# 1: मशीन लर्निंग आपके व्यवसाय के लिए क्या कर सकती है और यह कैसे पता लगा सकती है

यह 6-भाग ट्यूटोरियल, स्टेप-बाय-स्टेप पीएम गाइड टू बिल्डिंग मशीन लर्निंग बेस्ड प्रोडक्ट्स का हिस्सा है। पूरी श्रृंखला के अवलोकन के लिए लिंक का अनुसरण करें।

ML में निवेश करना मोबाइल में निवेश करने जैसा है 10 साल पहले - यह आपके व्यवसाय को बदल सकता है

अंतर्दृष्टि के लिए मौजूदा डेटा को छोड़ना एक प्रसिद्ध, व्यापक रूप से अपनाया गया अनुशासन है। एमएल, हालांकि, डेटा विश्लेषण में अगला सीमांत है। यह एक ऐसा अनुशासन है जहां कंप्यूटर प्रोग्राम भविष्यवाणियां करते हैं या डेटा में पहचाने जाने वाले पैटर्न के आधार पर अंतर्दृष्टि प्राप्त करते हैं और अनुभव के साथ उन अंतर्दृष्टि को बेहतर बनाने में सक्षम होते हैं - मनुष्यों के बिना स्पष्ट रूप से उन्हें बताएं कि यह कैसे करना है। चूंकि संगठनों के पास अधिक डेटा तक पहुंच है, इसलिए मशीन लर्निंग उन्हें स्केल पर डेटा से अंतर्दृष्टि प्राप्त करने में सक्षम बनाता है, एक ग्रैन्युलैरिटी के स्तर पर जो कि एकल उपयोगकर्ता इंटरैक्शन से लेकर दुनिया भर के रुझानों और ग्रह पर उनके प्रभाव तक होता है। उन जानकारियों का उपयोग पिक्सेल स्तर पर एक व्यक्तिगत उपयोगकर्ता के अनुभव को कस्टमाइज़ करने से लेकर नए उत्पाद और व्यावसायिक अवसर बनाने तक भी हो सकता है जो वर्तमान में मौजूद नहीं हैं। ध्यान दें कि एमएल के साथ आप आंतरिक डेटा का उपयोग करने से परे जा सकते हैं - नई अंतर्दृष्टि के लिए बाहरी डेटा के साथ आंतरिक विवाह करके अक्सर एमएल की शक्ति को बढ़ाया जा सकता है जो पहले संभव नहीं थे।

A16Z के फ्रैंक चेन में कृत्रिम बुद्धिमत्ता के संभावित अनुप्रयोगों पर एक उत्कृष्ट प्राइमर है, जिनमें से कई को मशीन लर्निंग की आवश्यकता होती है या इसकी आवश्यकता होगी। इनमें से कुछ एप्लिकेशन भविष्य में दिख रहे हैं और अभी तक मौजूदा तकनीक के साथ उपलब्ध नहीं हैं, लेकिन संभावनाओं का एक बड़ा एहसास देते हैं।

जैसे उपभोक्ता कंपनियों ने 8-10 साल पहले मोबाइल में निवेश के बारे में सोचना शुरू किया था, अब कंपनियों के लिए एमएल को एक ऐसी तकनीक के रूप में तलाशना शुरू करने का समय है जो व्यावसायिक परिणामों को चलाने में मदद कर सकती है। मौजूदा एमएल प्रौद्योगिकियों का लाभ उठाने पर ध्यान केंद्रित करने वाली कंपनियों के लिए, कई महत्वपूर्ण थीम हैं कि एमएल आपको क्या करने की अनुमति देता है। ये संपूर्ण या पारस्परिक रूप से अनन्य नहीं हैं, बल्कि आपके व्यवसाय पर संभावित प्रभाव के बारे में सोचने के विभिन्न कोणों का प्रतिनिधित्व करते हैं:

  • उपयोगकर्ता के पर्यावरण, अनुभव और सिस्टम प्रतिक्रियाओं का बड़े पैमाने पर अनुकूलन। कल्पना करें कि कोई भी व्यक्ति जो कुछ भी करता है या देखता है वह विशेष रूप से उनके लिए अनुकूलित किया जा सकता है और यहां तक ​​कि उनकी आवश्यकताओं और व्यवहारों का अनुमान लगा सकता है। जिसमें उत्पादों या सेवाओं के लिए सिफारिशें शामिल हैं, उन्हें प्रासंगिकता के स्तर से रैंक किया गया है; आपके द्वारा उपयोगकर्ता के ज्ञान, उनके व्यवहार, उनके जैसे अन्य लोगों या बाहरी डेटा के आधार पर सिलवाया गया उपयोगकर्ता अनुभव या प्रवाह, भविष्यवाणी करना सहित कि वे आगे क्या करना चाहते हैं आदि। छोटे स्तर पर यह अनुभव के सेगमेंट में अनुवाद कर सकता है। व्यक्तियों के बजाय उपयोगकर्ता।
  • वस्तुओं को नेत्रहीन पहचानने और तदनुसार स्वचालित या दर्जी अनुभव करने की क्षमता। प्रौद्योगिकी आज तस्वीरों और वीडियो में वस्तुओं की पहचान कर सकती है, जिसमें लाइव कैम भी शामिल है। Pinterest इसका उपयोग उन समान / पूरक वस्तुओं का सुझाव देने के लिए करता है जो उपयोगकर्ता देख रहे हैं; दोस्तों को फोटो में टैग करने के लिए सुझाव देने के लिए फेसबुक फेस रिकग्निशन तकनीक का उपयोग करता है, अमेज़ॅन वस्तुओं की दृश्य पहचान के आधार पर स्वचालित स्टोर चेकआउट का निर्माण कर रहा है।
  • सामग्री की स्वचालित पुनर्प्राप्ति, पीढ़ी या प्रसंस्करण। एमएल दुनिया में सामग्री की भारी मात्रा में तेजी से प्रसंस्करण में सक्षम बनाता है। सामान्य उपयोग दस्तावेज़ पुनर्प्राप्ति हैं - उदा। सभी दस्तावेज जो एक कानूनी मामले के लिए प्रासंगिक हैं (ध्यान दें कि यह केवल प्रासंगिक खोज में कीवर्ड से आगे निकलता है), विषय और कीवर्ड द्वारा दस्तावेजों का वर्गीकरण, सामग्री का स्वचालित सारांश, बड़ी मात्रा में सामग्री से प्रासंगिक जानकारी का निष्कर्षण - उदा। वेंडर कॉन्ट्रैक्ट्स आदि में विशिष्ट शब्द ढूंढना "कंटेंट" यहां सभी तरह के मीडिया पर लागू होता है, न कि केवल टेक्स्ट पर।
  • भविष्यवाणी, अनुमान और पैमाने पर रुझान। एमएल भविष्यवाणियों को सक्षम करता है जो बहुत महंगा या अन्यथा बनाना मुश्किल है। एमएल भविष्यवाणियां करने के लिए विशेष रूप से उपयोगी है, अन्यथा उच्च स्तर की विशेषज्ञता की आवश्यकता होती है जैसे कि घर की कीमत, या मानव के लिए भी असंभव है जैसे कि वह सामग्री जो सोशल मीडिया पर अच्छा करेगी। मशीनें मनुष्यों के लिए स्पष्ट होने से पहले डेटा के रुझानों को अच्छी तरह से पहचान सकती हैं।
  • असामान्य गतिविधि या प्रणाली की विफलता का पता लगाना। हर प्रणाली में विफलताएं और मुद्दे होते हैं, लेकिन एमएल आपको केवल यह पता लगाने की अनुमति नहीं देता है कि क्या मुद्दे उत्पन्न होते हैं, बल्कि यह भी कि क्या वे मुद्दे असामान्य और खतरनाक हैं। यह विभिन्न निगरानी और सुरक्षा प्रणालियों में विशेष रूप से उपयोगी है।

सामरिक दृष्टिकोण से, एमएल कई प्रकार के व्यावसायिक परिणामों को चला सकता है:

  • अपने ग्राहकों के लिए बेहतर अनुभव और कार्यक्षमता। सबसे आम उपयोग मामला बड़े पैमाने पर अनुकूलन है - उन उत्पादों को ढूंढना जो आपके ग्राहकों के लिए अधिक तेज़ी से और कुशलता से प्रासंगिक होने की संभावना रखते हैं, उदा। डेटिंग साइटों पर उनके सबसे अच्छे मैच, गीत जो वे संगीत साइटों पर पसंद कर सकते हैं, वे उत्पाद जिन्हें वे खरीदने में रुचि रखते हैं आदि हो सकता है। अन्य उपयोग का मामला उन्हें उन संस्थाओं या स्थितियों के बारे में बुद्धिमत्ता प्राप्त करने के लिए भविष्यवाणियों का उपयोग कर रहा है जो उनके पास अन्यथा नहीं होती। यह सामान्य हो सकता है - उदा। Zillow के Zestimate का मूल्य एक घर है जो इसे देखने या व्यक्तिगत ग्राहक के लिए अनुकूलित करने की परवाह किए बिना समान है - उदा। उपयोगकर्ता को एक ऐसी रेटिंग देने की संभावना है जो उन्होंने अपने विशिष्ट स्वाद को नहीं देखी है।
  • आंतरिक कार्य, प्रक्रियाएं और व्यावसायिक तर्क। मशीन सीखने से आप समय बचा सकते हैं और व्यावसायिक प्रक्रियाओं और निर्णयों के लिए अपने संसाधन निवेश को अधिक प्रभावी बना सकते हैं। उदाहरण के लिए: एक ऋण देने वाली कंपनी संभावित ऋण आवेदकों को अपने आउटरीच को प्राथमिकता देना पसंद करेगी। इसे यह निर्धारित करने की आवश्यकता है कि यदि वास्तव में पेशकश की गई है तो उसे पर्याप्त ऋण लेना चाहिए, लेकिन फिर भी इसे चुकाने में सक्षम होने की संभावना है। सबसे अधिक क्रेडिट करने वाले ग्राहकों को प्राथमिकता देना जरूरी नहीं है, क्योंकि उन ग्राहकों के पास आमतौर पर कई विकल्प होते हैं और उनके बदलने की संभावना कम होती है, इसलिए अधिक जटिल मॉडल की आवश्यकता होती है।
  • नए वर्टिकल और नए उत्पादों का विस्तार। डेटा आपको पूरी तरह से नए व्यवसाय के अवसर खोलने में मदद कर सकता है - अपने मौजूदा ग्राहकों के लिए एकदम नए उत्पाद बना सकता है, या उन सेगमेंट या ग्राहकों की सेवा कर सकता है जिन्हें आपने पहले सेवा नहीं दी थी। उदाहरण के लिए: नेटफ्लिक्स स्टूडियोज़ की सेवा कर सकता है, जो मुख्य लक्षित दर्शक नहीं हैं, उन्हें अपने डेटा से बेचकर कि कौन सी थीम और प्लॉट लाइनें दर्शकों के लिए काम करती हैं; ज़िलोव रियल एस्टेट डेवलपर्स को यह समझने में मदद कर सकता है कि कौन से भवन निर्माण सुविधाओं से उन्हें निवेश पर सबसे अधिक लाभ मिलेगा, आदि।

निर्णय जो क्षेत्र को संबोधित करने के लिए पहले संभावित व्यावसायिक प्रभाव, साथ ही समस्या की जटिलता और उस प्रभाव को प्राप्त करने की लागत पर निर्भर होना चाहिए।

"हमें अपने डेटा के साथ कुछ करने की आवश्यकता है" एक रणनीति है, न कि डेटा विज्ञान, समस्या

कई कंपनियां डेटा वैज्ञानिकों, एमएल मॉडल बनाने वाले लोगों को काम पर रखना चाहती हैं, क्योंकि "हमें अपने डेटा के साथ कुछ करना चाहिए"। मैंने कई कंपनियों के प्रमुख अधिकारियों को यह कहते सुना है कि "हम अपने प्रतिद्वंद्वियों को डेटा खरीदते देखते हैं, इसलिए हमें प्रतिस्पर्धी बने रहने के लिए ऐसा करने की आवश्यकता है", और फिर कुछ डेटा वैज्ञानिकों से यह उम्मीद करें कि वे कुछ जादू के साथ आएंगे। यह मुझे एमएल के बारे में एक बड़ी गलतफहमी में लाता है।

एमएल आपके व्यवसाय के लिए एक जादू की छड़ी नहीं है। एमएल में पहली चुनौती यह है कि जिस व्यवसायिक प्रभाव का उद्देश्य प्रौद्योगिकी को चलाना है। एमएल एक समाधान है - आपको सबसे पहले समस्या को परिभाषित करने की आवश्यकता है: एमएल के साथ आप क्या व्यावसायिक परिणाम प्राप्त करने की उम्मीद कर रहे हैं? एमएल अपने ग्राहकों के लिए क्या लाभ प्रदान कर सकता है? एमएल एक हथौड़ा है - लेकिन अगर आपके पास एक कील नहीं है, तो एक हथौड़ा विशेष रूप से उपयोगी नहीं है। क्लिच को और भी लंबा करने के लिए, एमएल बेहद अलग तरह का हथौड़ों का सेट है, और आपके पास जिस तरह का नाखून होगा, वह निर्धारित करेगा कि आप किस हथौड़ा को चुनेंगे और आप इसका उपयोग कैसे करेंगे। आप जिस सटीक समस्या को हल करने का प्रयास कर रहे हैं, वह सब कुछ तय करेगी - परिणाम का उपयोग कैसे किया जाएगा, आपके मॉडल को क्या भविष्यवाणी करनी चाहिए और इसे कैसे कैलिब्रेट किया जाना चाहिए, आप कौन सा डेटा एकत्र करते हैं और प्रक्रिया करते हैं, आप कौन से एल्गोरिदम का परीक्षण करते हैं और कई अन्य प्रश्न।

इसके मूल में, "हम किस समस्या का समाधान कर रहे हैं?" एक व्यावसायिक प्रश्न है, जिसका अर्थ है कि इसे परिभाषित करना अंततः उत्पाद प्रबंधकों और व्यवसाय नेताओं की जिम्मेदारी है, न कि डेटा वैज्ञानिकों की। डेटा वैज्ञानिकों और अन्य हितधारकों को परिभाषा में शामिल करने के लिए पूरी तरह से शामिल होना चाहिए - बस उन पर सवाल न फेंकें और उन्हें जवाब के साथ वापस आने की उम्मीद करें। यदि आपके पास ऐसा डेटा है जो आपको पता नहीं है कि क्या करना है, तो ग्राहक साक्षात्कार और संगठन में अन्य ग्राहक-सामना करने वाले लोगों के साथ विचार-विमर्श करें। डेटा वैज्ञानिक आपको अपना डेटा, आइडेंटी और इटरेट का पता लगाने में मदद कर सकते हैं, लेकिन जब तक उनके पास बहुत अधिक समस्या नहीं होती, तब तक उनके लिए व्यवसाय के मामले में उनके साथ आना मुश्किल होगा। व्यवसाय के लिए एमएल के मूल्य को अधिकतम करने के लिए आपको उत्पाद प्रबंधकों और डेटा वैज्ञानिकों के बीच एक सतत सहयोग की आवश्यकता होती है, जहां यह सुनिश्चित करना उत्पाद प्रबंधकों की ज़िम्मेदारी है कि जिन समस्याओं का समाधान किया जा रहा है, वे व्यवसाय के लिए सबसे अधिक प्रभावी हैं।

कैसे अपने व्यवसाय को आगे बढ़ा सकते हैं

जबकि एमएल के साथ संभावनाएं अनंत हैं, ऐसे कुछ सवाल हैं जो आप यह पता लगाने के लिए पूछ सकते हैं कि तकनीक आपके संगठन पर कैसे लागू हो सकती है। यहाँ कुछ उदाहरण हैं:

आंतरिक प्रक्रियाओं

  • मेरी कंपनी के लोग आज निर्णय लेने के लिए ज्ञान लागू करते हैं जिसे स्वचालित किया जा सकता है, इसलिए उनका कौशल कहीं और बेहतर हो सकता है?
  • ऐसी कौन सी डेटा है जो मेरी कंपनी के लोग आम तौर पर जानकारी के कुछ भंडार से मैन्युअल रूप से खोजते हैं, एकत्र करते हैं या निकालते हैं और इसे कैसे स्वचालित किया जा सकता है?
  • मेरी कंपनी के लोगों के फैसलों का सेट क्या है? क्या उन निर्णयों को एक मशीन द्वारा किया जा सकता है यदि यह जादुई रूप से सभी डेटा को मेरे लोगों द्वारा प्राप्त किया गया है?

मौजूदा ग्राहकों के लिए उत्पाद और अनुभव

  • मेरे ग्राहक इंटरैक्शन के कौन से भाग लोगों द्वारा अनुकूलित किए गए हैं और संभवतः मशीनों द्वारा अनुकूलित किए जा सकते हैं?
  • क्या मेरे ग्राहकों की प्राथमिकताएँ, व्यवहार और ज़रूरतों के आधार पर मेरा स्पष्ट विभाजन है? क्या मेरा उत्पाद / अनुभव प्रत्येक खंड के लिए अनुकूलित है?
  • क्या मैं प्रत्येक व्यक्तिगत ग्राहक के लिए अनुभव को अनुकूलित कर सकता हूं, जो मैं उनके बारे में जानता हूं या अपनी साइट / ऐप / उत्पाद के साथ उनकी बातचीत के बारे में जानता हूं? मैं उनके लिए एक बेहतर, तेज या अन्यथा अधिक रमणीय अनुभव कैसे बना सकता हूं?
  • विशेष रूप से, आज मैं अपने ग्राहकों से क्या निर्णय और विकल्प पूछ रहा हूँ? क्या उन फैसलों को कुछ ज्ञान के आधार पर स्वचालित किया जा सकता है जो मेरे पास पहले से हैं या हो सकते हैं?
  • मैं अच्छे बनाम बुरे ग्राहक अनुभवों की बेहतर पहचान कैसे कर सकता हूं? क्या मैं उन मुद्दों का पता लगा सकता हूं जो ग्राहक अनुभव या संतुष्टि को नकारात्मक रूप से प्रभावित करेंगे, क्योंकि वे होते हैं या फैलते हैं?

नए वर्टिकल या ग्राहक

  • क्या मेरे पास कोई डेटा है जो उद्योग में या निकटवर्ती उद्योगों में अन्य हितधारकों के लिए उपयोगी हो सकता है? इन हितधारकों को किस तरह के फैसले लेने में मदद मिल सकती है?

उपर्युक्त सभी

  • ऐसे मेट्रिक्स या ट्रेंड्स हैं जो अगर मैं सही ढंग से भविष्यवाणी कर सकता हूं तो मेरे ग्राहकों की सेवा करने की क्षमता पर सार्थक प्रभाव पड़ेगा या अन्यथा उद्योग में प्रतिस्पर्धा कर सकते हैं, उदा। उत्पादों की कुछ श्रेणियों, लागत में उतार-चढ़ाव आदि के लिए पूर्वानुमान की मांग?
  • वे प्रमुख इकाइयाँ कौन-सी हैं जिनके बारे में मैं डेटा (लोगों, कंपनियों, उत्पादों आदि) को इकट्ठा करता हूँ? क्या मैं उस डेटा को किसी भी बाहरी डेटा (सार्वजनिक स्रोतों, भागीदारों आदि से) के साथ शादी कर सकता हूं जो मुझे उन संस्थाओं के बारे में कुछ नया या उपयोगी बताता है? किससे और कैसे उपयोगी है? उदाहरण के लिए: संभावित ग्राहकों को पहचानें जब वे आपके उत्पाद की तलाश में हों, समझें कि बाहरी कारक आपके उद्योग में मांग को कैसे प्रभावित करते हैं और प्रतिक्रिया करते हैं, आदि।

अपनी टीम और संगठन के प्रमुख हितधारकों के साथ इनमें से कुछ सवालों (और अन्य) पर मंथन करें। यदि आप सुनिश्चित नहीं हैं कि कहां से शुरू करें - कहीं शुरू करें। बस कुछ डेटा के साथ प्रयोग करने से आपको और आपकी टीम को पता चल सकता है कि आप वहाँ से कहाँ जा सकते हैं।

भाग 2 में, हम उन सभी एमएल तकनीकी शब्दों पर चर्चा करते हैं, जिन्हें समझने की आवश्यकता है कि पीएम को आपकी समस्या की परिभाषा से प्रौद्योगिकी की पसंद कैसे प्रभावित होती है, और आपके व्यवसाय पर असर पड़ने के लिए मॉडलिंग की कुछ कमियां हैं।

अगर आपको यह पोस्ट रोचक लगी हो, तो क्या आप मुझे बताने के लिए नीचे दिए गए हरे दिल पर क्लिक करेंगे, या किसी और के साथ साझा कर सकते हैं, जो इसे उपयोगी पा सकता है? यह पूरी तरह से मेरा दिन बना देगा!