Это второй пост в блоге Enterprise AI Series. Одним из наименее обсуждаемых и недооцененных аспектов ИИ в корпоративных продуктах является мультиарендность. Это один из самых сложных аспектов создания продуктов корпоративного ИИ.
Мульти аренды
Мультиарендность, как следует из названия, — это способ совместного использования одного приложения несколькими разными арендаторами. Арендаторы — это клиенты/пользователи приложения (как правило, один арендатор — это группа пользователей, но для простоты давайте будем рассматривать одного арендатора как одного пользователя). Программное обеспечение для управления взаимоотношениями с клиентами (CRM), такое как Salesforce, является отличным примером мультитенантности. Он используется несколькими предприятиями (электронная коммерция, производство, финансовые учреждения и т. д.) одновременно. Каждый из этих арендаторов получает свою долю программного обеспечения с возможностью создавать рабочие процессы, обрабатывать данные и хранить данные.
Несколько арендаторов -> Несколько наборов данных для конкретных доменов
Потребительские продукты искусственного интеллекта имеют согласованные и единообразные данные для своих пользователей. Например, у пользователей музыкальных стриминговых сервисов похожее поведение — их данные похожи друг на друга. Выбор музыки одним пользователем используется для рекомендации музыки другим пользователям. Та же концепция применяется к рекомендациям продуктов на веб-сайтах электронной коммерции. Корзины покупок, списки пожеланий и предыдущие заказы одного пользователя используются для рекомендации продуктов другим пользователям, покупающим тот же продукт. Одну большую модель можно научить изучать поведение пользователей и делать выводы об их будущих действиях или вносить предложения.
«Я не могу войти в свой аккаунт»
«Каков статус моего заказа?»
«Покрывает ли моя страховка физиотерапию?»
В случае корпоративных данных мультиарендность подразумевает, что у каждого арендатора есть свои данные, и эти данные относятся к вертикали бизнеса, в которой работает арендатор. Например, запрос на обслуживание клиентов электронной коммерции сильно отличается от здравоохранения и сильно отличается от производственного бизнеса. . У каждого из бизнес-клиентов этих арендаторов есть свой язык и терминология, специфичные для предметной области.
Несколько наборов данных для конкретных предметных областей -> Несколько моделей для конкретных предметных областей
Наборы данных для предметной области имеют особенности и нюансы каждой из этих областей. Каждый очень отличается от другого. Это большая проблема для специалистов по данным, когда дело доходит до построения моделей. Какие методы преобразования данных использовать? Как обработать данные так, чтобы во всех доменах было общее представление? Какой модельный алгоритм использовать, хорошо работает в разных областях?
В следующей части я расскажу о масштабах продуктов корпоративного ИИ и конкретно расскажу об одной стороне медали — масштабе науки о данных. Структура команды ИИ, организация, группы по науке о данных и инженеры, а также проблемы, связанные с созданием платформы для науки о данных на предприятии.
