Sa paggawa ng AI, maraming hamon ang maaari mong maranasan, gaya ng kung paano ilapat ang iyong modelo ng AI sa isang proseso o mga tao, pag-stabilize ng data at mga modelo, kung paano panatilihing tumpak ang iyong modelo sa pagbabago ng mga kapaligiran at sa paglipas ng panahon, pag-scale, at kung paano lumago o dagdagan ang mga kakayahan ng iyong modelo ng AI.
Pag-embed ng AI
Ang pagpapatakbo ng matagumpay na machine learning na Proof of Concept (PoC) na may bagong algorithm ay 10% lang ng pagsisikap na kinakailangan para magawa ito at makakuha ng aktwal na halaga mula rito. Ang natitirang 90% ay maaaring hatiin sa mga bagay na kailangan mong gawin upang makagawa ng isang magagamit na produkto at mga bagay na kailangan mong gawin upang makagawa ng isang kapaki-pakinabang na produkto.
Upang makagawa ng isang magagamit na produkto, kailangan mong mag-zoom in sa teknikal na pagpapatupad ng paggawa ng produkto na magagamit sa iyong mga user. Upang gawin itong kapaki-pakinabang, dapat mong tingnan ang pag-embed ng produkto sa isang proseso para sa mga gumagamit. Una, gayunpaman, ano nga ba ang pagkakaiba sa pagitan ng isang PoC at isang magagamit na produkto?
Una sa lahat, ang mga PoC ay hindi para sa produksyon. Kailangang gumana ang mga produkto sa lahat ng oras, anumang oras, at sa ilalim ng nagbabagong mga pangyayari. Sa panahon ng iyong PoC, makikita mo ang data na iyong hinahanap, gumawa ng isang kopya, at simulan itong linisin at pag-aralan ito. Sa produksyon, ang iyong data source ay dapat na konektado sa isang data platform sa real-time, ligtas, at secure; kailangang awtomatikong manipulahin ang stream ng data at ikumpara sa/pagsamahin sa iba pang pinagmumulan ng data.
Sa panahon ng iyong PoC, maaari kang magkaroon ng karangyaan na makausap ang iyong mga user sa hinaharap at makipagtulungan sa kanila upang magdisenyo ng solusyon, o wala ka talagang user, at nagdidisenyo ka ng teknikal na solusyon. Para sa isang produkto, mayroon kang mga user na kailangang maunawaan ang solusyong iyon, at mga taong responsable sa pagpapanatiling tumatakbo ang teknikal na solusyon. Kaya, ang isang produkto ay nangangailangan ng pagsasanay, mga FAQ, at/o mga linya ng suporta para ito ay magamit. Higit pa rito, gagawa ka lang ng bagong bersyon para sa iyong isang use case sa isang PoC. Nangangailangan ang mga produkto ng mga update, at kapag nailunsad mo na ang iyong produkto para sa maraming customer, kailangan mo ng paraan upang subukan at i-deploy ang iyong code para sa produksyon (CI/CD pipelines).
“Sa Itility, binuo namin ang aming Itility Data Factory at AI Factory na sumasaklaw sa mga building block at pinagbabatayan na platform para sa alinman sa aming mga proyekto. Nangangahulugan ito na nasasakop na natin ang nagagamit na anggulo mula sa simula, para makapag-focus tayo sa kapaki-pakinabang na anggulo (na higit na umaasa sa customer at use case dependent),” pahayag ng kumpanya.
Pest detection app – mula PoC hanggang sa magagamit na produkto
"Ang yugto ng Proof of Concept ng aming Pest Detection App ay binubuo ng isang modelo na maaaring magsagawa ng makitid na gawain ng pag-uuri at pagbilang ng mga langaw sa isang glue trap batay sa mga larawang kinunan ng mga miyembro ng greenhouse team. Kung sakaling napalampas nila ang isang larawan o kung may nangyaring mali, maaari silang bumalik at kumuha ng isa pa, o direktang ayusin ito sa dashboard. Napakaraming manu-manong pagsusuri ang kailangan.
"Ang aming PoC-world ay simple, batay sa isang solong device, isang solong user, at isang solong customer. Gayunpaman, para maging isang magagamit na produkto, kailangan naming sukatin at suportahan ang maraming customer. Pagkatapos, ang tanong kung paano panatilihing hiwalay at secure ang data ay lumitaw. Bukod dito, ang bawat indibidwal na customer/machine ay nangangailangan ng setup at default na configuration. Kaya, paano i-configure/i-set up ang 20 bagong customer? Paano mo malalaman kung kailan bubuo ng admin interface at i-automate ang onboarding? Sa 2 customer, 20, o 200?"
Siyempre, maaaring mayroon kang mga tanong, gaya ng 'paano nakakatulong ang pagbibilang ng langaw sa aking customer? Paano lumikha ng halaga mula sa impormasyong ito? Paano magrekomenda ng mga desisyon at gumawa ng aksyon? Paano nababagay ang AI application na ito sa proseso ng negosyo?'. Ang unang hakbang ay baguhin ang iyong frame of reference mula sa teknikal/data na pananaw patungo sa end-user na pananaw. Nangangahulugan ito na ipagpatuloy ang pakikipag-usap sa iyong customer at makita kung paano umaangkop ang napatunayang PoC sa mga pang-araw-araw na proseso.
"Kailangan mo ring maingat na sundin ang proseso para sa mas mahabang panahon, kailangan mong sumali sa mga operational at tactical na pagpupulong upang talagang maunawaan kung ano ang mga aksyon na ginagawa araw-araw batay sa kung aling impormasyon, kung gaano karaming oras ang ginugol sa paggawa ng ano, at ang pangangatwiran. sa likod ng ilang mga aksyon. Nang walang pag-unawa kung paano ginagamit ang impormasyon mula sa iyong modelo upang lumikha ng halaga ng negosyo, hindi ka makakarating sa isang kapaki-pakinabang na produkto.
"Sa aming kaso, natuklasan namin kung anong impormasyon ang ginamit upang gumawa ng mga desisyon. Halimbawa, natuklasan namin na para sa ilang mga peste ay mas mahalaga na sundin ang lingguhang trend (kung saan hindi mo kailangan ng napakataas na katumpakan) habang ang iba ay nangangailangan ng aksyon sa unang palatandaan ng isang peste (na nangangahulugang mas mahusay na magkaroon ng mag-asawa ng mga maling positibo kaysa magkaroon ng kahit isang maling negatibo).
“Bukod dito, natuklasan namin na ang aming customer ay nagkaroon dati ng 'masamang' karanasan sa isang katulad na tool na nagsasabing may mga katumpakan na hindi nito maihahatid sa pagsasanay. Bakit sila magtitiwala sa atin? Isinasaalang-alang namin ang problema sa tiwala na ito at ginawang pangunahing tampok ng produkto ang katumpakan at transparency. Ginamit namin ang impormasyong ito upang gawing kapaki-pakinabang ang aming produkto sa pamamagitan ng pag-angkop sa application sa mga paraan ng pagtatrabaho ng end user, at sa pamamagitan ng pagpapataas ng transparency sa pakikipag-ugnayan, na nagbibigay sa user ng higit na kontrol sa application," patuloy ng kumpanya.
Ano ang pinakamalaking hamon?
"Sa aming senaryo sa pagbibilang ng fly, maaari naming pag-usapan ang aming katumpakan na marka sa lahat ng gusto namin. Gayunpaman, upang maging kapaki-pakinabang, ang user (isang greenhouse specialist) ay nangangailangan ng higit sa porsyento. Ang kailangan ay maranasan ito, at matutong magtiwala dito. Ang pinakamasamang bagay na maaaring mangyari ay kapag inihambing ng iyong mga user ang iyong mga resulta sa kanilang sariling mga manu-manong resulta at mayroong (malaking) pagkakaiba. Ang iyong reputasyon ay nasira at walang puwang upang mabawi ang tiwala. Tinutulan namin ito sa pamamagitan ng pagdaragdag ng software sa produkto na naghihikayat sa user na hanapin ang mga pagkakaibang iyon at itama ang mga ito.
"Kaya ang aming diskarte ay gawing bahagi ang gumagamit ng solusyon sa AI sa halip na ipakita ito bilang isang sistema na papalit sa espesyalista. Ginagawa naming operator ang espesyalista. Ang AI ay nagpapalaki ng kanilang mga kakayahan at ang mga espesyalista ay nananatiling may kontrol sa pamamagitan ng patuloy na pagtuturo at paggabay sa AI upang matuto nang higit pa at gumawa ng mga pagwawasto kapag ang kapaligiran o iba pang mga variable ay naaanod. Bilang isang operator, ang espesyalista ay isang mahalagang bahagi ng solusyon - pagtuturo at pagsasanay sa AI na may mga partikular na aksyon."
I-click ang dito para makakita ng video na may higit pang mga detalye sa operator-centric na diskarte.