In einer Branche, die vom Rennen um künstliche Intelligenz verzehrt wird, bemühen sich Unternehmen, nicht zurückgelassen zu werden. Die Angst, jedoch zu verpassen, führt jedoch viele dazu, auffällige Trends zu verfolgen und gleichzeitig die Grundlagen zu ignorieren, eine Praxis, die ein Veteran der Branche als „verrückt“ bezeichnet.
Stanislav Petrovein leitender Datenwissenschaftler bei Capital.com Mit über einem Jahrzehnt Erfahrung argumentiert, dass der Schlüssel zum Erfolg nicht das neueste und am meisten gehandelte Modell einnimmt, sondern eine Kultur der „Daten geistigen Gesundheit“ fördert. Für Unternehmen bedeutet dies, klare Ziele und Qualitätsdaten vor dem Reiz des KI -Zuges zu priorisieren.
Die Herausforderung ist von Bedeutung. Laut einem Bericht von Alation 2024erstaunliche 87 Prozent der Mitarbeiter zitieren Datenqualität Probleme als Hauptgrund, warum ihre Organisationen Daten- und Analyseziele nicht erreichen.
„Das zentrale Paradox des aktuellen KI -Booms ist unsere Besessenheit mit Ergebnissen, während sie die Quelle vernachlässigt“, sagte Petrov. „Trotz aller Aufregung bleibt der kritischste Faktor für erfolgreiche KI- oder Datenwissenschaftsprojekte die Qualität und Relevanz von Eingabedaten – aber da dies der unsexy und schwierigste Teil ist, wird es oft ignoriert.“
Um dem entgegenzuwirken, veranlasst Petrov ein einfaches, aber strenges Rahmen, bevor ein Projekt beginnt: Was ist das Geschäftsziel? Was ist die potenziellen Geschäftsauswirkungen? Und haben wir die Daten, um dies zu erreichen?
„Wenn diese nicht klar beantwortet werden, gehen wir nicht vorwärts“, sagte er.
Ein Blaupause für den Aufprall
Petrov verweist auf die Entwicklung eines Lebensdauerwerts oder CLV -Kunden als Hauptbeispiel für diese Philosophie in Aktion. Das Ziel ist es nicht nur, einen Vorhersagealgorithmus aufzubauen, sondern auch einen Kerngeschäftsbedarf zu lösen: die Optimierung von Marketingbudgets.
„Das Ziel ist es, die prognostizierte Leistung der Kampagne oder Anzeigenkreativ in den frühen Phasen zu verstehen und die Ausgaben entsprechend anzupassen“, sagte Petrov. Er merkte an, dass solche Modelle für moderne automatisierte Strategien von entscheidender Bedeutung sind, z.
Während die aktuelle KI -Ära von komplexen neuronalen Netzwerken dominiert wird, sagte Petrov, dass für strukturierte Datenprobleme wie CLV die etablierten Methoden häufig am besten funktionieren.
„Ein Gradienten -Boosting -Ansatz eignet sich gut für strukturierte Daten“, sagte Petrov und fügte die entscheidende Einschränkung hinzu: „Natürlich müssen Sie wissen, was Sie tun, und verstehen, wie Sie Hyperparameter stimmen und eine ordnungsgemäße Verlustfunktion basierend auf Ihrer Zielverteilung auswählen.“
Der letzte und vielleicht wichtigste Schritt besteht darin, sicherzustellen, dass das Modell tatsächlich verwendet wird. Er betonte, dass die Auswirkungsmessung häufig anspruchsvolle Techniken wie die kausale Auswirkungsanalyse erfordert, um den Wert eines Modells zu beweisen, wenn einfache A/B -Tests nicht möglich sind.
„Der Wert eines solchen Modells liegt nicht nur in seinem technischen Verdienst, sondern auch in seiner Fähigkeit, reale Entscheidungen zu beeinflussen, Systeme über Systeme hinweg zu skalieren und sich an die Geschäftsbedürfnisse anzupassen“, sagte Petrov.
Navigation in einer sich entwickelnden Landschaft
Dieser pragmatische Ansatz ist wesentlich, da Datenwissenschaftler vorheuern, insbesondere aus neuen Datenschutzvorschriften und dem langjährigen Tod des Keks von Drittanbietern.
Google geht mit seinem Plan fort Eine Studie von Lotame gefunden 62 Prozent der Vermarkter glauben, dass sie sich negativ auf ihre Werbung auswirken werden.
Petrov sieht dies nicht als einzelnes Ereignis, sondern als langer, inkrementeller Prozess, der Anpassung erfordert.
„Eine Hauptverschiebung lehnt sich in Inkrementalitäts-basierte Frameworks und Medienmix-Modellierung ein, um den tatsächlichen Beitrag von Kanälen zu verstehen, insbesondere wenn die direkte Attribution der direkten Pfade zusammenbricht“, sagte Petrov.
Dies zwingt eine engere Integration zwischen Daten- und Marketingteams und stützt sich mehr auf Techniken wie Geo-Testing und probabilistische Modellierung.
Die Denkweise, die einen Führer definiert
Wenn es darum geht, Teams zu bauen, die in der Lage sind, diese Herausforderungen zu navigieren, ist Petrov der Ansicht, dass der Unterscheidungsmerkmal zwischen einem Junior- und Senior -Datenwissenschaftler keine einzige Fähigkeit ist, sondern eine Denkweise, die sich auf das Eigentum konzentriert.
„Während Junioren sich bei der Ausführung von gut geeigneten Aufgaben auszeichnen können, sind Senioren diejenigen, die proaktiv Probleme definieren, Stakeholder einbeziehen und Lösungen für die Lieferung und Iteration durchsehen“, sagte er.
Er beschrieb eine entscheidende Erkenntnis für jeden Fachmann, der wachsen möchte: „Eine wesentliche Einstellung von Denkweise besteht darin, zu erkennen, dass„ niemand kommt “, um Ihnen zu sagen, was zu tun ist oder was richtig ist. Sie müssen Initiative ergreifen, Ihre eigenen Entscheidungen treffen und die volle Verantwortung für die Ergebnisse übernehmen.“
Für Petrov kam diese Lektion mit Erfahrung.
„Das Schreiben von Code ist nicht der schwierigste Teil des Jobs, auch wenn er nicht immer einfach ist“, sagte er. „Die wirkliche Herausforderung besteht darin, diese Arbeit in ein Produkt zu integrieren, es auf den Geschäftsbedarf auszurichten und die Stakeholder von seinem Wert zu überzeugen.“
Diese Philosophie des pragmatischen Eigentums erstreckt sich auf den Aufbau der Infrastruktur, die die Modelle nach dem Start unterstützt, ein als MLOPS bekanntes Feld. Anstatt übermäßig komplexe „Plattformen mit vollem Einfachen“ zu bauen, befürwortet Petrov für rechtsgroße Lösungen.
„Ein robustes System bedeutet nicht immer das komplexeste“, sagte er. „In vielen Fällen können einfache, gut gescopte Protokollierung und Alarmierung an wichtigen Modellausgaben und Driftindikatoren 80 Prozent dessen abdecken, was benötigt wird.“
Durch die Konzentration auf reale Probleme, Qualitätsdaten und materielle Auswirkungen ist die Botschaft von Petrov klar: Im Alter der KI könnte eine Dosis geistiger Gesundheit der wertvollste Algorithmus von allen sein.
