در این مصاحبه با ما صحبت می کنیم Preetham Reddy Kaukuntla، دانشمند داده های کارکنان در Glassdoor ، در مورد پیمایش در مورد خواسته های در حال تحول در تصمیم گیری های محور AI. Preetham به اشتراک می گذارد که چگونه تجزیه و تحلیل آماری ، آزمایش و یادگیری ماشین برای ارائه تأثیر قابل اندازه گیری همگرا می شوند و بینشی در مورد دانشمندان داده های مربیگری به سمت تفکر تجاری گرا ارائه می دهند. از متعادل کردن نتایج کوتاه مدت با مقیاس پذیری بلند مدت گرفته تا شکل دادن به نقش آینده رهبری هوش مصنوعی ، دیدگاه های وی در هر دو طرف استراتژیک و عملی علوم داده روشن می شود.
مصاحبه های بیشتر را در اینجا کشف کنید: جی داوانی ، بنیانگذار و مدیرعامل Lemurian Labs: پیشگام توسعه AI در دسترس و پایدار
سفر شما نشان دهنده ترکیبی قوی از آمار ، آزمایش و یادگیری ماشین است. آیا می توانید ما را در یک لحظه تعیین کننده قدم بزنید که این ستون ها برای تأثیرگذاری در تجارت مهم همگرا شوند؟
یک لحظه مشخص در هنگام تعمیرات اساسی پلت فرم اعلان ما در Glassdoor ، جایی که چالش بهبود تعامل بدون افزایش خستگی پیام بود ، رخ داد. ما با تجزیه و تحلیل آماری از داده های تعامل تاریخی ، که بخش های کلیدی رفتاری را نشان می دهد ، به عنوان مثال ، متقاضیان کار با ارزش بالا که در زمان های خاص روز به انواع شغلی پاسخ می دادند. این مرحله نه تنها “چه چیزی” بلکه الگوهای “چرا” را که در پشت مشارکت در معرض خطر است ، شناسایی کرد.
از آنجا ، ما آزمایش های کنترل شده طراحی شده برای آزمایش قوانین مختلف سرکوب ، تنظیم زمان بندی و تغییرات محتوا. به عنوان مثال ، یک آزمایش روزانه در مقابل برنامه های ارسال تطبیقی برای بخش های برتر ، اندازه گیری کلیک از طریق ، اعمال شروع و شروع به کار در طی چند هفته.
استراتژی های برنده در آن زمان بود عملیاتی شده به یک خط لوله هدفمند ML محور این فرکانس ارسال و رتبه بندی دینامیکی بر اساس نمرات تعامل در زمان واقعی تنظیم شده است. در طی سه ماه ، این سیستم 30 ٪ ارسال شده را 30 ٪ کاهش می دهد ، سالانه 150 کیلو دلار در هزینه های ایمیل صرفه جویی می کند و افزایش برنامه از اعلان ها 18 ٪ شروع می شود ، نمونه ای واضح از چگونگی ایجاد آمار ، آزمایش و یادگیری ماشین می تواند بر روی یکدیگر ایجاد شود تا ارزش تجاری قابل اندازه گیری را ارائه دهد.
به عنوان یک دانشمند داده کارکنان ، رهبری فراتر از مهارت های فنی است. چگونه می توانید دانشمندان داده های خردسال را برای ایجاد یک ذهنیت تجاری گرا راهنمایی کنید؟
من دانشمندان داده های خردسال را ترغیب می کنم که خود را به عنوان شریک تصمیم گیری و نه فقط مجریان فنی فکر کنند. ما با تعریف واضح زمینه تجارت شروع می کنیم ، چه تصمیمی در معرض خطر قرار می گیرد ، چه کسی آن را می سازد و چگونه موفقیت اندازه گیری می شود. این قاب بندی کمک می کند تا ذهنیت را از “من یک مدل می سازم” به “من در یک نتیجه تأثیر می گذارم”.
ما همچنین به شدت روی تجارت تمرکز می کنیم. به عنوان مثال ، در صورت تأخیر در استقرار یا از بین بردن تفسیر ، ممکن است یک افزایش دقت حاشیه ای ارزش افزودنی اضافه کند. من از آنها می خواهم که همیشه “آخرین مایل” را در نظر بگیرند ، چگونه کار آنها مصرف می شود ، توسط چه کسی و تحت چه محدودیتی.
یک تمرین عملی که من از آنها استفاده می کنم این است که آنها را دو بار ، یک بار به مخاطبان فنی و یک بار برای مخاطبان مشاغل ارائه دهند. توانایی تطبیق همان بینش برای دو گروه بسیار متفاوت ، مهارتی است که تأثیر آنها را چند برابر می کند. با گذشت زمان ، آنها می آموزند که تأثیر و اعتماد غالباً بیشتر از پیچیدگی فنی اهمیت دارد.
ساختمان راه حل های AI پایان به پایان اغلب نیاز به متعادل کردن تحویل های کوتاه مدت با مقیاس پذیری بلند مدت دارد. چگونه این تنش را مدیریت می کنید؟
تنش بین سرعت و پایداری در پروژه های هوش مصنوعی ثابت است. رویکرد من این است که دو مسیر موازی را اجرا کنم ، یکی متمرکز بر تحویل سریع چیزی ملموس و دیگری در ساخت زیرساخت ها و فرآیندهایی است که باعث می شود راه حل بدون شکستن بعداً تکامل یابد.
در مسیر کوتاه مدت ، ما هدف از نمونه های اولیه عملکردی ، راه حل های حداقل اما مفید که ارزش را زودتر اثبات می کنند ، هدف ما است. در مسیر بلند مدت ، ما با دانستن اینکه این سرمایه گذاری ها مانع از تنگناهای آینده می شود ، در کیفیت داده ها ، طراحی معماری و اتوماسیون سرمایه گذاری می کنیم.
آنچه این کار را ایجاد می کند شفافیت است. من به طور مرتب با ذینفعان خطرات غفلت از مقیاس پذیری و مزایای انجام کارهای بنیادی را زودتر با ذینفعان به اشتراک می گذارم. هنگامی که آنها می بینند که این رویکرد باعث کاهش کار مجدد شده و راه اندازی های آینده را تسریع می کند ، تأمین امنیت خرید بسیار آسان تر می شود. در پایان ، سریعترین راه برای ارائه تأثیر طولانی مدت ، برنامه ریزی برای آن از روز اول است.
آیا می توانید نمونه ای از پروژه را به اشتراک بگذارید که در آن تأثیر بلافاصله قابل مشاهده نبود اما با گذشت زمان تحول آمیز بود؟
یک مثال خوب توسعه است مدل های رتبه بندی ML محور برای محتوای جامعه Glassdoor. در ابتدا ، معیارهای این پروژه مسطح به نظر می رسید زیرا الگوریتم ارتباط و کیفیت بیش از حجم را در اولویت قرار می دهد ، به این معنی که پست های کمتری اما هدفمندتر نشان داده شده است.
در ماه اول ، نامزدی در هر جلسه سنبله نکرد و برخی از ذینفعان این تغییر را زیر سوال بردند. با این حال ، طی شش ماه آینده ، ما دیدیم 25 ٪ افزایش در مشارکت معنی دار (موضوعات چند تعهد با بحث مربوط به شغل) ، رشد 15 ٪ در بازدیدهای مکرر جامعه، و الف بالابر قابل توجه در نمرات احساسات از نظرسنجی های کاربر
این موفقیت آهسته سوختگی ناشی از تمرکز روی ارزش کاربر بلند مدت به جای کلیک فوری است. همچنین این میزان سربار اعتدال را 20 ٪ کاهش داد زیرا در پست های با کیفیت بالاتر منجر به گزارش ها و اختلافات کمتری شد. امروز ، چارچوب رتبه بندی ML سنگ بنای استراتژی جامعه ما است که نه تنها در کدام پست ها نشان داده می شود بلکه همچنین چگونه بحث ها را از طریق ایمیل و کانال های فشار توصیه می کنیم.
چگونه می توانید بین پیچیدگی مدل و تفسیر در سناریوهای پر سر و صدا تصمیم بگیرید؟
من پیچیدگی را به عنوان ابزاری می بینم ، نه یک پیش فرض. نقطه شروع همیشه ساده ترین رویکردی است که می تواند به طور معتبر هدف را برآورده کند. مدل های ساده تر مزایایی دارند ، توضیح ، نگهداری ، اشکال زدایی و حسابرسی آسان تر هستند.
در محیط های پر سر و صدا ، خواه ریسک مالی ، شهرت یا نظارتی باشد ، تفسیر اغلب در اولویت افزایش دقت پیش بینی کننده اولویت دارد. دلیل این امر این است که هزینه یک تصمیم اشتباه فقط نرخ خطا نیست. این اعتماد مردم است که به خروجی تکیه می کنند.
گفته می شود ، پیچیدگی خارج از جدول نیست. اگر پیشرفت قابل توجهی و قابل توجیهی را ارائه دهد ، ما از آن استفاده خواهیم کرد ، اما باید با مکانیسم هایی برای توضیح و نظارت همراه باشد. به عبارت دیگر ، پیچیدگی باید جای خود را بدست آورد.
چه چیزی شما را در مورد تقاطع در حال تحول هوش مصنوعی و تصمیم گیری در مورد تجارت هیجان زده می کند؟
ما در حال ورود به دوره ای هستیم که سیستم های AI می توانند از ناظران منفعل به سمت شرکت کنندگان فعال در تصمیم گیری حرکت کنند. آنها به جای ارائه تجزیه و تحلیل ، می توانند سناریوها را شبیه سازی کنند ، اقدامات را توصیه کنند و تأثیرات پایین دست را در زمان واقعی پیش بینی کنند. این فرصت هایی را برای استراتژی های تطبیقی تر و آینده نگر ایجاد می کند.
آنچه من را بیشتر هیجان زده می کند ، پتانسیل هوش مشترک است ، جایی که هوش مصنوعی مقیاس و تشخیص الگوی را به خود اختصاص می دهد و انسان زمینه ، اخلاق و قضاوت را به همراه دارد. تحول واقعی هنگامی اتفاق می افتد که این سیستم ها نه تنها برای صحت بلکه برای وضوح و هماهنگی با ارزش های سازمانی طراحی شوند. اینجاست که هوش مصنوعی فقط ابزاری را متوقف می کند و در شکل گیری جهت به یک شریک قابل اعتماد تبدیل می شود.
با استفاده از ابزارهای هوش مصنوعی دسترسی به داده ها ، چگونه می توانید نقش دانشمند داده های کارکنان را در پنج سال آینده در حال تحول داشته باشید؟
این نقش از “سازنده” به “معمار” تغییر خواهد کرد. از آنجا که اتوماسیون ، مدل های از قبل آموزش دیده و ابزارهای بدون کد با توانایی بیشتری پیدا می کنند ، تمایز دهنده برای دانشمندان ارشد داده ها انتخاب مشکل ، طراحی راه حل و حاکمیت خواهد بود.
من می بینم که دانشمندان داده های کارکنان وقت بیشتری را صرف اکوسیستم های چند مدلی در زمان ارکستر می کنند ، اطمینان می دهند که سیستم ها عادلانه و قابل توضیح هستند و هدایت تیم های عملکردی متقابل در استفاده از AI با مسئولیت پذیری. ما همچنین کسانی خواهیم بود که نگهبان ها را تعیین می کنیم ، تعریف می کنیم که چه مشکلی باید حل کند ، چگونه باید ارزیابی شود و چه زمانی مداخله انسان ضروری است.
به عبارت دیگر ، این کار در مورد تولید خروجی ها کمتر خواهد بود و بیشتر در مورد اطمینان از خروجی های تولید شده مناسب است.
چگونه می توانید فرهنگ یادگیری و آزمایش مداوم را در تیم های علوم داده پرورش دهید؟
این کار با کاهش موانع آزمایش آغاز می شود. تیم ها نیاز به دسترسی به داده های تمیز ، ابزارهای مناسب و چارچوب هایی دارند که ایده های آزمایش را ساده می کنند. اما زیرساخت ها به تنهایی کافی نیست ؛ شما همچنین باید طرز فکر را شکل دهید.
من روشن می کنم که در صورت یادگیری ، تست های شکست خورده شکست نیستند. ما به طور منظم “ویترین یادگیری” را برگزار می کنیم که در آن افراد آزمایشاتی را که مطابق آنچه انتظار می رفت ، به همراه بینش های به دست آمده به اشتراک می گذارند. این ایده را عادی می کند که پیشرفت در تکرار ایجاد می شود.
با گذشت زمان ، این محیطی را ایجاد می کند که کنجکاوی پاداش می گیرد ، از ریسک پذیری پشتیبانی می شود و نوآوری ثابت است ، نه فقط کاری که ما در هنگام وقت اضافی انجام می دهیم.
اگر می خواهید یک “کتاب بازی رهبری علوم داده” طراحی کنید ، سه فصل اول چه خواهد بود؟
- مشکل را با دقت تعریف کنید – سوالات مبهم منجر به پاسخ های مبهم می شود. قبل از شروع تجزیه و تحلیل ، زمان را برای تیز کردن سوال سرمایه گذاری کنید.
- بی امان اعتماد کسب کنید – تأثیر شما از اعتبار ناشی می شود. شفاف باشید ، به طور مداوم تحویل دهید و هم موفقیت و هم در اشتباه داشته باشید.
- رهبری از طریق دیگران – با توانمندسازی تیم خود به طور مستقل ، تصمیم گیری و مالکیت خود ، تأثیر خود را ضرب کنید.
سرانجام ، مانترا شخصی که هنگام پیمایش چالش های پیچیده و مبهم به آن اعتماد دارید چیست؟
“پیشرفت بر کمال ، وضوح از طریق تکرار.” من آموخته ام که انتظار برای راه حل کامل اغلب به معنای از دست دادن پنجره برای ضربه است. درعوض ، من بر روی بهترین مرحله بعدی با اطلاعات موجود ، اندازه گیری نتیجه و پالایش از آنجا تمرکز می کنم. این رویکرد حرکت را زنده نگه می دارد و فضایی را برای سازگاری بدون از دست دادن جهت ایجاد می کند.
در محیط های سریع حرکت ، سازگاری به همان اندازه دقت مهم است و تکرار این است که شما به هر دو دست می یابید.