COVID-19 hat die Art und Weise, wie Unternehmen ihre Geschäfte abwickeln, verändert und viele dazu gezwungen, die Art und Weise zu überdenken, wie sie komplexe Algorithmen und Modelle für die Vorhersage einer Vielzahl von Aufgaben einsetzen, von Verkäufen über Budgets bis hin zu der Frage, wann bestimmte Artikel wieder auf Lager sind. Wir leben in einer beispiellosen Zeit, und es ist daher überraschend, dass historische Daten keine guten Vorhersagen für die Zukunft sind.
Viele haben darüber diskutiert, ob es am besten ist, bestehende Modelle, die mit historischen Daten trainiert wurden, abzustimmen und anzupassen oder sie mit einem besseren Verständnis der heutigen "neuen Normalität" komplett neu zu erstellen. Die Antwort hängt davon ab, wie lernfähig Ihre Modelle sind und wie schnell sie aus den aktuellen Daten lernen können. Bevor Sie potenziell geschäftsverändernde Entscheidungen treffen, die sich auf das Kundenerlebnis auswirken könnten, müssen Führungskräfte einen Schritt zurücktreten und sicherstellen, dass sie ein häufiges Missverständnis verstehen: den Unterschied zwischen maschinellen Lernmodellen und echten KI-Modellen.
Den Unterschied zwischen statischem maschinellem Lernen und echter KI verstehen
Es ist natürlich, dass man aus korrelierten Ereignissen kausale Schlüsse ziehen will. Es überrascht nicht, dass viele COVID-19 dafür verantwortlich machen, warum "ihre Prognosemodelle nicht mehr funktionieren". In Wirklichkeit hat die wahrscheinlichere Ursache mit der Art des verwendeten Modells zu tun. In den meisten Fällen verwenden die Teams maschinelle Lernmodelle, die nicht ständig lernen, im Gegensatz zu einem echten KI-Modell, das kontinuierlich lernen und sein Modell verfeinern kann.