Kommunikationshantering

Maskininlärning för verksamheter

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Arbetsgrupper

Schemalägg återkommande möten för att följa upp och definiera:

Definiera verksamhetskraven
Granska maskininlärningsmodellen och affärsprodukterna
Inferens vs. prediktion
Basmodellresultat och planerade uppdateringar
Marknadstestning
Produktion

Verksamhetskrav

Vad är situationen i verksamheten?
- Churngraden har börjat öka
Vad är möjligheten och hur stor är den?
- Minska churn från X% till Y%
Vilka åtgärder kommer vi att vidta?
- Kör retentionskampanjer riktade mot kunder i riskzonen

Maskininlärningsprodukter

Vilka ML-produkter behöver verksamheten?

$$

Exempel 1 – Prediktera churn. Verksamheten vill ha 1) inferens om drivkrafter bakom churn, uppdaterat kvartalsvis, och 2) daglig kundklassificering i: förlorade kunder, kunder i riskzonen och kunder utan risk

$$

Exempel 2 – Bedrägeriprediktion. Verksamheten vill ha 1) inferens om starka indikatorer på bedrägeri, och 2) realtidslista över högrisktransaktioner för manuell granskning samt medelrisktransaktioner för kompletterande datainhämtning

Modellprestanda och förbättringar

Identifiera toleransen för modellfel (kom ihåg – alla modeller har brister):

Klassificering
- Vilken klass är dyrast att felklassificera?
- Exempel – det är troligen dyrare att klassificera bedrägeri som icke-bedrägeri än tvärtom
Regression
- Vilken feltolerans gäller för prediktionen?
- Exempel – vid efterfrågeprediktion kan företaget tvingas köpa mer lager än nödvändigt om modellfelet är mycket stort

Marknadstestning

ab-test

Maskininlärning i produktion

Ger testresultaten konsekventa positiva förbättringar?
Är modellen tillräckligt stabil?
Finns det system och verktyg där modellen kan integreras?

Nu kör vi en övning!

Maskininlärning för verksamheter

Preparing Video For Download...