Podczas tworzenia sztucznej inteligencji możesz napotkać wiele wyzwań, takich jak zastosowanie modelu sztucznej inteligencji do procesu lub ludzi, stabilizacja danych i modeli, zachowanie dokładności modelu w zmieniających się środowiskach i w czasie, skalowanie i rozwój lub rozszerz możliwości swojego modelu AI.
Osadzanie AI
Skuteczne przeprowadzenie weryfikacji koncepcji uczenia maszynowego (PoC) z nowym algorytmem to tylko 10% wysiłku wymaganego do jego wytworzenia i uzyskania z niego rzeczywistej wartości. Pozostałe 90% można podzielić na rzeczy, które musisz zrobić, aby stworzyć użyteczny produkt i rzeczy, które musisz zrobić, aby stworzyć użyteczny produkt.
Aby stworzyć produkt użyteczny, musisz przybliżyć techniczną implementację udostępniania produktu Twoim użytkownikom. Aby był użyteczny, powinieneś przyjrzeć się osadzeniu produktu w procesie dla użytkowników. Najpierw jednak, jaka dokładnie jest różnica między PoC a produktem użytkowym?
Przede wszystkim PoC nie są przeznaczone do produkcji. Produkty muszą działać przez cały czas, o każdej porze iw zmieniających się okolicznościach. Podczas PoC znajdujesz dane, których szukasz, tworzysz kopię i zaczynasz je porządkować i analizować. W środowisku produkcyjnym Twoje źródło danych musi być połączone z platformą danych w czasie rzeczywistym, bezpiecznie i pewnie; strumień danych musi być automatycznie manipulowany i porównywany/łączony z innymi źródłami danych.
Podczas swojego PoC albo masz luksus, że możesz porozmawiać z przyszłymi użytkownikami i współpracować z nimi w celu zaprojektowania rozwiązania, albo w ogóle nie masz użytkowników i projektujesz rozwiązanie techniczne. W przypadku produktu masz użytkowników, którzy muszą zrozumieć to rozwiązanie, oraz osoby odpowiedzialne za utrzymanie działania rozwiązania technicznego. W związku z tym produkt wymaga szkolenia, odpowiedzi na często zadawane pytania i/lub linii wsparcia, aby mógł być używany. Co więcej, po prostu tworzysz nową wersję dla jednego przypadku użycia w PoC. Produkty wymagają aktualizacji, a po wdrożeniu produktu dla wielu klientów potrzebujesz sposobu na testowanie i wdrażanie kodu w środowisku produkcyjnym (potoki CI/CD).
„W Itility opracowaliśmy naszą Itility Data Factory i AI Factory, które obejmują elementy konstrukcyjne i platformę bazową dla każdego z naszych projektów. Oznacza to, że od samego początku mamy zajęty kąt użyteczny, dzięki czemu możemy skupić się na kącie użytecznym (który jest bardziej zależny od klienta i przypadku użycia)” – stwierdziła firma.
Aplikacja do wykrywania szkodników – od PoC do produktu użytkowego
„Faza Proof of Concept naszej aplikacji do wykrywania szkodników obejmowała model, który może wykonać wąskie zadanie klasyfikowania i liczenia much na pułapce klejowej na podstawie zdjęć wykonanych przez członków zespołu szklarniowego. Jeśli przegapili zdjęcie lub coś poszło nie tak, mogli wrócić i zrobić kolejne lub bezpośrednio naprawić to w desce rozdzielczej. Potrzebne były pewne ręczne kontrole.
„Nasz świat PoC był prosty, oparty na jednym urządzeniu, jednym użytkowniku i jednym kliencie. Jednak, aby stał się produktem użytecznym, musieliśmy skalować i wspierać wielu klientów. Następnie pojawia się pytanie, jak zachować separację i bezpieczeństwo danych. Co więcej, każdy indywidualny klient/maszyna wymaga ustawienia i konfiguracji domyślnej. Jak więc skonfigurować/ustawić 20 nowych klientów? Skąd wiesz, kiedy zbudować interfejs administratora i zautomatyzować onboarding? Przy 2 klientach, 20 czy 200?”
Oczywiście możesz mieć pytania, takie jak „w jaki sposób liczenie much pomaga mojemu klientowi? Jak stworzyć wartość z tych informacji? Jak rekomendować decyzje i podejmować działania? Jak ta aplikacja AI wpisuje się w proces biznesowy?”. Pierwszym krokiem jest zmiana punktu odniesienia z perspektywy technicznej/danych na perspektywę użytkownika końcowego. Oznacza to kontynuację rozmowy z klientem i sprawdzenie, jak sprawdzony PoC pasuje do codziennych procesów.
„Musisz także uważnie śledzić proces przez dłuższy czas, musisz dołączyć do spotkań operacyjnych i taktycznych, aby naprawdę zrozumieć, jakie działania są podejmowane każdego dnia w oparciu o jakie informacje, ile czasu poświęca się na robienie i jakie to rozumowanie za pewnymi działaniami. Bez zrozumienia, w jaki sposób informacje z Twojego modelu są wykorzystywane do tworzenia wartości biznesowej, nie dostaniesz się do użytecznego produktu.
„W naszym przypadku odkryliśmy, jakie informacje zostały wykorzystane do podjęcia decyzji. Na przykład odkryliśmy, że w przypadku niektórych szkodników ważniejsze było śledzenie trendu tygodniowego (dla którego nie jest wymagana bardzo wysoka dokładność), podczas gdy inne wymagają działania przy pierwszych oznakach szkodnika (co oznacza, że lepiej mieć kilka fałszywie pozytywnych niż mieć choć jeden fałszywie negatywny).
„Ponadto odkryliśmy, że nasz klient miał wcześniej „złe” doświadczenia z podobnym narzędziem, twierdząc, że ma dokładność, której nie jest w stanie zapewnić w praktyce. Dlaczego mieliby ufać naszym? Zajęliśmy się tym problemem zaufania i uczyniliśmy z dokładności i przejrzystości kluczową cechę produktu. Wykorzystaliśmy te informacje, aby nasz produkt był użyteczny, dostosowując aplikację do metod pracy użytkownika końcowego oraz zwiększając przejrzystość interakcji, dając użytkownikowi większą kontrolę nad aplikacją” – kontynuuje firma.
Co jest największym wyzwaniem?
„W naszym scenariuszu liczenia much możemy mówić o naszym wyniku dokładności, ile tylko chcemy. Jednak, aby być użytecznym, użytkownik (specjalista szklarniowy) potrzebuje więcej niż procenty. Trzeba tego doświadczyć i nauczyć się jej ufać. Najgorsze, co może się zdarzyć, to porównanie Twoich wyników przez użytkowników z własnymi wynikami ręcznymi i wystąpienie (dużej) rozbieżności. Twoja reputacja jest zrujnowana i nie ma miejsca na odzyskanie zaufania. Przeciwdziałaliśmy temu, dodając do produktu oprogramowanie, które zachęca użytkownika do szukania tych rozbieżności i ich poprawiania.
„Nasze podejście polega więc na tym, aby użytkownik był częścią rozwiązania AI, zamiast przedstawiać go jako system, który ma zastąpić specjalistę. Zamieniamy specjalistę w operatora. Sztuczna inteligencja zwiększa swoje umiejętności, a specjaliści zachowują kontrolę, stale ucząc i prowadząc sztuczną inteligencję, aby dowiedzieć się więcej i wprowadzić poprawki, gdy środowisko lub inne zmienne ulegają zmianie. Jako operator specjalista jest integralną częścią rozwiązania – ucząc i szkoląc sztuczną inteligencję za pomocą konkretnych działań.”
Kliknij tutaj aby zobaczyć film z bardziej szczegółowymi informacjami na temat podejścia zorientowanego na operatora.