Często słyszymy od naszych potencjalnych klientów: „Weź ten zbiór danych i zrób nam PoC w dwa tygodnie”.

Czy to właściwe podejście do PoC?

Zdecydowanie nie!

Inne nazwy tego podejścia to:

• nieinformatywny eksperyment,
• przepis na katastrofę,
• spalanie pieniędzy,
• kosztowne i bezużyteczne ćwiczenie matematyczne.

Dlaczego?

To, co powinieneś zrobić w PoC wykorzystującym metody matematyczne (potocznie, metody data science / machine learning / AI), to
sprawdzić, czy możliwe jest osiągnięcie celu biznesowego za pomocą odpowiednio dobranych metod metod matematycznych.

Dlaczego miałoby wystarczyć wzięcie zbioru danych i zbudowanie modelu? A co tak naprawdę trzeba zrobić?

• zrozumieć cel biznesowy,
• mając na uwadze ograniczenia i trudności,
• bardzo precyzyjne określić cel biznesowy,
• przetłumaczenie tego celu na język matematyki (nie tracąc zbyt wiele w tłumaczeniu),
• przygotować odpowiednie dane, zrozumieć je i sprawdzić ich poprawność,
• zbudować rozwiązanie matematyczne i zawierające je rozwiązanie informatyczne,
• zintegrować rozwiązanie z systemem produkcyjnym,
• zmierzyć jego efektywność, najlepiej w jednostkach pieniężnych.

Oznacza to, że zbyt lekkie podejście, tj. pominięcie zbyt wielu punktów z listy, nie rozwiąże właściwego problemu. Oznacza to, że ten PoC nie da nam odpowiedzi na właściwe pytanie.

Co można uprościć w PoC?

• wybrać tylko pewną specyficzną częścć populacji, do której chcemy zastosować ML / AI,
• wykorzystać ograniczony zbiór danych o niższym koszcie przygotowania, np. posiadający mniejszą liczbę cech,
• skrócić czas poświęcony na wstępną analizę danych,
• zastosować tylko podstawowe metody matematyczne,
• dokonać prostej integracji rozwiązania albo nie integrować go w ogóle,
• zmniejszyć efektywność rozwiązania, tj. brak przetwarzania w czasie rzeczywistym, długi czas odpowiedzi, pominąć load balancing,
• uprościć pomiar efektywności rozwiązania.