При создании ИИ вы можете столкнуться с многочисленными проблемами, такими как применение вашей модели ИИ к процессу или людям, стабилизация данных и моделей, как поддерживать точность вашей модели в меняющихся средах и с течением времени, масштабирование и как расти. или расширьте возможности своей модели искусственного интеллекта.
Встраивание AI
Успешное выполнение Proof of Concept (PoC) машинного обучения с новым алгоритмом - это всего лишь 10% усилий, необходимых для его разработки и получения от него реальной ценности. Остальные 90% можно разделить на то, что вам нужно сделать, чтобы сделать полезный продукт, и что вам нужно сделать, чтобы сделать полезный продукт.
Чтобы сделать продукт пригодным для использования, вам нужно увеличить техническую реализацию, чтобы сделать продукт доступным для ваших пользователей. Чтобы сделать его полезным, вам следует подумать о встраивании продукта в процесс для пользователей. Однако во-первых, в чем именно разница между PoC и полезным продуктом?
Во-первых, PoC не предназначены для производства. Продукты должны работать постоянно, в любое время и в меняющихся обстоятельствах. Во время PoC вы находите данные, которые ищете, делаете копию и начинаете их очищать и анализировать. В производственной среде ваш источник данных должен быть подключен к платформе данных в режиме реального времени, безопасно и надежно; потоком данных необходимо управлять автоматически и сравнивать / объединять с другими источниками данных.
Во время PoC вы либо имеете возможность поговорить со своими будущими пользователями и работать с ними над разработкой решения, либо у вас вообще нет пользователей, и вы разрабатываете техническое решение. Что касается продукта, у вас есть пользователи, которые должны понимать это решение, и люди, ответственные за поддержание работоспособности технического решения. Таким образом, для использования продукта требуется обучение, ответы на часто задаваемые вопросы и / или линия поддержки. Кроме того, вы просто создаете новую версию для своего единственного варианта использования в PoC. Для продуктов требуются обновления, и когда вы развернули свой продукт для нескольких клиентов, вам нужен способ тестирования и развертывания кода для производства (конвейеры CI / CD).
«В Itility мы разработали наши фабрики данных Itility и AI Factory, которые охватывают строительные блоки и базовую платформу для любого из наших проектов. Это означает, что мы с самого начала охватываем полезный угол, так что мы можем сосредоточиться на полезном угле (который больше зависит от клиента и варианта использования) », - заявили в компании.
Приложение для обнаружения вредителей - от PoC до полезного продукта
«Фаза подтверждения концепции нашего приложения для обнаружения вредителей состояла из модели, которая может выполнять узкую задачу по классификации и подсчету мух на клеевой ловушке на основе изображений, сделанных членами тепличной бригады. В случае, если они пропустили изображение или что-то пошло не так, они могли вернуться и сделать еще один или исправить его прямо на приборной панели. Требовалось довольно много ручных проверок.
«Наш мир PoC был простым, основанным на одном устройстве, одном пользователе и одном клиенте. Однако, чтобы превратить его в полезный продукт, нам нужно было масштабировать и поддерживать нескольких клиентов. Затем возникает вопрос, как хранить данные разделенными и безопасными. Более того, для каждого отдельного клиента / машины требуется настройка и конфигурация по умолчанию. Итак, как настроить / настроить 20 новых клиентов? Как узнать, когда нужно создать интерфейс администратора и автоматизировать адаптацию? 2 покупателя, 20 или 200? »
Конечно, у вас могут возникнуть вопросы, например: «Как подсчет мух помогает моему покупателю?» Как извлечь пользу из этой информации? Как рекомендовать решения и действовать? Как это приложение AI вписывается в бизнес-процесс? ». Шаг первый - изменить вашу систему взглядов с точки зрения технических / данных на точку зрения конечного пользователя. Это означает продолжение разговора с вашим клиентом и наблюдение за тем, как проверенный PoC вписывается в повседневные процессы.
«Вы также должны внимательно следить за процессом в течение более длительного периода времени, вам необходимо участвовать в оперативных и тактических совещаниях, чтобы действительно понимать, какие действия предпринимаются каждый день на основе какой информации, сколько времени тратится на то, чтобы что делать, и обоснования. за определенными действиями. Без понимания того, как информация из вашей модели используется для создания ценности для бизнеса, вы не получите полезный продукт.
«В нашем случае мы обнаружили, какая информация использовалась для принятия решений. Например, мы обнаружили, что для некоторых вредителей было более важно следовать еженедельной тенденции (для которой вам не нужна сверхвысокая точность), в то время как для других необходимо действовать при первых признаках вредителя (что означает, что лучше иметь пару ложных срабатываний, чем иметь хотя бы один ложноотрицательный результат).
«Кроме того, мы обнаружили, что у нашего клиента ранее был« плохой »опыт работы с подобным инструментом, утверждающим, что он обладает точностью, которую он не может обеспечить на практике. Почему они доверяют нашему? Мы решительно взяли на себя эту проблему доверия и сделали точность и прозрачность ключевыми характеристиками нашего продукта. Мы использовали эту информацию, чтобы сделать наш продукт полезным, адаптируя приложение к методам работы конечного пользователя и увеличивая прозрачность взаимодействия, давая пользователю больший контроль над приложением », - продолжает компания.
Какая самая большая проблема?
«В нашем сценарии подсчета мух мы можем говорить о нашей точности сколько угодно. Однако, чтобы быть полезным, пользователю (специалисту по теплице) нужно больше, чем проценты. Что нужно, так это испытать это и научиться доверять этому. Худшее, что может случиться, - это когда ваши пользователи сравнивают ваши результаты со своими собственными результатами, полученными вручную, и возникает (большое) расхождение. Ваша репутация испорчена, и нет места, чтобы восстановить доверие. Мы противодействовали этому, добавив к продукту программное обеспечение, которое побуждает пользователя искать эти несоответствия и исправлять их.
«Таким образом, наш подход состоит в том, чтобы сделать пользователя частью решения AI, а не представлять его как систему, которая заменит специалиста. Превращаем специалиста в оператора. Искусственный интеллект расширяет свои возможности, и специалисты продолжают контролировать ситуацию, непрерывно обучая и направляя ИИ, чтобы он узнал больше и вносил исправления, когда окружающая среда или другие переменные дрейфуют. Как оператор, специалист является неотъемлемой частью решения - обучения ИИ конкретным действиям ».
Нажмите здесь чтобы посмотреть видео с более подробной информацией о подходе, ориентированном на оператора.