秋葵视频永久在线入口
從模型到應用,快消零售行業的AI落地
  • 作者:
  • 發表時間:2019-09-26 16:44
  • 來源:未知

AI項目的落地大概要經曆什麽過程?

落地過程中會遇到什麽問題?

最終可以展現什麽樣的效果?

前沿的零售企業已經把AI應用到什麽程度?

1

近期,在觀遠數據主辦的「零售快消AI落地應用實戰私享會」上,觀遠數據AI解決方案總監進行了《從模型到應用的AI落地案例分享》。以下是他分享的幹貨整理。

Table Of Contents

  • AI趨勢與落地步驟分析
  • 企業如何落地AI項目——以需求預測為例
  • AI項目推進的步驟
  • AI項目成功的關鍵

AI應用是大勢所趨

根據BCG(波士頓谘詢公司)調研了全球數十家頭部快消企業發現一個結論:這些企業已經在多個方向進行了AI的探索與嚐試,並且也逐步取得了一些成果。絕大部分企業均認為需求預測、營銷投放ROI分析、數據驅動的銷售計劃,個性化店貨匹配等場景能帶來最明顯的業績增長機會,是必須進行探索和嚐試的。

2

既然零售企業對於AI驅動業績增長的價值是毫無疑問的,那麽在AI這個方向都做到什麽程度了呢?從觀遠接觸的客戶中秋葵视频下载污同樣發現,近年來企業對AI賦能生產的熱情高漲,雖然有一小部分還處於觀望和尋找方向的階段,但絕大部分都已經開始了小規模的探索並評估可行性。

而一些領先的頭部企業在AI應用方向上同樣走的也很靠前,觀遠已經協助多個客戶將AI應用落地,真正開始讓AI技術嵌入企業關鍵業務流程發揮作用。其中一些最有前瞻性的企業甚至已經開始規劃AI藍圖,要在當前基礎上讓AI賦能貫穿各個業務環節,實現數據驅動的企業決策。可以說,AI應用正當其時,還在觀望的企業應該盡快尋找切入點,而已經有了一些探索積累的,更要盡快邁出生產落地這關鍵一步。

如何落地AI項目——以需求預測為例

很多人對AI項目的概念就是建模,認為隻要選好了算法建好了模型項目就能成功。然而在觀遠的經驗中,AI項目真正的重點和難點是從實驗室走向生產環境這一步。

AI落地絕不是簡單的模型一鍵發布,過程中有許許多多實驗室環境難以預見的問題,所以今天秋葵视频永久官网想討論的並不是怎麽建模,而是怎麽把建好的模型落成應用。

首先秋葵视频永久在线入口來看一下在真正的生產環境中秋葵视频永久官网會麵臨哪些挑戰

3

1、數據質量

數據質量是所有數據項目共同的痛。但在實驗室環境中,數據大部分經過了一定程度清洗和整理,即便發現異常也可以手動處理掉,但是在生產環境中,數據質量情況比實驗室惡劣很多,未知的異常數不勝數,生產環境也無法全部依靠手動處理,在數據源短期無法有效改善的前提下,如何降低數據質量差帶來的負麵影響是生產環境必須要麵對的問題。

2、每個目標的準確率

在實驗室環境中,往往會挑選一小部分有代表性的試點目標進行探索驗證,通過一些整體指標如平均準確率等來衡量模型質量。然而在生產環境中,麵對的是所有產品或是所有門店,對於業務而言不能隻看整體,還要關注每一個個體,個體目標的準確率可以不夠準,但是不能給出過於超出業務常識的值(事實上很可能發生),當一次產生數萬個預測結果時,這種要求會變成巨大的挑戰。

3、多變的業務

模型訓練往往需要比較連續的大量數據,實驗室中秋葵视频永久在线入口可能會挑選滿足這一條件的目標進行探索。但是在實際業務中,變化可能非常快速,一個商品換了包裝、更改尺寸、推出聯名款等等,都是一種“新商品”,秋葵视频永久在线入口在實際工作中看到,某些品類的商品平均生命周期隻有半年,當曆史參考數據不足時,如何才能讓模型保持準確率?

4、模型解釋性

AI模型比較受到業務詬病的一點是邏輯不透明,無法解釋。對於一些感知類的模型如圖像識別等,結果能夠快速評估,並且失敗(某張圖判斷錯誤)的代價幾乎忽略不計,因此對於解釋性的要求不高。但是對於數據分析類的AI模型,一個決策可能影響到數億數十億資金,並且真實情況往往是一周甚至一個月後發生,如果不知道模型結果是怎麽得出來的,業務是很難放心去使用的。

那接下來秋葵视频永久在线入口看看如何應對這些問題

1、構建數據異常監控機製

數據異常無法避免,關鍵在於如何快速發現並且高效解決。秋葵视频永久官网設計了一整套機製,包括設定異常校驗規則、基於規則采集相關數據、設置預警閾值、形成自動化處理流程。在這套機製下,隨著係統的運行,數據質量帶來的負麵影響會越來越小。

4

2、多層模型確保結果可用

生產環境相比實驗室驗證,最大的區別在於模型會複雜的多。一個生產環境中往往會結合不同業務情況構建一組十幾個甚至數十個模型,而不是一個通用模型應對所有情況。同時需要靈活應用規則模型,在特殊場景下,規則會是AI模型的一個很好補充。

以應對多變的SKU為例,秋葵视频永久官网並不是直接預測每個SKU的銷量。雖然SKU變化很快,但是對於某個中/小品類來說,其市場容量還是有一定規律可循,同時無論包裝、容量如何變化,其本質特點如口味、香型等往往不變,市場人群的偏好占比也相對穩定。因此秋葵视频永久官网如果在SKU層級隻預測其占比,同時在品類層級預測總量,再通過一個匹配模型將新舊款進行關聯,就能很好的解決這一問題。

3、讓模型可解釋可分析

為了應對模型解釋性問題,秋葵视频下载秋葵视频APP下载需要理解業務真正想要的。對於多數業務人員而言,想了解的並不是詳盡的底層算法邏輯,而是這個預測值是參考了哪些因素得出,這些因素影響的占比情況如何。秋葵视频下载污的做法是,通過將模型特征歸類,分別嚐試改變或去除某一類特征,通過預測值的變化大體上評估該類特征帶來的影響,從而間接進行模型的解釋。

更進一步,秋葵视频永久在线入口還可以基於預測模擬仿真各種業務場景,通過改變一些關鍵變量,查看預測值的變化,典型的應用是評估促銷對於銷量的影響。

當然,在實際的生產環境中遇到的問題遠不止這些,秋葵视频永久官网僅僅列出了一些比較常見和共同的問題。

AI項目推進的步驟

零售AI項目是未來很多企業,尤其是想要向全球規模化發展的企業必經之路。但是對於AI項目的探索和落地,一定要有規劃,按照節奏去推進。

5
  1. 尋找合適的業務場景,評估其價值;
  2. 結合業務需求、數據現狀確定詳細的AI模型目標,並同步組建項目團隊,可以是內部自建,也可以是尋求外部合作;
  3. 以實驗室環境為基礎設計模型原型,初步評估可行性;
  4. 進行小規模業務驗證,評估實際效果;
  5. 正式開始項目工程化落地,包括模型部署、對接數據源、快速迭代優化,並分類逐步上線。

在此基礎上,還要不斷積累自身技術力量、改善數據質量、適應基於AI的業務流程,從而讓AI應用真正的在業務中發揮作用

AI項目成功的關鍵

通過上麵的介紹,相信大家對於AI項目的落地有了更深的認識。對於如何確保AI項目成功,觀遠數據也總結了自己的一些理解:

1、目標的選擇:在初期找到一個業務價值較大,效果易於評估,部門配合度高,對現有流程變化較小的切入點更易於推動。

2、不要過於看重POC:POC階段的模型僅僅是一個通用驗證模型,將其作為一個參考值而不是唯一評價標準,真正重要的是結合業務特點構建一組複雜模型的能力。

3、重視數據質量:數據質量很關鍵,如果短期無法改善,如何在有限的數據質量下確保模型可用的能力很重要。

4、團隊合作:AI項目絕不是一個數據科學家埋頭實驗室建模能夠成功的項目,他是結合了數據科學家、業務人員、數據工程師等多種角色的團隊項目。

5、迭代優化:要認識到AI項目是一個不斷迭代優化的過程,剛上線的結果可能不盡如人意,甚至效果低於實驗室環境,但通過解決各種異常點並逐步優化,會達到一個滿意的效果。

6、認識工程平台的重要性:AI落地絕不是簡單的運行一個腳本或所謂的一鍵發布服務,真正可用可維護的AI應用,一定需要一個工程化的平台支撐運行。