Apabila menghasilkan AI, terdapat banyak cabaran yang boleh anda hadapi, seperti cara menggunakan model AI anda pada proses atau orang, menstabilkan data dan model, cara memastikan model anda tepat dalam persekitaran yang berubah-ubah dan dari semasa ke semasa, penskalaan dan cara untuk berkembang atau menambah keupayaan model AI anda.
Membenamkan AI
Menjalankan Pembuktian Konsep (PoC) pembelajaran mesin yang berjaya dengan algoritma baharu hanyalah 10% daripada usaha yang diperlukan untuk menghasilkannya dan mendapatkan nilai sebenar daripadanya. Baki 90% boleh dibahagikan kepada perkara yang perlu anda lakukan untuk membuat produk yang boleh digunakan dan perkara yang perlu anda lakukan untuk membuat produk yang berguna.
Untuk membuat produk yang boleh digunakan, anda perlu mengezum masuk pada pelaksanaan teknikal untuk menyediakan produk kepada pengguna anda. Untuk menjadikannya berguna, anda harus melihat membenamkan produk ke dalam proses untuk pengguna. Pertama, bagaimanapun, apakah sebenarnya perbezaan antara PoC dan produk yang boleh digunakan?
Pertama sekali, PoC tidak dimaksudkan untuk pengeluaran. Produk perlu berfungsi sepanjang masa, bila-bila masa, dan dalam keadaan berubah-ubah. Semasa PoC anda, anda menemui data yang anda cari, membuat salinan, dan mula membersihkannya dan menganalisisnya. Dalam pengeluaran, sumber data anda perlu disambungkan ke platform data dalam masa nyata, selamat dan selamat; aliran data perlu dimanipulasi secara automatik dan dibandingkan dengan/digabungkan dengan sumber data lain.
Semasa PoC anda, anda sama ada mempunyai kemewahan untuk bercakap dengan pengguna masa depan anda dan bekerjasama dengan mereka untuk mereka bentuk penyelesaian, atau anda tidak mempunyai pengguna langsung, dan anda sedang mereka bentuk penyelesaian teknikal. Untuk produk, anda mempunyai pengguna yang perlu memahami penyelesaian itu dan orang yang bertanggungjawab untuk memastikan penyelesaian teknikal berjalan. Oleh itu, produk memerlukan latihan, Soalan Lazim dan/atau talian sokongan agar produk itu boleh digunakan. Tambahan pula, anda hanya mencipta versi baharu untuk satu kes penggunaan anda dalam PoC. Produk memerlukan kemas kini dan apabila anda telah melancarkan produk anda untuk berbilang pelanggan, anda memerlukan cara untuk menguji dan menggunakan kod anda untuk pengeluaran (talian paip CI/CD).
“Di Itility, kami telah membangunkan Kilang Data Itility dan Kilang AI kami yang merangkumi blok binaan dan platform asas untuk mana-mana projek kami. Ini bermakna kami mempunyai sudut yang boleh digunakan dilindungi dari awal, supaya kami boleh menumpukan pada sudut yang berguna (yang lebih bergantung kepada pelanggan dan kes penggunaan),” kata syarikat itu.
Apl pengesanan perosak – daripada PoC kepada produk yang boleh digunakan
“Fasa Bukti Konsep Apl Pengesanan Perosak kami terdiri daripada model yang boleh melaksanakan tugas sempit mengelas dan mengira lalat pada perangkap gam berdasarkan imej yang diambil oleh ahli pasukan rumah hijau. Sekiranya mereka terlepas gambar atau jika berlaku masalah, mereka boleh berundur dan mengambil gambar lain, atau terus membetulkannya dalam papan pemuka. Beberapa pemeriksaan manual diperlukan.
“Dunia PoC kami adalah mudah, berdasarkan satu peranti tunggal, satu pengguna tunggal dan satu pelanggan tunggal. Walau bagaimanapun, untuk menjadikannya produk yang boleh digunakan, kami perlu meningkatkan dan menyokong berbilang pelanggan. Kemudian, persoalan bagaimana untuk memastikan data diasingkan dan selamat timbul. Selain itu, setiap pelanggan/mesin individu memerlukan tetapan dan konfigurasi lalai. Jadi, bagaimana untuk mengkonfigurasi/menyediakan 20 pelanggan baharu? Bagaimanakah anda tahu bila untuk membina antara muka pentadbir dan mengautomasikan onboarding? Pada 2 pelanggan, 20, atau 200?”
Sudah tentu, anda mungkin mempunyai soalan, seperti 'bagaimana mengira lalat membantu pelanggan saya? Bagaimana untuk mencipta nilai daripada maklumat ini? Bagaimana untuk mengesyorkan keputusan dan mengambil tindakan? Bagaimanakah aplikasi AI ini sesuai dalam proses perniagaan?'. Langkah pertama ialah menukar kerangka rujukan anda daripada perspektif teknikal/data kepada perspektif pengguna akhir. Ini bermakna meneruskan perbualan dengan pelanggan anda dan melihat cara PoC yang terbukti sesuai dengan proses harian.
“Anda juga perlu mengikuti proses dengan teliti untuk tempoh masa yang lebih lama, anda perlu menyertai mesyuarat operasi dan taktikal untuk benar-benar memahami tindakan yang diambil setiap hari berdasarkan maklumat yang mana, berapa banyak masa yang dibelanjakan untuk melakukan apa, dan alasan. di sebalik tindakan tertentu. Tanpa memahami cara maklumat daripada model anda digunakan untuk mencipta nilai perniagaan, anda tidak akan sampai kepada produk yang berguna.
“Dalam kes kami, kami menemui maklumat yang digunakan untuk membuat keputusan. Sebagai contoh, kami mendapati bahawa bagi sesetengah perosak adalah lebih penting untuk mengikuti arah aliran mingguan (yang mana anda tidak memerlukan ketepatan yang sangat tinggi) manakala yang lain memerlukan tindakan pada tanda pertama perosak (yang bermakna lebih baik mempunyai pasangan positif palsu daripada mempunyai walaupun satu negatif palsu).
“Selain itu, kami mendapati bahawa pelanggan kami sebelum ini mempunyai pengalaman 'buruk' dengan alat serupa yang mendakwa mempunyai ketepatan yang tidak dapat disampaikan dalam amalan. Mengapa mereka mempercayai kami? Kami menangani masalah amanah ini secara langsung dan menjadikan ketepatan dan ketelusan sebagai ciri utama produk. Kami menggunakan maklumat ini untuk menjadikan produk kami berguna dengan menyesuaikan aplikasi kepada kaedah kerja pengguna akhir, dan dengan meningkatkan ketelusan dalam interaksi, memberikan pengguna lebih kawalan ke atas aplikasi itu," sambung syarikat itu.
Apakah cabaran terbesar?
“Dalam senario pengiraan lalat kami, kami boleh bercakap tentang skor ketepatan kami semua yang kami mahu. Walau bagaimanapun, untuk menjadi berguna, pengguna (pakar rumah hijau) memerlukan lebih daripada peratusan. Apa yang diperlukan ialah mengalaminya, dan belajar mempercayainya. Perkara paling teruk yang boleh berlaku ialah apabila pengguna anda membandingkan hasil anda dengan hasil manual mereka sendiri dan terdapat percanggahan (besar). Reputasi anda rosak dan tidak ada ruang untuk mendapatkan semula kepercayaan. Kami menangkis perkara ini dengan menambahkan perisian pada produk yang menggalakkan pengguna mencari percanggahan tersebut dan membetulkannya.
“Pendekatan kami adalah untuk menjadikan pengguna sebahagian daripada penyelesaian AI dan bukannya membentangkannya sebagai sistem yang akan menggantikan pakar. Kami menjadikan pakar sebagai pengendali. AI menambah kebolehan mereka dan pakar kekal mengawal dengan mengajar dan membimbing AI secara berterusan untuk mempelajari lebih lanjut dan membuat pembetulan apabila persekitaran atau pembolehubah lain hanyut. Sebagai pengendali, pakar adalah sebahagian daripada penyelesaian – mengajar dan melatih AI dengan tindakan khusus.”
Klik disini untuk melihat video dengan butiran lanjut tentang pendekatan berpusatkan operator.