AI արտադրելիս կան բազմաթիվ մարտահրավերներ, որոնց կարող եք հանդիպել, օրինակ՝ ինչպես կիրառել ձեր AI մոդելը գործընթացի կամ մարդկանց վրա, կայունացնելով տվյալները և մոդելները, ինչպես պահպանել ձեր մոդելը ճշգրիտ փոփոխվող միջավայրերում և ժամանակի ընթացքում, մասշտաբելը և ինչպես աճել: կամ ավելացնել ձեր AI մոդելի հնարավորությունները:
AI-ի ներդրում
Հաջողակ մեքենայական ուսուցման Proof of Concept (PoC) ուսուցումը նոր ալգորիթմով գործարկելը կազմում է այն արտադրելու և դրանից իրական արժեք ստանալու համար պահանջվող ջանքերի միայն 10%-ը: Մնացած 90%-ը կարելի է բաժանել այն բաների, որոնք դուք պետք է անեք օգտագործելի արտադրանք պատրաստելու համար և այն բաների, որոնք դուք պետք է անեք օգտակար արտադրանք պատրաստելու համար:
Օգտագործելի արտադրանք պատրաստելու համար դուք պետք է մեծացնեք արտադրանքը ձեր օգտատերերին հասանելի դարձնելու տեխնիկական իրագործումը: Այն օգտակար դարձնելու համար դուք պետք է նայեք արտադրանքը օգտագործողների գործընթացում ներառելուն: Նախ, այնուամենայնիվ, ո՞րն է տարբերությունը PoC-ի և օգտագործելի արտադրանքի միջև:
Նախ, PoC-ները նախատեսված չեն արտադրության համար: Ապրանքները պետք է աշխատեն անընդհատ, ցանկացած ժամանակ և փոփոխվող հանգամանքներում: Ձեր PoC-ի ընթացքում դուք գտնում եք այն տվյալները, որոնք փնտրում եք, պատճենում եք այն և սկսում մաքրել և վերլուծել դրանք: Արտադրության ժամանակ ձեր տվյալների աղբյուրը պետք է միացված լինի տվյալների հարթակին իրական ժամանակում, ապահով և ապահով կերպով. տվյալների հոսքը պետք է ավտոմատ կերպով կառավարվի և համեմատվի/համակցվի տվյալների այլ աղբյուրների հետ:
Ձեր PoC-ի ընթացքում դուք կա՛մ շքեղություն ունեք՝ խոսելու ձեր ապագա օգտատերերի հետ և աշխատել նրանց հետ՝ լուծում նախագծելու համար, կա՛մ ընդհանրապես օգտվողներ չունեք, և դուք տեխնիկական լուծում եք նախագծում: Ապրանքի համար դուք ունեք օգտատերեր, որոնք պետք է հասկանան այդ լուծումը, և մարդիկ, ովքեր պատասխանատու են տեխնիկական լուծումը գործարկելու համար: Այսպիսով, արտադրանքը օգտագործելի լինելու համար պահանջում է ուսուցում, ՀՏՀ և/կամ աջակցության գծեր: Ավելին, դուք պարզապես ստեղծում եք նոր տարբերակ ձեր մեկ օգտագործման դեպքի համար PoC-ում: Ապրանքները պահանջում են թարմացումներ, և երբ դուք թողարկեք ձեր արտադրանքը մի քանի հաճախորդների համար, ձեզ անհրաժեշտ է միջոց՝ փորձարկելու և տեղակայելու ձեր կոդը արտադրության համար (CI/CD խողովակաշարեր):
«Itility-ում մենք մշակել ենք մեր Itility Data Factory-ը և AI Factory-ը, որոնք ծածկում են մեր ցանկացած նախագծի շինարարական բլոկները և հիմքում ընկած հարթակը: Սա նշանակում է, որ մենք օգտագործելի անկյունը ծածկված ենք ի սկզբանե, որպեսզի կարողանանք կենտրոնանալ օգտակար անկյան վրա (որն ավելի շատ կախված է հաճախորդից և գործածական դեպքերից)»,- հայտարարել են ընկերությունից։
Վնասատուների հայտնաբերման հավելված՝ PoC-ից մինչև օգտագործելի արտադրանք
«Վնասատուների հայտնաբերման մեր հավելվածի Proof of Concept փուլը բաղկացած էր մի մոդելից, որը կարող է կատարել սոսնձի թակարդի վրա ճանճերի դասակարգման և հաշվման նեղ առաջադրանքը՝ հիմնված ջերմոցային թիմի անդամների նկարների վրա: Այն դեպքում, երբ նրանք բաց են թողել նկարը կամ ինչ-որ բան սխալ է տեղի ունեցել, նրանք կարող են վերադառնալ և լուսանկարել մեկ ուրիշը կամ ուղղակիորեն ուղղել այն վահանակի վրա: Բավականին ձեռքով ստուգումներ էին անհրաժեշտ։
«Մեր PoC-աշխարհը պարզ էր՝ հիմնված մեկ սարքի, մեկ օգտագործողի և մեկ հաճախորդի վրա: Այնուամենայնիվ, այն օգտագործելի արտադրանք դարձնելու համար մեզ անհրաժեշտ էր մեծացնել և աջակցել բազմաթիվ հաճախորդների: Այնուհետև հարց է առաջանում, թե ինչպես պահպանել տվյալները առանձնացված և անվտանգ: Ավելին, յուրաքանչյուր առանձին հաճախորդ/մեքենա պահանջում է կարգավորում և լռելյայն կոնֆիգուրացիա: Այսպիսով, ինչպե՞ս կարգավորել/ստեղծել 20 նոր հաճախորդ: Ինչպե՞ս գիտեք, թե երբ պետք է ստեղծել ադմինիստրատորի միջերես և ավտոմատացնել ներբեռնումը: 2 հաճախորդների մոտ՝ 20, թե՞ 200»։
Իհարկե, դուք կարող եք հարցեր ունենալ, օրինակ՝ «ինչպե՞ս է ճանճերի հաշվումն օգնում իմ հաճախորդին: Ինչպե՞ս արժեք ստեղծել այս տեղեկատվությունից: Ինչպե՞ս խորհուրդ տալ որոշումներ կայացնել և քայլեր ձեռնարկել: Ինչպե՞ս է այս AI հավելվածը տեղավորվում բիզնես գործընթացում»: Քայլ առաջինը ձեր հղման շրջանակը տեխնիկական/տվյալների տեսանկյունից փոխելն է վերջնական օգտագործողի տեսանկյունից: Սա նշանակում է շարունակել զրույցը ձեր հաճախորդի հետ և տեսնել, թե ինչպես է ապացուցված PoC-ն տեղավորվում ամենօրյա գործընթացներում:
«Դուք նաև պետք է ուշադիր հետևեք գործընթացին ավելի երկար ժամանակով, դուք պետք է միանաք օպերատիվ և մարտավարական հանդիպումներին, որպեսզի իսկապես հասկանաք, թե ինչ գործողություններ են ձեռնարկվում ամեն օր, ինչ տեղեկատվության հիման վրա, որքան ժամանակ է ծախսվում ինչ անելու վրա և հիմնավորումը: որոշակի գործողությունների հետևում. Առանց հասկանալու, թե ինչպես է օգտագործվում ձեր մոդելի տեղեկատվությունը բիզնեսի արժեք ստեղծելու համար, դուք չեք հասնի օգտակար ապրանքի:
«Մեր դեպքում մենք պարզեցինք, թե ինչ տեղեկատվություն է օգտագործվել որոշումներ կայացնելու համար։ Օրինակ, մենք հայտնաբերեցինք, որ որոշ վնասատուների համար ավելի կարևոր է հետևել շաբաթական միտումին (որի համար գերբարձր ճշգրտության կարիք չկա), մինչդեռ մյուսները պահանջում են գործողություն վնասատուի առաջին նշաններում (ինչը նշանակում է, որ ավելի լավ է ունենալ զույգ: կեղծ դրական, քան թեկուզ մեկ կեղծ բացասական):
«Բացի այդ, մենք հայտնաբերեցինք, որ մեր հաճախորդը նախկինում ունեցել է «վատ» փորձ նմանատիպ գործիքի հետ՝ պնդելով, որ ունի ճշգրտություններ, որոնք գործնականում չեն կարող մատուցել: Ինչո՞ւ են նրանք վստահում մերոնց: Մենք վստահության այս խնդիրը ընկալեցինք և ճշգրտությունն ու թափանցիկությունը դարձրինք արտադրանքի հիմնական հատկանիշը: Մենք օգտագործեցինք այս տեղեկատվությունը մեր արտադրանքը օգտակար դարձնելու համար՝ հավելվածը հարմարեցնելով վերջնական օգտագործողի աշխատանքային մեթոդներին և մեծացնելով փոխազդեցության թափանցիկությունը՝ օգտվողին ավելի շատ վերահսկողություն տալով հավելվածի նկատմամբ»,- շարունակում է ընկերությունը:
Ո՞րն է ամենամեծ մարտահրավերը:
«Ճանճերի հաշվման մեր սցենարում մենք կարող ենք խոսել մեր ճշտության գնահատականի մասին այն ամենի մասին, ինչ ցանկանում ենք: Այնուամենայնիվ, օգտակար լինելու համար օգտագործողին (ջերմոցային տնտեսության մասնագետին) պետք է ավելի քան տոկոսներ։ Անհրաժեշտ է զգալ այն և սովորել վստահել դրան: Ամենավատ բանը, որ կարող է պատահել, այն է, երբ ձեր օգտատերերը ձեր արդյունքները համեմատում են սեփական ձեռքով արդյունքների հետ, և կա (մեծ) անհամապատասխանություն: Ձեր հեղինակությունը կործանված է, և վստահությունը վերականգնելու տեղ չկա։ Մենք հակազդեցինք դրան՝ արտադրանքին ծրագրակազմ ավելացնելով, որը խրախուսում է օգտվողին փնտրել այդ անհամապատասխանությունները և ուղղել դրանք:
«Այսպիսով, մեր մոտեցումն է օգտատիրոջը դարձնել արհեստական ինտելեկտի լուծման մաս՝ այն ներկայացնելու փոխարեն որպես մասնագետին փոխարինող համակարգ: Մասնագետին դարձնում ենք օպերատոր։ AI-ն մեծացնում է նրանց կարողությունները, և մասնագետները շարունակում են վերահսկել՝ շարունակաբար ուսուցանելով և ուղղորդելով AI-ին՝ ավելին իմանալու և շտկելու համար, երբ շրջակա միջավայրը կամ այլ փոփոխականները շեղվում են: Որպես օպերատոր՝ մասնագետը լուծման անբաժանելի մասն է՝ ուսուցանելով և ուսուցանելով AI-ն կոնկրետ գործողություններով»:
Սեղմել այստեղ օպերատորակենտրոն մոտեցման վերաբերյալ ավելի շատ մանրամասներով տեսանյութ դիտելու համար: