Prilikom proizvodnje umjetne inteligencije 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 tijekom vremena, skaliranje i kako rasti ili povećati mogućnosti svog AI modela.
Ugradnja AI
Izvođenje uspješnog strojnog učenja Proof of Concept (PoC) s novim algoritmom samo je 10% truda potrebnog za njegovu proizvodnju i dobivanje stvarne vrijednosti. Preostalih 90% može se 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 tehničku implementaciju stavljanja proizvoda na raspolaganje vašim korisnicima. Da bi bio koristan, trebali biste pogledati ugradnju proizvoda u proces za korisnike. Prvo, međutim, koja je točno 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. Tijekom vašeg PoC-a pronađete podatke koje tražite, napravite kopiju i počnete ih čistiti i analizirati. U proizvodnji, vaš izvor podataka mora biti povezan s podatkovnom platformom u stvarnom vremenu, sigurno i sigurno; protokom podataka se mora automatski manipulirati i uspoređivati s drugim izvorima podataka/kombinirati ga.
Tijekom vašeg PoC-a ili imate luksuz da razgovarate sa svojim budućim korisnicima i radite s njima na osmišljavanju 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. Nadalje, samo kreirate novu verziju za svoj slučaj upotrebe u PoC-u. Proizvodi zahtijevaju ažuriranja, a kada svoj proizvod uvedete za više kupaca, potreban vam je način testiranja i implementacije vašeg koda za proizvodnju (CI/CD cjevovodi).
“U Itilityu smo razvili našu Itility Data Factory i AI Factory koji pokrivaju građevne blokove i temeljnu platformu za bilo koji od naših projekata. To znači da imamo upotrebljivi kut pokriven od samog početka, tako da se možemo usredotočiti na korisni kut (koji više ovisi o kupcu i slučaju upotrebe)”, navode iz tvrtke.
Aplikacija za otkrivanje štetnika – od PoC-a do upotrebljivog proizvoda
“Faza dokaza koncepta naše aplikacije za otkrivanje štetočina sastojala se od modela koji može izvršiti uski zadatak razvrstavanja i brojanja muha na ljepljivoj zamci na temelju 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 izravno popraviti na kontrolnoj ploči. Bilo je potrebno dosta ručnih provjera.
“Naš PoC-svijet bio je 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 podatke držati odvojenim i sigurnima. Štoviše, svaki pojedinačni kupac/stroj zahtijeva postavljanje i zadanu konfiguraciju. Dakle, kako konfigurirati/postaviti 20 novih kupaca? Kako znati kada izgraditi administratorsko sučelje i automatizirati onboarding? Kod 2 kupca, 20 ili 200?"
Naravno, možete imati 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 promijeniti svoj referentni okvir iz tehničke/podatkovne perspektive u perspektivu krajnjeg korisnika. To znači nastaviti razgovor sa svojim klijentom i vidjeti kako se dokazani PoC uklapa u svakodnevne procese.
“Također morate pomno pratiti proces dulje vrijeme, morate se pridružiti operativnim i taktičkim sastancima kako biste stvarno razumjeli koje se radnje poduzimaju svaki dan na temelju kojih informacija, koliko se vremena troši na što 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 što ne trebate super visoke točnosti), dok drugi zahtijevaju akciju na prvi znak štetnika (što znači da je bolje imati par lažno pozitivnih nego imati čak i jedan lažno negativan).
„Osim toga, otkrili smo da je naš kupac prethodno imao 'loše' iskustvo sa sličnim alatom tvrdeći da ima točnost koju ne može isporučiti u praksi. Zašto bi vjerovali našima? Ovaj problem povjerenja shvatili smo izravno i učinili točnost i transparentnost ključnom značajkom proizvoda. Iskoristili smo te informacije kako bismo naš proizvod učinili korisnim prilagođavanjem aplikacije radnim metodama krajnjeg korisnika, te povećanjem transparentnosti u interakciji, dajući korisniku veću kontrolu nad aplikacijom”, nastavljaju iz tvrtke.
Što je najveći izazov?
“U našem scenariju brojanja muha možemo pričati o našoj ocjeni točnosti koliko god želimo. Međutim, da bi bio koristan, korisnik (specijalist 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 uspoređuju vaše rezultate sa svojim vlastitim ručnim rezultatima i postoji (veliko) odstupanje. Vaš ugled je uništen i nema mjesta za povrat povjerenja. Tome smo se suprotstavili dodavanjem softvera u proizvod koji potiče korisnika da potraži ta odstupanja i ispravi ih.
“Naš pristup je stoga da korisnika učinimo dijelom AI rješenja umjesto da ga predstavljamo kao sustav koji će zamijeniti stručnjaka. Specijalistu pretvaramo u operatera. AI povećava njihove sposobnosti, a stručnjaci ostaju pod kontrolom kontinuiranim podučavanjem i usmjeravanjem AI kako bi naučio više i izvršio ispravke kada se okruženje ili druge varijable mijenjaju. Kao operater, stručnjak je sastavni dio rješenja – podučavanje i obučavanje AI-a posebnim radnjama.”
Kliknite ovdje kako biste vidjeli video s više pojedinosti o pristupu usmjerenom na operatera.