Il curioso caso dei paradossi nell’analisi aziendale
La creazione di un prodotto da zero implica una sequenza di processi che iniziano dalla preparazione di un framework e dall’applicazione dei risultati per progettare un modello fino all’iterazione del risultato finale e alla sua messa in una pipeline di dati.
Al MLDS 2021, Bragadeesh S , Head Of Analytics presso Daimler AG, ha fornito al pubblico una panoramica sulla creazione di un prodotto utilizzando l’apprendimento automatico e l’intelligenza artificiale, le competenze chiave richieste, le sfide da superare e altro ancora. Bragadeesh è specializzata nell’utilizzo dell’analisi per creare prodotti. Il primo passo, secondo lui, è definire un concetto. I passaggi successivi includono la costruzione di esso utilizzando l’intelligenza artificiale e l’analisi e la presentazione del prodotto ai consumatori per il loro feedback per improvvisarlo ulteriormente.
Questo passaggio prevede la scelta del giusto obiettivo per lo sviluppo di un prodotto e l’identificazione dei problemi nella sua creazione. Una volta sviluppata la prima bozza del prodotto o il Minimal Viable Product (MVP), il passaggio successivo è eseguirlo per verificare la presenza di problemi. Il prossimo passo è scegliere le metriche con saggezza e approcci appropriati per risolvere il problema.
Raccolta e preparazione dei dati
Bragadeesh ha detto che la scelta dei dati che possono provare o confutare l’ipotesi e la dichiarazione del problema è essenziale. Per questo, devi prima identificare l’origine dati e creare un repository. Esplora i dati e scegli la colonna e i campi giusti. Consiglia il recupero dei dati tramite API, metodologia big data o DWH. I passaggi successivi includono la pulizia e l’elaborazione dei dati seguita dall’archiviazione dei dati puliti.
Selezione e finalizzazione del modello
Il passaggio successivo è la selezione e la finalizzazione del modello, in cui vengono sviluppati framework pertinenti per aiutare a creare soluzioni. Qui i modelli interpreteranno i dati e produrranno il risultato. L’analisi esplorativa, sia univariata che bivariata, dovrebbe essere eseguita per riassumere le caratteristiche principali del modello. I passaggi successivi includono l’ingegneria delle funzionalità e la selezione delle funzionalità per estrarre le funzionalità dai dati. Infine, la selezione del modello può essere effettuata utilizzando metodi di ensembling, ad esempio reti neurali. Infine, la finalizzazione del modello può essere effettuata serializzando i dati per i quali è possibile utilizzare strumenti come HDF5.
Questo passaggio prevede di riunire tutti i pezzi di un puzzle per risolvere il problema. In poche parole, comporta passaggi come la scelta del framework (utilizzando flask, Django, streamlit, nodo J5), la costruzione di un’interfaccia utente (utilizzando HTML, CSS e Bootstrap) e l’integrazione con il framework scelto – front-end, back- end, API e DB. Le fasi finali comportano il test dei componenti e la convalida dei risultati.
Distribuzione e monitoraggio
Il passaggio finale è la distribuzione del modello. La soluzione sviluppata dovrebbe essere sostenibile e autosufficiente. Bragadeesh ha proposto il contenimento tramite docker per una distribuzione più semplice. Può essere distribuito come app Web su cloud o in locale. La creazione di un meccanismo di monitoraggio è un passo importante nella strategia di sviluppo del prodotto. Per il monitoraggio, è essenziale implementare misure di sicurezza. Pensa ai fallimenti in caso di disastri.
