快消零售AI项目落地，要经历什么过程？

人工智能项目的实施需要经历哪些过程？着陆过程中会遇到哪些问题？最终能展现出什么样的效果？前沿零售企业在多大程度上应用了人工智能？近日，由观远数据主办的观远数据「零售快消AI应用实用私人享受会」观远数据AI解决方案总监分享了从模型到应用的AI落地案例。以下是他分享的干货整理。Tableofcontentents人工智能趋势和着陆步骤分析企业如何着陆人工智能项目—以需求预测为例，人工智能项目成功的关键人工智能应用是《纽约时报》的趋势根据BCG（波士顿咨询公司）研究世界数十家快速消费品企业发现结论：这些企业在人工智能探索和尝试的多个方向，也逐渐取得了一些成果。绝大多数企业认为，有必要探索和尝试需求预测、营销投资回报率分析、数据驱动的销售计划、个性化商店匹配等场景可以带来最明显的绩效增长机会。既然零售企业对人工智能驱动业绩增长的价值是毫无疑问的，那么人工智能的方向是什么呢？从观远接触的客户中，我们也发现，近年来，企业对人工智能授权生产的热情很高。虽然有一小部分仍处于观望和寻找方向的阶段，但大多数已经开始小规模探索和评估可行性。一些领先的龙头企业在人工智能应用方向上也走得很远。观远帮助多位客户实施人工智能应用，真正开始将人工智能技术嵌入企业的关键业务流程中。其中一些最具前瞻性的企业甚至开始规划人工智能蓝图，使人工智能能够在当前基础上贯穿所有业务环节，实现数据驱动的企业决策。可以说，当人工智能应用程序到来时，仍在等待的企业应该尽快找到切入点，有一些探索和积累，但也应该尽快迈出生产着陆的关键一步。如何实施人工智能项目-以需求预测为例。许多人对人工智能项目的概念是建模，他们认为只要选择算法并建立模型项目，他们就可以成功。然而，在观远的经验中，人工智能项目的真正重点和难点是从实验室到生产环境。人工智能着陆绝不是一个简单的模型一键发布。在这个过程中，实验室环境中有许多不可预测的问题，所以我们今天想讨论的不是如何建模，而是如何完成应用程序。首先，让我们来看看我们在真正的生产环境中将面临哪些挑战1、数据质量数据质量是所有数据项目的共同痛苦。然而，在实验室环境中，大部分数据都经过了一定程度的清理和整理，即使发现异常，也可以手动处理。然而，在生产环境中，数据质量比实验室差得多，有无数未知的异常，生产环境不能完全依靠手动处理。在数据源短期内无法有效改善的前提下，如何减少数据质量差的负面影响是生产环境必须面对的问题。2、在实验室环境中，通常会选择一小部分具有代表性的试点目标进行探索和验证，并通过平均精度等一些总体指标来衡量模型质量。然而，在生产环境中，面对所有的产品或商店，对于业务不仅要看整体，而且要注意每个个人，个人目标的准确性可能不够准确，但不能给出太多的商业常识价值（实际上可能发生），当成千上万的预测结果时，这一要求将成为一个巨大的挑战。3、多变的商业模式培训往往需要大量的连续数据，我们可能会选择满足这一条件的目标进行实验室探索。然而，在实际业务中，变化可能非常快。更改包装、更改尺寸、推出联合品牌模型等产品都是“新产品”。在实际工作中，我们可以看到，某些类别产品的平均生命周期只有半年。当历史参考数据不足时，如何保持模型的准确性？4、业务批评模型解释性AI模型的一点是逻辑不透明，无法解释。对于一些感知模型，如图像识别，结果可以快速评估，失败（错误的图像判断）的成本几乎被忽略，因此对解释的要求不高。然而，对于数据分析的人工智能模型，决策可能会影响数亿资金，实际情况通常发生在一周甚至一个月后。如果你不知道模型的结果是如何获得的，业务就很难放心使用它。接下来我们来看看如何处理这些问题1、构建数据异常监控机制的数据异常是不可避免的，关键在于如何快速发现和有效解决。我们设计了一套完整的机制，包括设置异常验证规则，根据规则收集相关数据，设置预警阈值，形成自动化处理过程。在这种机制下，随着系统的运行，数据质量的负面影响会越来越小。2、与实验室验证相比，多层模型最大的区别在于模型将更加复杂。在一个生产环境中，一组十几个甚至几十个模型往往会结合不同的业务情况来构建，而不是一个通用模型来处理所有情况。同时，规则模型需要灵活应用。在特殊情况下，规则将是人工智能模型的良好补充。以SKU为例，我们并没有直接预测每个SKU的销量。虽然SKU变化很快，但对于一个中/小品类，其市场容量仍有一定的规律可循。同时，无论包装和容量如何变化，其口味、香味等基本特征往往保持不变，市场人群的偏好比例相对稳定。因此，如果我们只在SKU级别预测其比例，同时在类别级别预测总量，然后通过匹配模型连接新旧模型，我们就可以很好地解决这个问题。3、为了解决模型的解释性问题，我们需要了解业务真正想要的。对于大多数业务人员来说，他们想知道的不是详细的底层算法逻辑，而是参考哪些因素得到这个预测值，以及这些因素的比例。我们的做法是通过对模型特征进行分类，尝试改变或删除某一类特征，通过预测值的变化来评估这一特征的影响，从而间接解释模型。此外，我们还可以根据预测模拟各种业务场景，通过改变一些关键变量来检查预测值的变化。典型的应用程序是评估促销对销售的影响。当然，在实际的生产环境中遇到的问题远不止这些，我们只列出了一些常见和常见的问题。零售人工智能项目是未来许多企业的唯一途径，特别是那些想要大规模发展到全球的企业。但对于人工智能项目的探索和落地，一定要有计划，按节奏推进。寻找合适的业务场景，评估其价值；根据业务需求和数据现状确定详细的人工智能模型目标，同时组建内部自建或外部合作的项目团队；基于实验室环境设计模型原型，初步评价可行性；小规模业务验证，评价实际效果；项目工程实施，包括模型部署、对接数据源、快速迭代优化、分类逐步启动。在此基础上，我们应该不断积累自己的技术实力，提高数据质量，适应基于人工智能的业务流程，使人工智能应用在业务中真正发挥作用。通过以上介绍，我相信您对人工智能项目的实施有了更深入的了解。关远数据还总结了自己对如何保证AI项目成功的理解:1、目标选择：在早期阶段找到业务价值大、效果评价方便、部门合作度高、现有流程变化小的切入点更容易推广。2、不要太看重POC：POC模型只是一个通用验证模型，将其作为参考值而不是唯一的评价标准。建立一组复杂模型的能力，真正重要的是结合业务特点。3、重视数据质量：数据质量至关重要。如果短期内无法改进，在有限的数据质量下确保模型的可用性是非常重要的。4、团队合作：人工智能项目绝不是一个数据科学家可以在实验室建模中取得成功的项目。它是一个团队项目，结合了数据科学家、业务人员、数据工程师和其他角色。5、迭代优化：我们应该认识到人工智能项目是一个不断迭代优化的过程。新推出的结果可能不令人满意，甚至低于实验室环境。然而，通过解决各种异常点并逐步优化，我们将取得令人满意的效果。6、了解工程平台的重要性：人工智能登陆绝不是简单地操作脚本或所谓的一键式发布服务。真正可用和可维护的人工智能应用程序必须由工程平台支持。