تجزیه و تحلیل مدیریت چرخه حیات

منتشر‌شده در towardsdatascience به ‌تاریخ۱۸ می
لینک منبع: Analytics Lifecycle Management

امروزه افزودن هوش ماشینی به جریان‌های کاری کسب‌وکار ما تبدیل به یک هنجار شده‌است، و تجزیه و تحلیل پیش‌بینی داده محور بیشتری در حال توسعه و ادغام در عملیات‌های کسب‌وکار موجود برای کمک به تصمیم‌گیری، بهبود بهره‌وری، کاهش خطرات و افزایش تجربه کارکنان وجود دارد.

با این حال، با گسترش تجزیه و تحلیل و مدل‌های هوش مصنوعی تولید شده، ما با چالش مدیریت کارآمد چرخه حیات تجزیه و تحلیل مواجه هستیم تا اطمینان حاصل کنیم که مدل‌ها، بینش کسب‌وکار محکمی را ایجاد می‌کنند که منجر به تصمیمات بهینه، فرصت‌های شناسایی‌شده و اقدامات درست می‌شود. این یک کار چند وجهی و پیچیده است.

در زیر دیدگاه من از مدیریت کل چرخه حیات تجزیه و تحلیل است، که یک راهنمایی گام‌به‌گام از طریق فرآیند تدوین یک مشکل کسب‌وکار، توسعه و استقرار تجزیه و تحلیل‌ها، و در نهایت تجزیه و تحلیل ارائه می‌دهد. توجه داشته باشید که در حالی که این فرآیند به صورت متوالی ارائه می‌شود، ذاتا یک فرآیند تکراری است که می‌تواند برای تولید نتیجه پیش‌بینی قابل تکرار و قابل‌اعتماد مورد استفاده قرار گیرد.

الف. فرمول‌بندی مساله

هر تحلیل یا راه‌حل هوش مصنوعی با یک مشکل کسب‌وکار یا یک مورد استفاده کسب‌وکار شروع می‌شود. تنها زمانی که نیاز کسب‌وکار به وضوح درک شود، یک راه‌حل تحلیلی می‌تواند با یک نتیجه کسب‌وکار طراحی و توسعه داده شود. همچنین این مرحله‌ای است که در آن یک اسپانسر کسب‌وکار باید تضمین شود که چه کسی متعهد به استفاده از تجزیه و تحلیل‌های توسعه‌یافته در مورد استفاده پیشنهادی است، در صورتی که هدف اصلی طراحی را برآورده کند. اغلب اوقات پروژه‌ای دچار مشکل می‌شود که خروجی تحلیل آن توسط هیچ یک از کاربران بالقوه اتخاذ نمی‌شود و بنابراین تمام تلاش‌ها را هدر می‌دهد. در نتیجه، مشارکت حامیان مالی کسب‌وکار و راه‌حل‌های مشترک با آن‌ها در مراحل اولیه یک پروژه بسیار مهم است.

دو جنبه دیگر فرمول‌بندی مساله شامل تعریف حوزه پروژه و معیارهای موفقیت است. اکنون زمان آن است که سوالات مهمی مانند: چه چیزی برای این پروژه در نظر گرفته شده‌است؟ پرسیده شود. آیا شامل تمام جمعیت کارمندان است، یا فقط شامل واحدهای تجاری خاص، geos، کشورها، بخش‌ها است؟ چگونه می‌توانیم موفقیت را تعریف کنیم؟ معیار موفقیت چه چیزی است که باید اندازه‌گیری شود؟ وضعیت فعلی چیست و وضعیت آینده چگونه خواهد بود؟ تجربه کاربران هدف در آینده چه خواهد بود؟ درک این سوالات برای مرحله طراحی راه‌حل بسیار مهم است.

مطالعه مقاله ۳ مفهوم کلیدی در یادگیری ماشینی توصیه می‌شود.

ب.طراحی راه‌حل

هنگامی که مشکل به خوبی فرمول‌بندی شد، گام بعدی طراحی راه حلی است که شامل آن می‌شود.

· چشم‌انداز فعلی یا کار موجود در این حوزه را درک کنید، به خصوص آن‌هایی که در داخل شرکت هستند تا از هر گونه تلاش تکراری اجتناب کرده و به طور بالقوه براساس راه‌حل‌های موجود ساخته شوند. در صورتی که راه‌حل‌های مشابهی در بازار خارجی یافت شود، آنگاه سوال «خرید یا ساخت» ممکن است نیاز به بحث با ذینفعان کسب‌وکار داشته باشد. این مرحله همچنین باید شامل مطالعه امکان‌سنجی و همچنین تعیین اندازه تلاش‌ها در صورت نیاز حامیان مالی کسب‌وکار باشد.

· داده‌های مورد نیاز برای راه‌حل را شناسایی کرده و در دسترس بودن آن‌ها را بررسی کنید. این مرحله ممکن است شامل جلسات طوفان مغزی با مهندسان داده، دانشمندان داده، کاربران حمایت‌شده، و ذینفعان کسب‌وکار باشد. داشتن افرادی با دانش حوزه کسب‌وکار برای برقراری ارتباط در مباحثات در اینجا بسیار ارزشمند خواهد بود. از سوی دیگر، اغلب اوقات جمع‌آوری داده‌ها زمانبرترین مرحله است، به خصوص زمانی که داده‌ها از منابع مختلف با ترکیبی از جداول پایگاه‌داده، ورقه‌های گسترده، فایل‌های تخت و دیگر قالب‌های ناهمگن می‌آید. هنگامی که داده های اکثریت به طور خودکار از یک مخزن متمرکز داده خارج می‌شوند، می‌توان چرخه توسعه را بسیار کوتاه کرد.

· تمیز کردن، تحکیم بخشیدن و کشف داده‌ها. در این مرحله، تیم از ابزارهای مختلف برای جستجوی روابط، روندها و الگوها برای به دست آوردن درک عمیق‌تر از داده‌ها، و همچنین شناسایی ویژگی‌های برجسته‌ای که به حل مشکل کسب‌وکار از دیدگاه تحلیلی کمک خواهند کرد، استفاده خواهد کرد. هنگام بررسی داده‌ها، تیم ممکن است نیاز به اضافه کردن، حذف کردن یا ترکیب ویژگی‌ها برای ایجاد مدل‌های متمرکزتر و دقیق‌تر پیدا کند.

· نیاز به اعمال قوانین تجاری اضافی را درک کنید. اگر واقعا چنین نیازی وجود دارد، پس باید آن‌ها را در طول این مرحله طراحی در نظر گرفت.

پ. توسعه راه‌حل

در این مرحله، الگوریتم های مدلسازی یادگیری تحلیلی و ماشینی متعددی به داده‌ها اعمال می‌شوند تا بهترین نمایش روابط در داده‌ها را پیدا کنند که به پاسخ به سوالات کسب‌وکار و یا رسیدگی به نیازهای کسب‌وکار شناسایی‌شده در مرحله اول کمک خواهد کرد. ساخت، آزمایش، اعتبارسنجی و کالیبراسیون مدل گسترده بر این اساس انجام خواهد شد. یکی دیگر از حوزه‌های کلیدی این مرحله توسعه تضمین کیفیت داده‌ها است که کیفیت داده‌ها را در مراحل مختلف توسعه براساس الزامات کسب‌وکار و تجزیه و تحلیل تضمین می‌کند.

اعتماد به هوش مصنوعی به یک جنبه بسیار مهم برای هر راه‌حل مبتنی بر یادگیری ماشینی تبدیل شده‌است. در پایان روز، اگر کاربران نهایی به بینش‌ها، پیش‌بینی‌ها یا پیشنهادها تولید شده توسط راه‌حل هوش مصنوعی اعتماد نکنند، به سادگی داده‌ها را نادیده می‌گیرند. بنابراین، چگونگی افزایش شفافیت داده‌ها، نشان دادن درستی و استحکام خروجی هوش مصنوعی و همچنین قابل توضیح کردن تصمیم‌گیری هوش مصنوعی، برای هدایت پذیرش راه‌حل بسیار حیاتی است. ابزارهای کمی توسط تحقیقات IBM برای تقویت اعتماد هوش مصنوعی توسعه داده شده‌اند، از جمله AI Factsheet 360, AI Fairness 360, AIExplainability 360 اطلاعات خوب زیادی را می توان در آنجا یافت.

آخرین مرحله از این مرحله تفسیر بینش‌ها در زمینه کسب‌وکار، به اشتراک گذاری و اعتبارسنجی آن‌ها با ذینفعان کسب‌وکار است. اطلاعات جمع‌آوری‌شده از ارزیابی اعتماد هوش مصنوعی در طول این بررسی بسیار مفید خواهد بود.

ممکن است علاقه‌مند به مطالعه ۲۰ تارنمای برتر برای علم داده و یادگیری ماشینی در سال ۲۰۲۰ باشید.

ت. استقرار راه حل

این مرحله‌ای است که در آن ما راه‌حل توسعه‌یافته و بینش‌های به‌دست‌آمده را اتخاذ می‌کنیم، و آن‌ها را با استفاده از فرآیندهای تکرارپذیر و خودکار در عمل قرار می‌دهیم. کمپین ها و جلسات توانمندسازی برای هدف قرار دادن گروه‌های کاربری، روش‌های خوبی برای افزایش آگاهی از راه حلی هستند که در نهایت منجر به پذیرش راه‌حل می‌شوند. از سوی دیگر، ادغام راه‌حل در جریان‌های عملیاتی موجود یکی دیگر از راه‌های عالی و در واقع، ارجح برای هدایت استفاده از آن و دستیابی به خروجی کسب‌وکار است. گاهی اوقات، سطح خاصی از تغییر مدیریت برای گنجاندن نتایج تجزیه و تحلیل در یک فرآیند قبلی ضروری است و پشتیبانی و تایید قوی حامیان مالی کسب‌وکار و سهامداران این فرآیند را کمی آسان‌تر و سریع‌تر می‌کند.

توجه داشته باشید که ممکن است نیاز به مرحله آزمایشی راه‌حل درست بعد از توسعه وجود داشته باشد، تا قبل از افزایش مقیاس راه‌حل در یک محیط دامنه نسبتا کوچک تایید شود. هنگامی که این تیم تایید شود که نتیجه آزمایشی در واقع معیارهای موفقیت از پیش تعریف‌شده را همراه با تایید ذینفعان کسب‌وکار برآورده می‌کند، سپس می‌تواند به مرحله استقرار راه‌حل برود.

پس از استقرار راه‌حل و استفاده از آن، عملکرد آن باید تحت نظارت قرار گیرد، کاربرد باید ردیابی شود و بازخورد باید جمع‌آوری شود، به طوری که از هر گونه تنظیم بالقوه راه‌حل و بهبود در آینده حمایت شود. از سوی دیگر، اگر در واقع نقایص شدید یا مسائل جدی در عملکرد شناسایی شوند، آنگاه تیم باید به مرحله توسعه راه‌حل بازگردد.

ث. اندازه‌گیری موفقیت

وقتی راه‌حل با موفقیت مستقر شد و استفاده از آن به طور مداوم پیگیری شد، زمان آن است که موفقیت را ارزیابی کنیم. معیارهای موفقیت تعریف‌شده در طول مرحله فرمول‌بندی مساله در این مرحله اندازه‌گیری و گزارش می‌شوند. معیارهای دیگر می‌توانند شامل ROI از نظر صرفه‌جویی در هزینه یا تولید درآمد، و همچنین NPS مبتنی بر بازخورد باشند.

مطالعه مقاله ابزار جدید IBM به توسعه‌دهندگان امکان اضافه کردن قدرت محاسبات کوانتومی به یادگیری ماشینی را می‌دهد توصیه می‌شود.

ج. بهبود روند حفظ راه‌حل

هنگامی که راه‌حل در حالت پایدار باشد، می توان آن را به حالت BAU تغییر داد. همچنین زمان آن است که فرآیند را تا حد امکان ساده و خودکار کنید تا آن را با کم‌ترین نگهداری و یا مداخله انسانی کارآمدتر کنید. بازگشت دوره‌ای مدل نیز در طول این مرحله رخ خواهد داد.

علاوه بر این، با نظارت و اندازه‌گیری مداوم عملکرد مدل براساس معیارهای استاندارد، تیم باید به طور مداوم اعتبار و اثربخشی راه‌حل را ارزیابی کند تا بررسی کند که آیا هنوز هم نیازهای کسب‌وکار فعلی را برآورده می‌کند یا خیر. اگر شکافی شناسایی شود، پس مدل باید ارتقا یافته و مجدداً درجه بندی شود. این ممکن است چرخه را به توسعه راه‌حل، یا حتی به طراحی راه‌حل بازگرداند،در صورتی که نیازهای کسب‌وکار در طول زمان تکامل یابند، منبع داده موجود دیگر معتبر نیست، یا داده جدید در دسترس قرار می‌گیرد. این در نهایت مدیریت چرخه حیات را به یک فرآیند تکراری تبدیل می‌کند.

چ. راه‌حل نهایی

در صورتی که نیاز کسب‌وکار اصلی دیگر معتبر نباشد، یک راه‌حل جدید با قابلیت افزایش‌یافته، توسعه داده شده‌است، یا مشتریان به جلو رفته‌اند، دیگر به راه حل موجود نیازی نیست و زمان بازنشستگی مدل است.

با بررسی چرخه عمر تجزیه و تحلیل انتها به انتها، من می‌خواهم به چند نکته اشاره کنم که به طور بالقوه می‌توانند این فرآیند را پیچیده، آهسته یا حتی به طور کامل از خط خارج کنند.

• منابع داده مورد نیاز ممکن است در کل سازمان پراکنده شده باشد، به جمع‌آوری و ادغام بسیار دستی نیاز داشته باشد، یا به دلیل حریم خصوصی و حساسیت آن با دسترسی بسیار سختگیرانه، یا حتی به صورت محرمانه قابل اشتراک نباشد
• ساختار اعتماد به هوش مصنوعی در بینش‌ داده‌ها عقب است و کاربران هدف نگران اعتبار و اخلاق بینش‌ها هستند.
• کسب‌وکار ممکن است برای استفاده از بینش در مورد استفاده کسب‌وکار هدف کند باشد، یا کاربران هدف به چنین بینشی ارزش ندهند و ترجیح دهند که آن‌ها را برای هر نوع تصمیم‌گیری نادیده بگیرند.

ادغام تجزیه و تحلیل در جریان‌های کاری موجود ممکن است نیاز به تغییر مدیریت زیادی برای کاربران مختلف داشته باشد.

برای اجتناب یا کاهش برخی از دام‌های بالا، در زیر چند پیشنهاد ارائه شده‌است:

• یک مورد استفاده بسیار واضح با ROI برآورد شده ایجاد کنید.
• حمایت بسیار قوی از حامیان مالی کسب‌وکار و سهامداران به دست آورید.
• شرکت از طریق جلسات تفکر طراحی با کاربران حامی مالی راه حلی ایجاد کرده و آنها را در کل چرخه حیات تجزیه و تحلیل نگه می‌دارند.
• راه‌حل را به روشی چابک توسعه دهید

موفق باشید، و از مدیریت چرخه حیات تجزیه و تحلیل لذت ببرید!

این متن با استفاده از ربات ترجمه مقالات هوش مصنوعی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.