Menu Close

छोटी डेटा समस्याओं के लिए AI कैसे लागू करें – TechCrunch

पिछले से एक दशक या तो, डिजिटल क्रांति ने हमें एक दिया है आधिक्य आंकड़े का। यह कई कारणों से रोमांचक है, लेकिन ज्यादातर इस संदर्भ में कि एआई उद्यम में और क्रांति कैसे ला पाएगा।

हालाँकि, B2B की दुनिया में – जिस उद्योग में मैं गहराई से शामिल हूँ – हम अभी भी डेटा की कमी का सामना कर रहे हैं, मुख्यतः क्योंकि लेनदेन की संख्या B2C की तुलना में बहुत कम है। तो, के लिए उद्यम में क्रांति लाने के अपने वादे को पूरा करने के लिए एआई, यह इन छोटी डेटा समस्याओं को भी हल करने में सक्षम होना चाहिए। शुक्र है, सकता है।

समस्या यह है कि कई डेटा वैज्ञानिक खराब प्रथाओं की ओर रुख करते हैं, स्व-पूर्ति की भविष्यवाणियां करते हैं, जो छोटे डेटा परिदृश्यों में एआई की प्रभावशीलता को कम करता है – और अंततः उद्यम को आगे बढ़ाने में एआई के प्रभाव में बाधा डालता है।

छोटी डेटा समस्याओं के लिए एआई को सही ढंग से लागू करने की चाल सही डेटा विज्ञान प्रथाओं का पालन करना और बुरे लोगों से बचना है।

शब्द “स्व-पूर्ति भविष्यवाणी” मनोविज्ञान, निवेश और अन्य जगहों में प्रयोग किया जाता है, लेकिन डेटा विज्ञान की दुनिया में, इसे “स्पष्ट भविष्यवाणी” के रूप में वर्णित किया जा सकता है। हम इसे तब देखते हैं जब कंपनियां एक ऐसा मॉडल ढूंढती हैं जो भविष्यवाणी करता है कि उनके लिए पहले से क्या काम करता है, कभी-कभी “डिज़ाइन द्वारा” भी, और इसे विभिन्न परिदृश्यों पर लागू करते हैं।

उदाहरण के लिए, एक खुदरा कंपनी यह निर्धारित करती है कि जिन लोगों ने अपना कार्ट ऑनलाइन भरा है, उनके खरीदारी न करने वाले लोगों की तुलना में अधिक संभावना है, इसलिए वे उस समूह के लिए भारी मार्केटिंग करते हैं। वे स्पष्ट भविष्यवाणी कर रहे हैं!

इसके बजाय, उन्हें ऐसे मॉडल लागू करने चाहिए जो जो करता है उसे अनुकूलित करने में मदद करें नहीं अच्छी तरह से काम करें — पहली बार खरीदारी करने वाले खरीदारों को परिवर्तित करना, जिनके कार्ट में पहले से आइटम नहीं हैं। उत्तरार्द्ध के लिए हल करके – या गैर-स्पष्ट की भविष्यवाणी करके – यह खुदरा कंपनी बिक्री को प्रभावित करने और केवल वही रखने के बजाय नए ग्राहकों को प्राप्त करने की अधिक संभावना होगी।

स्व-पूर्ति भविष्यवाणियां बनाने के जाल से बचने के लिए, यहां छोटी डेटा समस्याओं के लिए एआई को लागू करने की प्रक्रिया है:

  1. अपना डेटा समृद्ध करें: जब आप पाते हैं कि आपके पास काम करने के लिए मौजूदा डेटा का एक टन नहीं है, तो पहला कदम आपके पास पहले से मौजूद डेटा को समृद्ध करना है। यह एक जैसे दिखने वाले मॉडलिंग को लागू करने के लिए बाहरी डेटा में टैप करके किया जा सकता है। अमेज़ॅन, नेटफ्लिक्स, स्पॉटिफ़ और अन्य द्वारा उपयोग की जाने वाली अनुशंसा प्रणालियों के उदय के लिए हम इसे पहले से कहीं अधिक धन्यवाद देखते हैं। यहां तक ​​कि अगर आपने Amazon पर केवल एक या दो खरीदारी की हैं, तो उनके पास दुनिया के उत्पादों और उन्हें खरीदने वाले लोगों के बारे में इतनी जानकारी है कि वे आपकी अगली खरीदारी पर काफी सटीक भविष्यवाणी कर सकते हैं। यदि आप एक बी2बी कंपनी हैं जो आपके सौदों को वर्गीकृत करने के लिए “एकल आयाम” का उपयोग करती है (उदाहरण के लिए, “बड़ी कंपनियां”), तो पेंडोरा के उदाहरण का पालन करें और प्रत्येक ग्राहक को सबसे विस्तृत डिग्री (जैसे, गीत शीर्षक, कलाकार, गायक लिंग, माधुर्य निर्माण, बीट, आदि)। जितना अधिक आप अपने डेटा के बारे में जानते हैं, वह उतना ही समृद्ध होता जाता है। आप शक्तिशाली भविष्यवाणी और अनुशंसा मॉडल के साथ तुच्छ भविष्यवाणियों के साथ निम्न-आयामी डेटा से उच्च-आयामी ज्ञान तक जा सकते हैं।

Leave a Reply

Your email address will not be published. Required fields are marked *