AI 模型是什麼，什麼是建模 先講我個人的結論： 模型：是應用過往的資料，預測未來尚未發生的或是不存在的事情 建模：則是利用很多大師提出已被驗證過的演算法以及被驗證過的各種神經網路堆疊架構去組合出的一個能解決問題的框架(函數-我其實不太想說函數，免得又複雜的讓人卻步)   我們去看從簡單的Regression、Logistic Regression、SVM、randomForest、lightgbm、XGBoost，一直到複雜的LSTM、GAN、BERT...，這些偉大的模型，真的才是稱的上數據科學家的人，共同發展出來的框架   對於我們一般企業來說，如何用這些既定的模型，如何調參或者拆掉某一些層再訓練，又或者是模型再串模型(machine learning中的pipeline)，這對企業單位的應用可以說是比較實際的問題 ，因為我們不可能像google這樣的公司擁有全世界的龐大資料，也不太可能像google、IBM等公司有用不完的運算資源以及AI科學家(這些人其實太頂尖，也不是真的很多)   我的另一個看法是目前較成熟的AI，主要還是針對一些特定的問題 ，例如：二分類、多分類、影像辦識、語音辨識，而通常解決多分類的模型不太可能解決語音辨識的問題， 很多的問題(我的問題是猜大樂透下期會出那些號碼似乎還沒有好的模型啊:))其實都是用問題去找模型 ，這世界上模型愈來愈多，有沒有一種模型是當我輸入問題，模型就可以告訴我最適合的模型是什麼，並且可以自動調參，據說有人在做這檔事   我只是把走了這麼大一圈的路才得出的結論分享給大家，當然這一圈也沒白走，希望更多的人參與，才會有進步   kaggle上有很多的問題及範例，當大家有這些概念後，可以去看看，我常看有些人為了學AI，學了很深的網路爬文技巧，如果你是要預測股價，或許ok，但是要理解一下 特徵工程 做法，如果不是可以先從kaggle裡面有沒有跟你類似的問題，大家在上面提供的solution作法，這樣學起來比較快 有空的時候可以看一下古典統計、線性代數、導數、偏微分或者上上台大李宏毅教授的線上課程，時不時補充一下數理概念會更好   另外對資料庫概念最好要有摸過，知道什麼是key值，什麼是group by，什麼是join   所謂好的模型，其實就是了...
張貼留言

#AI #python 在公司應用的心得(二)：#心態 很重要

   #AI #python 在公司應用的心得(二)：#心態 很重要

今天來談談公司為何 #導入AI 應用困難重重或是會失敗???

另外 分享AI 成功導入的作法!!!

 

以下的說法都是在零售百貨業的看法，不影射任何一家公司---免責聲明

誰是公司公司導入系統應用的決策者呢?，這個問題很難說，有可能MIS主管說了算，有時候是總經理

那各部門在導入AI應用時會扮演何種角色呢?

MIS：

有時候必須說一下，當一位MIS的主管，除了要全盤掌握公司的企業流程，不管是軟體架構或是硬體架構，更重要的是融入企業文化及商業流程中，而且溝通能力十分重要，基本上要能向上溝通或是所謂向上管理，另外橫向溝通也必須具備，但不是交際，基本上必須站在老闆的思維，自然在說服公司總經理或董事長上就比較容易

 

行銷/會員：

我想行銷主管/會員主管或團隊是主要的靈魂人物吧，在行銷團隊中總有一套標準，如何規劃下年年度檔期，主題是什麼，製作物上刊，找那些廠商參與快閃，進場佈置與撤場，之後檢討一下業績，周而復始，有時搭配一下線上雙十一或雙十二，有時也會玩一下618，廣宣也就是利用社群、EDM，線上也就是自己操盤要不就是找廣告公司代操投放，說起來該有的都有了，但是上面談了這麼多，真正的關鍵，這些數據有被系統化的整理及歸納嗎?，如果有，真的我認為已經有進入AI應用的本錢了，如果沒有就需要開始整理了，畢竟AI應用也就是在一定有數量(先不說正確)的數據下，利用模型找出(探索)規則，做出預測

下面講一個簡單的應用例子

例如：假設一份紙本DM成本10元，要是全灑100萬會員，光是不算郵遞費，就要1000萬元的製作成本，假設只有1%轉換率，也就是有1萬個會員看了DM來消費，平均客單價3000元，帶來的業績也就是3000萬，如果毛利30%(假設說法，事實上百貨商場毛利有另外的算法)，也就是900萬，似乎並沒有賺??，這還不包括其間員工的薪水或是外製設計的費用

換個角度來看，如果灑30萬(假設AI預測的量)的會員，在所有條件不變下，帶來7000個(2.3%)看DM來消費的會員，平均客單價一樣是3000元，業績也就是2100萬，毛利630萬，花300萬DM成本，帶來630萬毛利，扣除300萬，還有330萬收入

上面說的也就是一種應用概念，AI可以告訴我們大概每個消費者對於DM的預測強度有多少，進而選擇要不要寄給他(她)

商品採購：

商品採購可以用AI技術嗎?我想要回答前，應該想說要在哪裡用，怎麼用，要解決什麼問題，我們看線上購物在頁面上總有推薦商品，還會告訴你別人也看過什麼，這也是AI的一種應用，當然也有很多不用AI工具，也可以做的很好，例如你曾瀏覽過的商品，再推給你看，這是最直接的，也可以說是--速效，如果把最近查詢過的商品，放入AI運算，其實也會是一樣的答案，但是如果推薦十個商品，排列順序就可以使用AI算一下，把最有可能的商品往前排，增加成交率，

當然不只這些，大賣場商品有買斷也有寄賣，有些寄賣商品預測可以在未來某時段可以大賣，公司可不可以切貨，以較低的進價成本，進一批做快閃品呢??很多地方可以應用AI的演算法，來做一點事~~

當然還有很多應用場景，重點是在心態，有沒有想要去了解它，容錯它(AI也有不準的時候，甚至比擲杯還差)，用用它

當然一個企業經營的成功，有時也不太需要這些科技的應用，例如:基本上已經大到不能再大的線上或線下公司，他們有好的談判籌碼，好的人才及好的系統，當然如果導入AI應用，那會是如虎添翼，我認為真正需要的或許是那些中型的公司，也具有一定的資料量，想要的是更精準的應用，包括在精準的渠道，用精準的話語溝通，精準的意義就是用更少的成本，發揮更大的效益。

話說現在的消費者其實很難掌握，要做會員再(回)購預測，其實是很有難度的，我看過一個歸納說法，整理如下：

 

TA的分類有這麼多，消費者的購物旅程被切割的愈來愈細，每一個點都是一個維度，每個世代對於品牌認知差異不同，很多TA行為並不是用個人經驗可以說明完整的，也因此很多公司都在推數位化再到數位優化，最後來到數位轉型階段，都是在想辦法留下可以被利用或分析的數據，#用數據說話

當我們了解愈多，轉型愈多，#心態 也就必須跟著調整愈多，未來數位轉型後的階段，其實數據也還是破碎化的，稀疏化的，因此有愈來愈多的公司，思考到#DATA HUB 的概念，如何讓資料一致化，串流化...，其實後面衍生出更多的需求及應用，包括如何自動化行銷的整合...

 

最後，聊一下我從資訊應用面向來看AI這件事

我們大半都是對三維空間比較有認知的，例如：我們聽過的RFM分析，其實是在三維空間基礎上去了解數據的群聚性，藉以判斷某一群相對是比較相似的(理論上相似就可以對群組推相同的訊息、優惠....)，但到三維以上的通常有點難以想像，這也是在做AI數據應用時要突破的認知，補充一下其實RFM是分群作法的一種分析方式，分群其實可以放入更多的維度喔，早期我使用LOGISTIC REGRESSION作預測，到了使用xgboost、lstm...，我認為除了對於應用方式及參數不斷的優化以外，資料如何整理以及如何分配也會是十分重要，在大家調參調到不行的時候，或者建模的時候，整個曲線非常漂亮，測試的時候也很好，但下去實戰的時候，卻完全傻眼，這些都是要經驗才知道...

好了，下次有機會再跟各位分享

 


 

 



留言

張貼留言

這個網誌中的熱門文章

 AI 模型是什麼，什麼是建模 先講我個人的結論： 模型：是應用過往的資料，預測未來尚未發生的或是不存在的事情 建模：則是利用很多大師提出已被驗證過的演算法以及被驗證過的各種神經網路堆疊架構去組合出的一個能解決問題的框架(函數-我其實不太想說函數，免得又複雜的讓人卻步)   我們去看從簡單的Regression、Logistic Regression、SVM、randomForest、lightgbm、XGBoost，一直到複雜的LSTM、GAN、BERT...，這些偉大的模型，真的才是稱的上數據科學家的人，共同發展出來的框架   對於我們一般企業來說，如何用這些既定的模型，如何調參或者拆掉某一些層再訓練，又或者是模型再串模型(machine learning中的pipeline)，這對企業單位的應用可以說是比較實際的問題 ，因為我們不可能像google這樣的公司擁有全世界的龐大資料，也不太可能像google、IBM等公司有用不完的運算資源以及AI科學家(這些人其實太頂尖，也不是真的很多)   我的另一個看法是目前較成熟的AI，主要還是針對一些特定的問題 ，例如：二分類、多分類、影像辦識、語音辨識，而通常解決多分類的模型不太可能解決語音辨識的問題， 很多的問題(我的問題是猜大樂透下期會出那些號碼似乎還沒有好的模型啊:))其實都是用問題去找模型 ，這世界上模型愈來愈多，有沒有一種模型是當我輸入問題，模型就可以告訴我最適合的模型是什麼，並且可以自動調參，據說有人在做這檔事   我只是把走了這麼大一圈的路才得出的結論分享給大家，當然這一圈也沒白走，希望更多的人參與，才會有進步   kaggle上有很多的問題及範例，當大家有這些概念後，可以去看看，我常看有些人為了學AI，學了很深的網路爬文技巧，如果你是要預測股價，或許ok，但是要理解一下 特徵工程 做法，如果不是可以先從kaggle裡面有沒有跟你類似的問題，大家在上面提供的solution作法，這樣學起來比較快 有空的時候可以看一下古典統計、線性代數、導數、偏微分或者上上台大李宏毅教授的線上課程，時不時補充一下數理概念會更好   另外對資料庫概念最好要有摸過，知道什麼是key值，什麼是group by，什麼是join   所謂好的模型，其實就是了...
閱讀完整內容