Когато произвеждате AI, има много предизвикателства, които можете да срещнете, като например как да приложите своя AI модел към процес или хора, стабилизиране на данни и модели, как да поддържате модела си точен в променяща се среда и с течение на времето, мащабиране и как да се разраства или увеличете възможностите на вашия AI модел.
Вграждане на AI
Изпълнението на успешно доказателство за концепция за машинно обучение (PoC) с нов алгоритъм е само 10% от усилията, необходими за неговото производство и получаване на реална стойност от него. Останалите 90% могат да бъдат разделени на неща, които трябва да направите, за да направите използваем продукт и неща, които трябва да направите, за да направите полезен продукт.
За да направите използваем продукт, трябва да увеличите техническото изпълнение на предоставянето на продукта за вашите потребители. За да го направите полезен, трябва да разгледате вграждането на продукта в процес за потребителите. Първо, обаче, каква точно е разликата между PoC и използваем продукт?
На първо място, PoC не са предназначени за производство. Продуктите трябва да работят през цялото време, по всяко време и при променливи обстоятелства. По време на вашата PoC намирате данните, които търсите, правите копие и започвате да ги почиствате и анализирате. В производството вашият източник на данни трябва да бъде свързан към платформа за данни в реално време, безопасно и сигурно; потокът от данни трябва да се манипулира автоматично и да се сравнява/комбинира с други източници на данни.
По време на вашата PoC или имате лукса да можете да говорите с бъдещите си потребители и да работите с тях, за да проектирате решение, или изобщо нямате потребители и проектирате техническо решение. За продукт имате потребители, които трябва да разберат това решение, и хора, отговорни за поддържането на техническото решение да работи. По този начин продуктът изисква обучение, често задавани въпроси и/или линии за поддръжка, за да бъде използваем. Освен това, вие просто създавате нова версия за вашия един случай на употреба в PoC. Продуктите изискват актуализации и когато сте внедрили продукта си за множество клиенти, имате нужда от начин да тествате и разгръщате кода си за производство (CI/CD конвейери).
„В Itility ние разработихме нашата фабрика за данни на Itility и AI Factory, които покриват градивните елементи и основната платформа за всеки от нашите проекти. Това означава, че имаме използваем ъгъл, покрит от самото начало, така че да можем да се съсредоточим върху полезния ъгъл (който зависи повече от клиента и случая на употреба)“, заявиха от компанията.
Приложение за откриване на вредители – от PoC до използваем продукт
„Фазата на доказване на концепцията на нашето приложение за откриване на вредители се състоеше от модел, който може да изпълнява тясната задача за класифициране и преброяване на мухите върху капан за лепило въз основа на изображения, направени от членове на екипа на оранжерии. В случай, че са пропуснали снимка или ако нещо се обърка, те могат да се върнат и да направят друга или директно да я поправят в таблото. Бяха необходими доста ръчни проверки.
„Нашият PoC свят беше прост, базиран на едно-единствено устройство, един-единствен потребител и един-единствен клиент. Въпреки това, за да го превърнем в използваем продукт, трябваше да мащабираме и поддържаме множество клиенти. Тогава възниква въпросът как да запазим данните разделени и защитени. Освен това всеки отделен клиент/машина изисква настройка и конфигурация по подразбиране. И така, как да конфигурирате/настроите 20 нови клиенти? Как да разберете кога да изградите администраторски интерфейс и да автоматизирате въвеждането? При 2 клиента, 20 или 200?
Разбира се, може да имате въпроси, като например „как преброяването на мухи помага на моя клиент? Как да създадем стойност от тази информация? Как да препоръчваме решения и да предприемаме действия? Как се вписва това приложение за изкуствен интелект в бизнес процеса?'. Първа стъпка е да промените вашата референтна рамка от гледна точка на техническата/данните към гледната точка на крайния потребител. Това означава да продължите разговора с вашия клиент и да видите как доказаният PoC се вписва в ежедневните процеси.
„Също така трябва да следите отблизо процеса за по-дълъг период от време, трябва да се присъедините към оперативни и тактически срещи, за да разберете наистина какви действия се предприемат всеки ден въз основа на каква информация, колко време се отделя за правене на какво и разсъжденията зад определени действия. Без да разберете как информацията от вашия модел се използва за създаване на бизнес стойност, няма да стигнете до полезен продукт.
„В нашия случай открихме каква информация е била използвана за вземане на решения. Например, открихме, че за някои вредители е по-важно да се следва седмичната тенденция (за която не се нуждаете от супер висока точност), докато други изискват действие при първите признаци на вредител (което означава, че е по-добре да имате двойка на фалшиво положителни, отколкото да има дори един фалшиво отрицателен).
„Освен това открихме, че нашият клиент преди това е имал „лош“ опит с подобен инструмент, твърдейки, че има точност, който не може да осигури на практика. Защо да вярват на нашите? Приехме този проблем с доверието директно и направихме точността и прозрачността ключова характеристика на продукта. Използвахме тази информация, за да направим нашия продукт полезен, като адаптирахме приложението към работните методи на крайния потребител и като увеличихме прозрачността във взаимодействието, давайки на потребителя повече контрол върху приложението“, продължават от компанията.
Кое е най-голямото предизвикателство?
„В нашия сценарий за броене на мухи можем да говорим за нашия резултат за точност, колкото искаме. Въпреки това, за да бъде полезен, потребителят (специалист на оранжерии) се нуждае от повече от проценти. Това, което е необходимо, е да го изживеете и да се научите да му вярвате. Най-лошото нещо, което може да се случи, е, когато вашите потребители сравняват вашите резултати със собствените си ръчни резултати и има (голямо) несъответствие. Репутацията ви е съсипана и няма място да си върнете доверието. Ние противодействахме на това, като добавихме софтуер към продукта, който насърчава потребителя да търси тези несъответствия и да ги коригира.
„По този начин нашият подход е да направим потребителя част от AI решението, вместо да го представяме като система, която ще замени специалиста. Превръщаме специалиста в оператор. AI увеличава техните способности и специалистите продължават да контролират, като непрекъснато обучават и насочват AI да научи повече и да прави корекции, когато средата или други променливи се променят. Като оператор, специалистът е неразделна част от решението – обучение и обучение на AI с конкретни действия.”
Кликнете тук за да видите видеоклип с повече подробности относно подхода, ориентиран към оператора.