Building AI Projects(2)

1. Every job function needs to learn how to use data

Sales

• 인공지능의 발전은 sales 분야를 비롯한 여러 분야에 변화를 일으키고 있다.
  Data science를 기반으로 해서 machine learning은 이런 분류 작업을 자동으로 처리해준다.

 

Manufacturing line manager

• 제조업 분야에서도 사람이 직접하던 검수를 인공지능을 통해 자동화하고 더 효율적인 공정 시스템을 만들 수 있다.

 

Recruiting

• 채용 과정에 있어서도 머신러닝이 이력서 데이터를 기반으로 학습하여 인터뷰를 할 것인지 말 것인지를 판단할 수 있다.

 

Marketing

• 어떤 방식을 취하는 것이 더 많은 사용자를 유치할 수 있을지에 대한 접근도 머신러닝을 이용하면 된다.
  여기서는 최적화된 상품 추천 시스템을 언급하고 있다.

 

Agriculture

• Data science를 기반으로 어떤 시기에 어떤 작물을 심는 것이 이득인지 판단할 수 있다.
• Machine learning은 사진에서 잡초를 감지하여 농업에 불필요한 식물들을 감지하여 제거하는데 도움을 줄 수 있다.

 

 

 

2. How to choose an AI project

AI knowledge and domain knowledge

• AI가 할 수 있는 일과 사업적 가치가 있는 일들의 공통선상에 놓여 있는 것에 집중해야 한다.
  : Cross-functional team

 

Brainstorming framework

• Think about automating tasks rather than automating jobs. E.g.,call center routing, radiologists.
  • 자동화할 수 있는 일과 그렇지 않은 일을 먼저 구분해야 한다.
• What are the main drivers of business value?
• What are the main pain points in your business?

 

You can make progress even without big data

• Having more data almost never hurts.
• Data makes some business (like web search) defensible
• But with sall datasets, you cna still make progress.
  • AI가 머그잔이 정상인지 아닌지 파악하게 만들기 위해서 100만 잔의 커피잔을 생산하는 것은 어리석은 일이다.
  • 적은 양의 데이터로 충분히 개선할 수 있는 상황들이 존재한다.

 

 

3. How to choose an AI proejct (Part 2)

Due diligence on project

• feasible, valuable

 

• + ethical diligence 또한 고려하기를 권장

 

Build vs. buy

• ML projects can be in-house or outsourced
• DS projects are more commonly in-house
  • 이것은 ML보다도  더 in-house 경향이 강하다.
• Some things will be industry standard - avoid building those.
  • Don't sprint ahaed of the train
  • 표준적인 해결 방식이 존재할 때 자신만의 것을 억지로 고집해서는 안된다.
    다른 말로는 기존의(잘 알려진) 자원을 충분히 활용하는 것이 중요하다.

 

 

 

출처: Coursera, AI For Everyone, DeepLearning.AI