In een industrie die wordt geconsumeerd door de race voor kunstmatige intelligentie, kloppen bedrijven om te voorkomen dat ze achterblijven. De angst om echter te missen, leidt er echter toe dat velen flitsende trends achtervolgen terwijl hij de basisprincipes negeert, een praktijk die een veteraan in de industrie ‘krankzinnig’ noemt.
Stanislav Petroveen senior datawetenschapper bij Capital.com Met meer dan een decennium ervaring, betoogt dat de sleutel tot succes het nieuwste, meest gehypete model niet aanneemt, maar een cultuur van ‘data -gezond verstand’ bevordert. Voor bedrijven betekent dit dat het prioriteren van duidelijke doelen en kwaliteitsgegevens boven de allure van de AI -bandwagon.
De uitdaging is belangrijk. Volgens een rapport van 2024 van Alationeen verbluffende 87 procent van de werknemers citeert gegevenskwaliteit Kwesties als primaire reden waarom hun organisaties niet voldoen aan gegevens en analysedoelstellingen.
“De centrale paradox van de huidige AI -boom is onze obsessie met resultaten terwijl de bron wordt verwaarloosd”, vertelde Petrov me. “Ondanks alle opwinding blijft de meest kritische factor voor succesvolle AI- of data science -projecten de kwaliteit en relevantie van invoergegevens – maar omdat dat het unsexy en het moeilijkste deel is, wordt het vaak genegeerd.”
Om dit tegen te gaan, kampt Petrov een eenvoudig maar rigoureus raamwerk voordat een project begint: wat is het zakelijke doel? Wat is de potentiële zakelijke impact? En hebben we de gegevens om het te laten gebeuren?
“Als die niet duidelijk worden beantwoord, gaan we niet vooruit,” zei hij.
Een blauwdruk voor impact
Petrov wijst op het ontwikkelen van een levenslange waarde van de klant, of CLV, model als een goed voorbeeld van deze filosofie in actie. Het doel is niet alleen om een voorspellend algoritme te bouwen, maar om een kernbehoefte op te lossen: het optimaliseren van marketingbudgetten.
“Het doel is om de geprojecteerde prestaties van de campagne of advertentie creatief in de vroege stadia te begrijpen en de uitgaven dienovereenkomstig aan te passen,” zei Petrov. Hij merkte op dat dergelijke modellen cruciaal zijn voor moderne geautomatiseerde strategieën, zoals op waarde gebaseerde biedingen op platforms zoals Google-advertenties, die afhankelijk zijn van voorspelde gebruikerswaarde.
Hoewel het huidige AI -tijdperk wordt gedomineerd door complexe neurale netwerken, zei Petrov dat voor gestructureerde gegevensproblemen zoals CLV, gevestigde methoden vaak het beste werken.
“Een benadering voor het stimuleren van gradiënt werkt goed voor gestructureerde gegevens,” zei Petrov, en voegde de cruciale voorbehoud toe: “Natuurlijk moet je weten wat je doet en begrijpen hoe je hyperparameters kunt afstemmen en een juiste verliesfunctie kunt kiezen op basis van je doelverdeling.”
De laatste en misschien wel het belangrijkste, is ervoor zorgen dat het model daadwerkelijk wordt gebruikt. Hij benadrukte dat de impactmeting vaak geavanceerde technieken zoals causale impactanalyse vereist om de waarde van een model te bewijzen wanneer eenvoudige A/B -tests niet haalbaar zijn.
“De waarde van een dergelijk model ligt niet alleen in zijn technische verdienste, maar ook in zijn vermogen om reële beslissingen te beïnvloeden, op te schalen over systemen en zich aan te passen aan zakelijke behoeften,” zei Petrov.
Navigeren door een evoluerend landschap
Deze pragmatische benadering is essentieel omdat datawetenschappelijke tegenwind te maken krijgen, met name uit nieuwe privacyvoorschriften en de lang gehalerelijke dood van het koekje van derden.
Google gaat verder met zijn plan om cookies van derden af te wenden voor alle Chrome-gebruikers, een beweging die Een studie van Lotame gevonden dat 62 procent van de marketeers gelooft dat ze een negatieve invloed zullen hebben op hun advertenties.
Petrov ziet dit niet als een enkele gebeurtenis, maar als een lang, incrementeel proces dat aanpassing vereist.
“Een belangrijke verschuiving is leunen in incrementaliteit-gebaseerde kaders en modellering van de mediamix om de ware bijdrage van kanalen te begrijpen, vooral wanneer directe path-toeschrijving afbreekt,” zei Petrov.
Dit dwingt een nauwere integratie tussen gegevens en marketingteams, die meer afhankelijk zijn van technieken zoals geo-testen en probabilistische modellering.
De mentaliteit die een leider definieert
Als het gaat om het bouwen van teams die in staat zijn om door deze uitdagingen te navigeren, gelooft Petrov dat het onderscheid tussen een junior en senior datawetenschapper geen enkele vaardigheid is, maar een mentaliteit gericht op eigendom.
“Hoewel junioren kunnen uitblinken in het uitvoeren van goed gescopeerde taken, zijn senioren degenen die proactief problemen definiëren, belanghebbenden betrekken en oplossingen zien tot levering en iteratie,” zei hij.
Hij beschreef een cruciaal besef voor elke professional die wil groeien: “Een belangrijke mentaliteitsverschuiving is beseffen dat ‘niemand zal komen’ om u te vertellen wat u moet doen of wat goed is. U moet initiatief nemen, uw eigen beslissingen nemen en de volledige verantwoordelijkheid nemen voor de resultaten.”
Voor Petrov kwam deze les met ervaring.
“Code schrijven is niet het moeilijkste deel van het werk, zelfs als het niet altijd gemakkelijk is,” zei hij. “De echte uitdaging is om dat werk in een product te integreren, het af te stemmen op zakelijke behoeften en belanghebbenden ervan te overtuigen van zijn waarde.”
Deze filosofie van pragmatisch eigendom strekt zich uit tot het bouwen van de infrastructuur die modellen ondersteunt na hun lancering, een veld dat bekend staat als Mlops. In plaats van overdreven complex te bouwen, pleiten Petrov voor de juiste oplossingen voor de juiste grootte, “volledige platforms”.
“Een robuust systeem betekent niet altijd de meest complexe,” zei hij. “In veel gevallen kan eenvoudige, goed gescopeerde houtkap en waarschuwing gekoppeld aan belangrijke modeluitgangen en drift-indicatoren 80 procent van wat nodig is dekken.”
Door zich te concentreren op echte problemen, kwaliteitsgegevens en tastbare impact, is de boodschap van Petrov duidelijk: in het tijdperk van AI is een dosis gezond verstand misschien het meest waardevolle algoritme van allemaal.
