Κατά την παραγωγή τεχνητής νοημοσύνης, υπάρχουν πολλές προκλήσεις που μπορείτε να αντιμετωπίσετε, όπως πώς να εφαρμόσετε το μοντέλο τεχνητής νοημοσύνης σας σε μια διαδικασία ή άτομα, να σταθεροποιήσετε δεδομένα και μοντέλα, πώς να διατηρήσετε το μοντέλο σας ακριβές σε μεταβαλλόμενα περιβάλλοντα και με την πάροδο του χρόνου, κλιμάκωση και πώς να αναπτυχθείτε ή να αυξήσει τις δυνατότητες του μοντέλου AI σας.
Ενσωμάτωση AI
Η εκτέλεση ενός επιτυχημένου Proof of Concept (PoC) μηχανικής εκμάθησης με έναν νέο αλγόριθμο είναι μόνο το 10% της προσπάθειας που απαιτείται για την παραγωγή του και την απόκτηση πραγματικής αξίας από αυτό. Το υπόλοιπο 90% μπορεί να χωριστεί σε πράγματα που πρέπει να κάνετε για να φτιάξετε ένα χρήσιμο προϊόν και σε πράγματα που πρέπει να κάνετε για να φτιάξετε ένα χρήσιμο προϊόν.
Για να δημιουργήσετε ένα χρησιμοποιήσιμο προϊόν, πρέπει να κάνετε μεγέθυνση στην τεχνική υλοποίηση της διάθεσης του προϊόντος στους χρήστες σας. Για να είναι χρήσιμο, θα πρέπει να εξετάσετε την ενσωμάτωση του προϊόντος σε μια διαδικασία για τους χρήστες. Πρώτον, ωστόσο, ποια ακριβώς είναι η διαφορά μεταξύ ενός PoC και ενός χρησιμοποιήσιμου προϊόντος;
Πρώτα απ 'όλα, τα PoC δεν προορίζονται για παραγωγή. Τα προϊόντα πρέπει να λειτουργούν συνεχώς, ανά πάσα στιγμή και υπό μεταβαλλόμενες συνθήκες. Κατά τη διάρκεια του PoC σας, βρίσκετε τα δεδομένα που αναζητάτε, δημιουργείτε ένα αντίγραφο και ξεκινάτε να τα καθαρίζετε και να τα αναλύετε. Κατά την παραγωγή, η πηγή δεδομένων σας πρέπει να είναι συνδεδεμένη με μια πλατφόρμα δεδομένων σε πραγματικό χρόνο, με ασφάλεια και ασφάλεια. η ροή δεδομένων πρέπει να χειρίζεται αυτόματα και να συγκρίνεται/συνδυάζεται με άλλες πηγές δεδομένων.
Κατά τη διάρκεια του PoC σας, είτε έχετε την πολυτέλεια να μπορείτε να μιλήσετε με τους μελλοντικούς χρήστες σας και να συνεργαστείτε μαζί τους για να σχεδιάσετε μια λύση, είτε δεν έχετε καθόλου χρήστες και σχεδιάζετε μια τεχνική λύση. Για ένα προϊόν, έχετε χρήστες που πρέπει να κατανοήσουν αυτήν τη λύση και άτομα που είναι υπεύθυνα για τη διατήρηση της λειτουργίας της τεχνικής λύσης. Έτσι, ένα προϊόν απαιτεί εκπαίδευση, συχνές ερωτήσεις ή/και γραμμές υποστήριξης για να μπορεί να χρησιμοποιηθεί. Επιπλέον, δημιουργείτε απλώς μια νέα έκδοση για την περίπτωση μιας χρήσης σε ένα PoC. Τα προϊόντα απαιτούν ενημερώσεις και όταν διαθέτετε το προϊόν σας για πολλούς πελάτες, χρειάζεστε έναν τρόπο δοκιμής και ανάπτυξης του κώδικά σας για παραγωγή (αγωγοί CI/CD).
«Στην Itility, έχουμε αναπτύξει το Itility Data Factory και το AI Factory που καλύπτουν τα δομικά στοιχεία και την υποκείμενη πλατφόρμα για οποιοδήποτε από τα έργα μας. Αυτό σημαίνει ότι έχουμε καλύψει τη χρησιμοποιήσιμη γωνία από την αρχή, έτσι ώστε να μπορούμε να επικεντρωθούμε στη χρήσιμη γωνία (η οποία εξαρτάται περισσότερο από τον πελάτη και την περίπτωση χρήσης)», δήλωσε η εταιρεία.
Εφαρμογή ανίχνευσης παρασίτων – από PoC σε χρησιμοποιήσιμο προϊόν
«Η φάση Proof of Concept της εφαρμογής μας για την ανίχνευση παρασίτων αποτελούνταν από ένα μοντέλο που μπορεί να εκτελέσει τη στενή εργασία ταξινόμησης και μέτρησης μυγών σε μια παγίδα κόλλας με βάση τις εικόνες που τραβήχτηκαν από μέλη της ομάδας του θερμοκηπίου. Σε περίπτωση που έχασαν μια φωτογραφία ή αν κάτι πήγε στραβά, θα μπορούσαν να επιστρέψουν και να τραβήξουν μια άλλη ή να τη διορθώσουν απευθείας στο ταμπλό. Χρειάστηκαν αρκετά χειροκίνητοι έλεγχοι.
«Ο κόσμος μας PoC ήταν απλός, βασισμένος σε μια μεμονωμένη συσκευή, έναν μεμονωμένο χρήστη και έναν μόνο πελάτη. Ωστόσο, για να γίνει ένα χρήσιμο προϊόν, χρειαζόταν να κλιμακώσουμε και να υποστηρίξουμε πολλούς πελάτες. Στη συνέχεια, τίθεται το ερώτημα πώς να διατηρήσετε τα δεδομένα διαχωρισμένα και ασφαλή. Επιπλέον, κάθε μεμονωμένος πελάτης/μηχανή απαιτεί ρύθμιση και προεπιλεγμένη διαμόρφωση. Λοιπόν, πώς να ρυθμίσετε/ρυθμίσετε 20 νέους πελάτες; Πώς ξέρετε πότε να δημιουργήσετε μια διεπαφή διαχειριστή και να αυτοματοποιήσετε την ενσωμάτωση; Σε 2 πελάτες, 20 ή 200;»
Φυσικά, μπορεί να έχετε ερωτήσεις, όπως «πώς βοηθάει τον πελάτη μου η καταμέτρηση μυγών; Πώς να δημιουργήσετε αξία από αυτές τις πληροφορίες; Πώς να προτείνετε αποφάσεις και να αναλάβετε δράση; Πώς ταιριάζει αυτή η εφαρμογή τεχνητής νοημοσύνης στην επιχειρηματική διαδικασία;». Το πρώτο βήμα είναι να αλλάξετε το πλαίσιο αναφοράς σας από την άποψη τεχνικής/δεδομένων στην προοπτική του τελικού χρήστη. Αυτό σημαίνει να συνεχίσετε τη συνομιλία με τον πελάτη σας και να δείτε πώς το αποδεδειγμένο PoC ταιριάζει στις καθημερινές διαδικασίες.
«Πρέπει επίσης να παρακολουθείτε στενά τη διαδικασία για μεγαλύτερο χρονικό διάστημα, πρέπει να συμμετάσχετε σε επιχειρησιακές και τακτικές συναντήσεις για να κατανοήσετε πραγματικά ποιες ενέργειες γίνονται κάθε μέρα με βάση ποιες πληροφορίες, πόσος χρόνος αφιερώνεται για να κάνετε τι και το σκεπτικό πίσω από ορισμένες ενέργειες. Χωρίς να κατανοήσετε πώς χρησιμοποιούνται οι πληροφορίες από το μοντέλο σας για τη δημιουργία επιχειρηματικής αξίας, δεν θα φτάσετε σε ένα χρήσιμο προϊόν.
«Στην περίπτωσή μας, ανακαλύψαμε ποιες πληροφορίες χρησιμοποιήθηκαν για τη λήψη αποφάσεων. Για παράδειγμα, ανακαλύψαμε ότι για ορισμένα παράσιτα ήταν πιο σημαντικό να ακολουθήσετε την εβδομαδιαία τάση (για την οποία δεν χρειάζεστε εξαιρετικά υψηλές ακρίβειες), ενώ άλλα απαιτούν δράση με το πρώτο σημάδι ενός παρασίτου (που σημαίνει ότι είναι καλύτερο να έχετε ένα ζευγάρι των ψευδώς θετικών από το να έχουμε έστω και ένα ψευδώς αρνητικό).
«Επιπλέον, ανακαλύψαμε ότι ο πελάτης μας είχε στο παρελθόν μια «κακή» εμπειρία με ένα παρόμοιο εργαλείο που ισχυριζόταν ότι είχε ακρίβεια που δεν μπορούσε να προσφέρει στην πράξη. Γιατί να εμπιστεύονται τους δικούς μας; Αντιμετωπίσαμε αυτό το πρόβλημα εμπιστοσύνης κατά μέτωπο και κάναμε την ακρίβεια και τη διαφάνεια βασικό χαρακτηριστικό του προϊόντος. Χρησιμοποιήσαμε αυτές τις πληροφορίες για να κάνουμε το προϊόν μας χρήσιμο, προσαρμόζοντας την εφαρμογή στις μεθόδους εργασίας του τελικού χρήστη και αυξάνοντας τη διαφάνεια στην αλληλεπίδραση, δίνοντας στον χρήστη περισσότερο έλεγχο στην εφαρμογή», συνεχίζει η εταιρεία.
Ποια είναι η μεγαλύτερη πρόκληση;
«Στο σενάριο καταμέτρησης μυγών, μπορούμε να μιλάμε για το σκορ ακρίβειάς μας ό,τι θέλουμε. Ωστόσο, για να είναι χρήσιμος, ο χρήστης (ειδικός σε θερμοκήπια) χρειάζεται περισσότερα από ποσοστά. Αυτό που χρειάζεται είναι να το βιώσεις και να μάθεις να το εμπιστεύεσαι. Το χειρότερο πράγμα που μπορεί να συμβεί είναι όταν οι χρήστες σας συγκρίνουν τα αποτελέσματά σας με τα δικά τους μη αυτόματα αποτελέσματα και υπάρχει (μεγάλη) απόκλιση. Η φήμη σας έχει καταστραφεί και δεν υπάρχει περιθώριο να ανακτήσετε την εμπιστοσύνη. Αντιμετωπίσαμε αυτό προσθέτοντας λογισμικό στο προϊόν που ενθαρρύνει τον χρήστη να αναζητήσει αυτές τις αποκλίσεις και να τις διορθώσει.
«Η προσέγγισή μας είναι επομένως να κάνουμε τον χρήστη μέρος της λύσης AI αντί να την παρουσιάζουμε ως ένα σύστημα που πρόκειται να αντικαταστήσει τον ειδικό. Μετατρέπουμε τον ειδικό σε χειριστή. Η τεχνητή νοημοσύνη αυξάνει τις ικανότητές τους και οι ειδικοί διατηρούν τον έλεγχο διδάσκοντας και καθοδηγώντας συνεχώς την τεχνητή νοημοσύνη ώστε να μαθαίνει περισσότερα και να κάνει διορθώσεις όταν το περιβάλλον ή άλλες μεταβλητές παρασύρονται. Ως χειριστής, ο ειδικός είναι αναπόσπαστο μέρος της λύσης – διδασκαλία και εκπαίδευση της τεχνητής νοημοσύνης με συγκεκριμένες ενέργειες».
Πατήστε εδώ για να δείτε ένα βίντεο με περισσότερες λεπτομέρειες σχετικά με την προσέγγιση με επίκεντρο τον χειριστή.