Kada proizvodite AI, postoje brojni izazovi s kojima se možete susresti, kao što su kako primijeniti svoj AI model na proces ili ljude, stabilizirati podatke i modele, kako zadržati svoj model točnim u promjenjivim okruženjima i tokom vremena, skaliranje i kako se razvijati ili povećati mogućnosti vašeg AI modela.
Ugrađivanje AI
Pokretanje uspješnog Dokaz koncepta strojnog učenja (PoC) s novim algoritmom je samo 10% napora potrebnog da se proizvede i dobije stvarna vrijednost od njega. Preostalih 90% se može podijeliti na stvari koje trebate učiniti da biste napravili upotrebljiv proizvod i stvari koje trebate učiniti da biste napravili koristan proizvod.
Da biste napravili upotrebljiv proizvod, morate zumirati na tehničku implementaciju stavljanja proizvoda na raspolaganje vašim korisnicima. Da biste ga učinili korisnim, trebali biste pogledati ugradnju proizvoda u proces za korisnike. Prvo, međutim, koja je zapravo razlika između PoC-a i upotrebljivog proizvoda?
Prije svega, PoC-ovi nisu namijenjeni za proizvodnju. Proizvodi moraju raditi cijelo vrijeme, bilo kada i pod promjenjivim okolnostima. Tokom vašeg PoC-a, pronalazite podatke koje tražite, pravite kopiju i počinjete da ih čistite i analizirate. U produkciji, vaš izvor podataka mora biti povezan na platformu podataka u realnom vremenu, sigurno i sigurno; tok podataka se mora automatski manipulisati i upoređivati sa/kombinovati sa drugim izvorima podataka.
Tokom vašeg PoC-a, ili imate luksuz da razgovarate sa svojim budućim korisnicima i radite s njima na dizajniranju rješenja, ili uopće nemate korisnika, a vi dizajnirate tehničko rješenje. Za proizvod imate korisnike koji trebaju razumjeti to rješenje i ljude odgovorne za održavanje tehničkog rješenja. Dakle, proizvod zahtijeva obuku, često postavljana pitanja i/ili linije podrške da bi bio upotrebljiv. Štaviše, vi samo kreirate novu verziju za vaš jedan slučaj upotrebe u PoC-u. Proizvodi zahtijevaju ažuriranja, a kada svoj proizvod uvedete za više kupaca, potreban vam je način da testirate i implementirate svoj kod za proizvodnju (CI/CD cjevovodi).
“U Itility-ju smo razvili našu Itility tvornicu podataka i tvornicu umjetne inteligencije koji pokrivaju građevne blokove i osnovnu platformu za bilo koji od naših projekata. To znači da imamo upotrebljiv ugao pokriven od samog početka, tako da se možemo fokusirati na koristan ugao (koji više zavisi od korisnika i slučaja upotrebe)“, navode iz kompanije.
Aplikacija za otkrivanje štetočina – od PoC do upotrebljivog proizvoda
“Faza dokaza koncepta naše aplikacije za otkrivanje štetočina sastojala se od modela koji može izvršiti uski zadatak klasifikacije i brojanja muha na ljepljivoj zamci na osnovu slika koje su snimili članovi tima staklenika. U slučaju da su propustili sliku ili ako je nešto pošlo po zlu, mogli su se vratiti i uzeti drugu, ili je direktno popraviti na kontrolnoj tabli. Bilo je potrebno dosta ručnih provjera.
“Naš PoC-svijet je bio jednostavan, baziran na jednom uređaju, jednom korisniku i jednom kupcu. Međutim, da bismo ga pretvorili u upotrebljiv proizvod, morali smo povećati i podržati više kupaca. Zatim se postavlja pitanje kako sačuvati podatke odvojenim i sigurnima. Štaviše, svaki pojedinačni kupac/mašina zahteva podešavanje i podrazumevanu konfiguraciju. Dakle, kako konfigurirati/podesiti 20 novih kupaca? Kako znate kada da napravite administrativni interfejs i automatizujete onboarding? Kod 2 kupca, 20 ili 200?”
Naravno, možda imate pitanja, poput „kako brojanje muha pomaže mom klijentu?“ Kako stvoriti vrijednost od ovih informacija? Kako preporučiti odluke i poduzeti akciju? Kako se ova AI aplikacija uklapa u poslovni proces?'. Prvi korak je da promijenite svoj referentni okvir iz perspektive tehničke/podatke u perspektivu krajnjeg korisnika. To znači nastaviti razgovor sa svojim klijentom i vidjeti kako se dokazani PoC uklapa u svakodnevne procese.
“Također morate pažljivo pratiti proces tokom dužeg vremenskog perioda, morate se pridružiti operativnim i taktičkim sastancima da biste zaista shvatili koje se radnje poduzimaju svaki dan na osnovu kojih informacija, koliko vremena je utrošeno na šta, i obrazloženja iza određenih radnji. Bez razumijevanja kako se informacije iz vašeg modela koriste za stvaranje poslovne vrijednosti, nećete doći do korisnog proizvoda.
“U našem slučaju, otkrili smo koje su informacije korištene za donošenje odluka. Na primjer, otkrili smo da je za neke štetočine važnije pratiti tjedni trend (za koje vam nisu potrebne super visoke preciznosti), dok je drugima potrebna akcija na prvi znak štetočine (što znači da je bolje imati par lažno pozitivnih nego imati čak i jedan lažno negativan).
„Osim toga, otkrili smo da je naš kupac ranije imao 'loše' iskustvo sa sličnim alatom tvrdeći da ima tačnost koju ne može isporučiti u praksi. Zašto bi verovali našima? Ovaj problem povjerenja smo prihvatili direktno i učinili tačnost i transparentnost ključnom karakteristikom proizvoda. Iskoristili smo ove informacije kako bismo naš proizvod učinili korisnim prilagođavanjem aplikacije radnim metodama krajnjeg korisnika i povećanjem transparentnosti u interakciji, dajući korisniku veću kontrolu nad aplikacijom“, nastavljaju iz kompanije.
Šta je najveći izazov?
„U našem scenariju brojanja muha, možemo pričati o našoj ocjeni tačnosti koliko god želimo. Međutim, da bi bio koristan, korisnik (stručnjak za staklenike) treba više od postotaka. Ono što je potrebno je doživjeti to i naučiti vjerovati. Najgora stvar koja se može dogoditi je kada vaši korisnici uporede vaše rezultate sa svojim vlastitim ručnim rezultatima i postoji (veliko) odstupanje. Vaša reputacija je uništena i nema mjesta za povrat povjerenja. Tome smo se suprotstavili dodavanjem softvera u proizvod koji ohrabruje korisnika da potraži ta neslaganja i ispravi ih.
„Naš pristup je stoga da korisnika učinimo dijelom AI rješenja umjesto da ga predstavljamo kao sistem koji će zamijeniti stručnjaka. Specijalista pretvaramo u operatera. AI povećava njihove sposobnosti, a stručnjaci ostaju pod kontrolom kontinuirano podučavajući i usmjeravajući AI da nauči više i izvrši korekcije kada se okruženje ili druge varijable mijenjaju. Kao operater, stručnjak je sastavni dio rješenja – podučavanje i obučavanje AI specifičnim radnjama.”
kliknite OVDJE da vidite video sa više detalja o pristupu usredsređenom na operatera.