Communicatiebeheer

Machine Learning voor Business

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Werkgroepen

Plan terugkerende meetings om voortgang te volgen en het volgende te bepalen:

  • Businessvereisten bepalen
  • ML-model én businessproducten reviewen
  • Inference vs. prediction
  • Baseline-resultaten & modelupdates schetsen
  • Markttesten
  • Productie
Machine Learning voor Business

Businessvereisten

  1. Wat is de zakelijke situatie?
    • Churn neemt toe
  2. Wat is de zakelijke kans en hoe groot is die?
    • Churn verlagen van X% naar Y%
  3. Welke zakelijke acties nemen we?
    • Retentiecampagnes draaien voor risicoklanten
Machine Learning voor Business

Machine-learningproducten

  • Welke ML-producten heeft de business nodig?

$$

  • Voorbeeld 1 - Churn voorspellen. Business wil 1) inference over churn-drivers, elk kwartaal geüpdatet, en 2) dagelijkse klantclassificatie: verloren, risico, geen risico

$$

  • Voorbeeld 2 - Fraudevoorspelling. Business wil 1) inference over sterke indicatoren van churn, en 2) realtime lijst met zeer risicovolle transacties voor handmatige review en middelrisico voor extra dataverzoek
Machine Learning voor Business

Modelprestatie en verbeteringen

Bepaal de tolerantie voor model fouten (onthoud: alle modellen zijn fout):

  • Classificatie

    • Welke klasse is duurder om fout te classificeren?
    • Voorbeeld: fraude als niet-fraude classificeren is meestal kostbaarder dan omgekeerd

  • Regressie

    • Wat is de fouttolerantie voor voorspellingen?
    • Voorbeeld: bij vraagvoorspelling moet je te veel voorraad inkopen als de model fout te groot is
Machine Learning voor Business

Markttesten

abtest

Machine Learning voor Business

Machine learning in productie

  • Leveren testrésultaten consequent positieve verbeteringen op?
  • Is het model stabiel genoeg?
  • Hebben we systemen en tools om het model in te integreren?
Machine Learning voor Business

Laten we oefenen!

Machine Learning voor Business

Preparing Video For Download...