکنیک‌های هوش مصنوعی و علم داده نه تنها نتیجه‌دهنده نیست، بلکه غیرمسئولانه است.
Tableau همیشه به قدرت بالقوه انسان اعتقاد داشته است. آزادسازی پتانسیل انسانی بخشی از DNA Tableau است که در پلتفرم تحلیل بصری پیشرو در صنعت ما ساخته شده است. اکنون، با Tableau Business Science، این کلاس جدید از نوآوری از هوش مصنوعی و ML برای ادامه سنت ما در توانمندسازی افراد با ابزارها و عملکرد مناسب برای کمک به پرسیدن و پاسخ به سؤالات، کشف بینش و حل مشکلات استفاده می‌کند. با معرفی Einstein Discovery in Tableau، یک راه‌حل علوم کسب‌وکار، ما با خیال راحت یادگیری ماشین را در اختیار افراد بیشتری قرار می‌دهیم، تکنیک‌های قدرتمند علم داده را دموکراتیک می‌کنیم تا به مردم کمک کنیم تصمیم‌های بهتر و سریع‌تری بگیرند.
