Při výrobě umělé inteligence se můžete setkat s mnoha problémy, například jak aplikovat váš model umělé inteligence na proces nebo lidi, jak stabilizovat data a modely, jak udržet váš model přesný v měnících se prostředích a v průběhu času, jak škálovat a jak růst. nebo rozšiřte možnosti svého modelu AI.
Vkládání AI
Spuštění úspěšného strojového učení Proof of Concept (PoC) s novým algoritmem představuje pouze 10 % úsilí potřebného k jeho výrobě a získání skutečné hodnoty. Zbývajících 90 % lze rozdělit na věci, které musíte udělat, abyste vytvořili použitelný produkt, a na věci, které musíte udělat, abyste vytvořili užitečný produkt.
Chcete-li vytvořit použitelný produkt, musíte si přiblížit technickou implementaci zpřístupnění produktu vašim uživatelům. Aby to bylo užitečné, měli byste se podívat na vložení produktu do procesu pro uživatele. Za prvé, jaký je přesně rozdíl mezi PoC a použitelným produktem?
Za prvé, PoC nejsou určeny pro výrobu. Produkty musí fungovat neustále, kdykoli a za měnících se okolností. Během svého PoC najdete hledaná data, vytvoříte kopii a začnete je čistit a analyzovat. V produkci musí být váš zdroj dat připojen k datové platformě v reálném čase, bezpečně a bezpečně; datový tok musí být automaticky manipulován a musí být porovnáván s jinými datovými zdroji/kombinován s nimi.
Během svého PoC máte buď ten luxus, že můžete mluvit se svými budoucími uživateli a pracovat s nimi na návrhu řešení, nebo nemáte žádné uživatele a navrhujete technické řešení. Pro produkt máte uživatele, kteří musí tomuto řešení rozumět, a lidi odpovědné za udržování technického řešení v chodu. Aby byl produkt použitelný, vyžaduje školení, často kladené otázky a/nebo linky podpory. Kromě toho pouze vytvoříte novou verzi pro váš případ použití v PoC. Produkty vyžadují aktualizace, a když zavedete svůj produkt pro více zákazníků, potřebujete způsob, jak otestovat a nasadit váš kód pro produkci (CI/CD kanály).
„V Itility jsme vyvinuli naši Itility Data Factory a AI Factory, které pokrývají stavební bloky a základní platformu pro jakýkoli z našich projektů. To znamená, že máme od začátku pokrytý použitelný úhel, takže se můžeme zaměřit na užitečný úhel (který je více závislý na zákazníkovi a případu použití),“ uvedla společnost.
Aplikace pro detekci škůdců – od PoC po použitelný produkt
„Fáze Proof of Concept naší aplikace pro detekci škůdců sestávala z modelu, který dokáže plnit úzký úkol klasifikace a počítání much na pasti na lepidlo na základě snímků pořízených členy skleníkového týmu. V případě, že vynechali obrázek nebo se něco pokazilo, mohli se vrátit a pořídit další, nebo to přímo opravit na palubní desce. Bylo potřeba docela dost ručních kontrol.
„Náš svět PoC byl jednoduchý, založený na jediném zařízení, jediném uživateli a jediném zákazníkovi. Abychom z něj však udělali použitelný produkt, museli jsme škálovat a podporovat více zákazníků. Pak vyvstává otázka, jak udržet data oddělená a bezpečná. Navíc každý jednotlivý zákazník/stroj vyžaduje nastavení a výchozí konfiguraci. Jak tedy nakonfigurovat/nastavit 20 nových zákazníků? Jak víte, kdy je třeba vytvořit administrátorské rozhraní a automatizovat onboarding? U 2 zákazníků, 20 nebo 200?”
Samozřejmě můžete mít otázky, například „jak pomáhá počítání much mému zákazníkovi? Jak z těchto informací vytvořit hodnotu? Jak doporučovat rozhodnutí a jak jednat? Jak tato aplikace umělé inteligence zapadá do obchodního procesu?“. Prvním krokem je změna vašeho referenčního rámce z technického/datového hlediska na perspektivu koncového uživatele. To znamená pokračovat v rozhovoru se svým zákazníkem a sledovat, jak osvědčené PoC zapadá do každodenních procesů.
„Musíte také pozorně sledovat proces po delší dobu, musíte se zapojit do operačních a taktických schůzek, abyste skutečně pochopili, jaké akce jsou každý den přijímány na základě jakých informací, kolik času věnujete tomu, co děláte, a zdůvodnění. za určitými akcemi. Bez pochopení toho, jak se informace z vašeho modelu používají k vytváření obchodní hodnoty, se nedostanete k užitečnému produktu.
„V našem případě jsme zjistili, jaké informace byly použity k rozhodování. Zjistili jsme například, že pro některé škůdce bylo důležitější sledovat týdenní trend (pro který nepotřebujete super vysokou přesnost), zatímco jiní vyžadují akci při prvních známkách škůdce (což znamená, že je lepší mít pár falešně pozitivních výsledků než mít byť jen jeden falešně negativní).
„Navíc jsme zjistili, že náš zákazník měl již dříve ‚špatnou‘ zkušenost s podobným nástrojem, který tvrdil, že má přesnost, kterou v praxi nemůže poskytnout. Proč by věřili našim? Tento problém důvěry jsme vzali přímo a učinili jsme z přesnosti a transparentnosti klíčovou vlastnost produktu. Tyto informace jsme využili k tomu, aby byl náš produkt užitečný tím, že jsme aplikaci přizpůsobili pracovním metodám koncového uživatele a zvýšili transparentnost v interakci, což uživateli dává větší kontrolu nad aplikací,“ pokračuje společnost.
Co je největší výzvou?
„V našem scénáři počítání much můžeme mluvit o našem skóre přesnosti, jak chceme. Aby však byl užitečný, potřebuje uživatel (specialista na skleníky) více než procenta. Co je potřeba, je zažít to a naučit se tomu důvěřovat. Nejhorší věc, která se může stát, je, když vaši uživatelé porovnávají vaše výsledky se svými vlastními manuálními výsledky a dojde k (velké) nesrovnalosti. Vaše pověst je zničená a není prostor pro znovuzískání důvěry. Tomu jsme zabránili přidáním softwaru do produktu, který vybízí uživatele, aby tyto nesrovnalosti hledal a opravoval.
„Naším přístupem je tedy učinit uživatele součástí řešení AI namísto toho, abychom jej prezentovali jako systém, který nahradí specialisty. Ze specialisty uděláme operátora. Umělá inteligence rozšiřuje jejich schopnosti a specialisté zůstávají pod kontrolou tím, že neustále učí a vedou AI, aby se naučila více a provedla opravy, když se prostředí nebo jiné proměnné mění. Jako operátor je specialista nedílnou součástí řešení – výuka a školení AI se specifickými akcemi.“
klikněte zde zobrazíte video s podrobnostmi o přístupu zaměřeném na operátora.