Machine Learning Uitdagingen

De drie grootste B2B Machine Learning uitdagingen en hoe daarmee om te gaan

Tegenwoordig zijn er veel mogelijkheden voor Machine Learning (ML) oplossingen in de B2B markt. Niet alleen het toevoegen van intelligentie aan verkoopkanalen, maar ook het slimmer uitvoeren van uw activiteiten. Door de kracht van intelligente medewerkers te combineren met slimme technologie kan uw personeel tijd besteden aan activiteiten waar hun kennis echt nodig is. ML kan helpen bij het wegnemen van beperkingen in de menselijke capaciteit om de gegevens te beheren.

Voorbeelden waar ML u kan helpen bij uw dagelijkse bedrijfsvoering zijn:

  • Geavanceerde waarschuwingen en preventieve onderhoudsdetectie
  • Voorspellen van prijsschommelingen
  • Het opsporen en analyseren van risico’s in deals en contracten
  • Verstrekking indicatoren van slechte kwaliteit van beschrijvingen of afbeeldingen in productcatalogi
  • Effectief beheer van de portefeuille van projecten en de bijbehorende middelen

Het in de praktijk brengen van ML in een niche B2B-omgeving brengt echter een aantal uitdagingen met zich mee. Innovatieve projecten beginnen vaak met een kleine dataset, wat meestal de eerste grote uitdaging is.

  1. Kleine datasets

Hoe kunnen we ervoor zorgen dat het ML model met deze kleine datasets werkt? Om met kleine datasets om te gaan, moeten we deterministische algoritmes en handmatige correctie toepassen om de eerste gegevens te classificeren en te analyseren. Naarmate de dataset groeit, kunnen we overschakelen op deterministische algoritmes in combinatie met machine learning modellen. Zodra er voldoende gegevens beschikbaar zijn, kunnen we de analyse op basis van machine learning modellen volledig toepassen.

  1. De grote reikwijdte van data-analyse

De tweede uitdaging is dat de reikwijdte van de data-analyse in de meeste projecten groot is, variƫrend van het begrijpen van de natuurlijke taal in de context van wettelijke contracten tot het voorspellen van het verkeer voor bestelwagens. Zo varieert ook het aanbod van machine learning modellen, algoritmen, pakketten en trainingsgegevens.

Om dit in een productieomgeving te kunnen verwerken, is het van essentieel belang om de kwaliteit van de beschikbare trainingsgegevens te bewaken en automatisch omscholing op gang te brengen. Dit houdt in dat programmatisch wordt bijgehouden hoe een specifiek machinaal leermodel wordt toegepast en in welke context, en hoe dat model zich verhoudt tot de gegevenselementen die door de systemen stromen.

  1. Opleiding met de gegevens

De laatste grote uitdaging is dat veel stappen van het proces handmatig worden uitgevoerd, waaronder het verzamelen van de gegevens, het selecteren van gegevens voor training, het trainen van modellen, het evalueren van getrainde modelparameters en de overgang naar volledige analyse van machinaal leren. Dit wordt een grote kostenfactor bij het aanbieden van oplossingen als service. De technische uitdaging is om datarelaties op te sporen en te beheren om datasets te trainen die zeer divers kunnen zijn en aanzienlijk kunnen evolueren gedurende de levenscyclus van een oplossing.

Om deze uitdaging aan te gaan, is het van essentieel belang om de metadata van datasets programmatisch te beheren, zodat het beheer van trainingsdatasets met een minimum aan menselijk toezicht mogelijk wordt. Technisch gezien zal het zich moeten bezighouden met het koppelen/beheren van metadata op granulair niveau, in termen van nieuwe gegevens, verwijderde gegevens, nieuwe modellen en toegevoegde modellen.

Om deze uitdagingen aan te gaan, baseert Kentivo de oplossing op een beheerplatform dat naast de opleidingsgegevens ook de machineleermodellen in de productie integreert. Als zodanig ontwerpen, ontwikkelen en bouwen we een softwareplatform voor het beheer van machineleermodellen in combinatie met meerdere productieoplossingen. Een onderdeel hiervan is het automatiseren van het hele proces voor een willekeurige reeks van machine learning modellen, inclusief een naadloze overgang van deterministische algoritmes naar volledige analyse van machine learning, en het automatisch en efficiĆ«nt omscholen – en implementeren – als er betere kwaliteitsmodellen beschikbaar komen.