建立客户终身价值生态_建立有效的AI生态系统的提示

建立客户终身价值生态

在业务用例和垂直领域中，工程师和领导者一直在讨论AI可以带来的价值-通常，机会似乎是无止境的。 它可以预测您的兴趣，您认识的人或您的下一份工作。

但是，我们常常忽略了大规模执行AI驱动的系统所必须采取的步骤。 在人才，计算资源和时间方面，部署AI可能会付出高昂的代价，并且要充分释放AI所承诺的创新浪潮，开发人员必须得到适当的授权和配备。 实际上，成功实现AI所需的许多关键要素与算法细节的关系较小，而与围绕它们的工具和流程的关系更大。

这些工具和流程中有几种围绕标准化最频繁的工作流程展开。 这种形式可以像列出常用功能的电子表格一样简单，也可以像完整的AI开发人员平台一样复杂。 随着我们在LinkedIn上扩大AI工作的规模，我们逐渐向后者迈进，创建了“生产性机器学习”（简称“ Pro-ML ”）计划，以提高开发人员的生产率和效率。

这是我们通过这项工作积累的各种规模的组织的一些关键要点和提示。

清理数据，提供智能见解

部署AI流程的前提条件是对数据有透彻的了解。 AI模型的性能本质上与它所训练的数据有关，因此了解您要使用的干净数据非常重要。 然后，在选择用于培训的数据集时，与您的业务合作伙伴协作以了解最终的业务目标是有帮助的。 例如，如果您想“增加新闻提要的参与度”，是否通过文章和帖子的点击率或帖子的“赞”或评论率来衡量？ 通过共同确定用于支持明确业务目标的最佳数据，您将设计出更有效的模型。

选择训练数据时要考虑的另一个因素是如何对其进行标记。 数据是否具有足够的上下文可以直接输入模型中，还是需要注释？ 对于后者，重要的是创建一个“代码簿”或“运行簿”，以设置数据分类标准。 我曾经与一个由专家组成的小组合作，试图手工标记数据集，当我们评估成品时，我们意识到他们之间的一致率小于0.2 。 这意味着专家注释者根本不同意，并且没有理由期望对此类数据进行训练的模型能够令人满意地工作。 如果专家不能就应该如何标注数据达成共识，那么期望具有CrowdFlower（现在为图8）之类的服务的注释者能够有效地做到这一点是不现实的。

关键要点：通过非常清楚地了解数据标签标准来消除模棱两可和令人头疼的问题。

使功能标准化和可重复

在LinkedIn的不同产品线中，不同的团队正在使用AI解决不同的问题（优化供稿，确定招聘者与候选人的适合度，并为您的下一个职业发展建议课程等）。 每个团队使用不同的流水线来产生其机器学习模型的所需功能，因为每个用例都是不同的。 然而，在这些团队中，我们看到了类似的功能一次又一次地弹出，并决定必须简化流程。

我们创建了功能市场Frame，通过允许团队利用现有功能和知识来帮助解决此问题。 Frame充当团队共享，查找和管理各自机器学习模型功能的公共存储库。 它的关键创新是从特征的名称和语义中抽象出特征的锚定方式。 这使所有团队都可以从相同的标准化功能模板开始，然后根据其特定管道或环境的需要对其进行进一步自定义。 当团队从事不同类型的项目时，市场避免了重复工作，从而节省了时间和资源。

积极维护模型

模型会随着时间的流逝而退化； 这是机器学习生命周期中不可避免的一部分。 我们在LinkedIn上通过采取主动的模型维护方法克服了这一问题。 从一开始，当我们构建模型时，我们就以一种使重新培训变得更容易的方式进行。 我们创建和测试的模型并不被视为一次性试验，而是生产级质量，经过代码审查的工件。 这样，当需要重新训练模型的时候，我们就有一个可靠的定义可以使重新训练更加容易。

我们还参与“计划的可再培训性”，从而为我们对模型进行再培训制定了固定的时间表。 这有助于减轻建模团队的认知负担，并确保我们在模型完全停止工作之前就发现任何模型弱点。 我们还投资了性能监控工具以确保健康。 尽管任何程度的监控总比没有好，但要实现的一个好目标是拥有自动监控功能，当某些指标超过预设阈值时会发送警报。

进行AI部署可能只需要某些元素（GPU，模型，数据等），但是要在整个组织范围内成功实施AI则需要一个强大的支持工具包，以赋予开发人员权力。 通过为开发人员提供围绕AI工作的最佳实践和工具，我们正在扩展以最佳方式应用AI的能力。

翻译自: https://www.infoworld.com/article/3401080/tips-for-building-an-effective-ai-ecosystem.html

建立客户终身价值生态