Tehisintellekti tootmisel võib kokku puutuda paljude väljakutsetega, näiteks kuidas rakendada oma AI mudelit protsessidele või inimestele, stabiliseerida andmeid ja mudeleid, kuidas hoida oma mudel muutuvas keskkonnas ja aja jooksul täpne, skaleerimine ja kasvamine. või suurendage oma AI mudeli võimalusi.
AI manustamine
Eduka masinõppe Proof of Concept (PoC) käivitamine uue algoritmiga on vaid 10% pingutusest, mis on vajalik selle produktiseerimiseks ja sellest tegeliku väärtuse saamiseks. Ülejäänud 90% saab jagada asjadeks, mida tuleb teha kasutatava toote valmistamiseks, ja asjadeks, mida tuleb teha kasuliku toote valmistamiseks.
Kasutuskõlbliku toote tegemiseks tuleb suumida sisse toote kasutajatele kättesaadavaks tegemise tehniline teostus. Selle kasulikuks muutmiseks peaksite uurima toote manustamist kasutajate jaoks mõeldud protsessi. Esiteks aga, mis vahe on PoC-l ja kasutataval tootel?
Esiteks pole PoC-d mõeldud tootmiseks. Tooted peavad töötama kogu aeg, igal ajal ja muutuvates tingimustes. PoC ajal leiate otsitavad andmed, teete koopia ning hakkate neid puhastama ja analüüsima. Tootmises peab teie andmeallikas olema reaalajas, turvaliselt ja turvaliselt ühendatud andmeplatvormiga; andmevoogu tuleb automaatselt manipuleerida ja võrrelda/kombineerida teiste andmeallikatega.
PoC ajal on teil luksus võimalus rääkida oma tulevaste kasutajatega ja töötada koos nendega lahenduse väljatöötamisel või teil pole üldse kasutajaid ja te kujundate tehnilist lahendust. Toote puhul on teil kasutajad, kes peavad seda lahendust mõistma, ja inimesed, kes vastutavad tehnilise lahenduse töös hoidmise eest. Seega on toote kasutamiseks vaja koolitust, KKK-d ja/või tugiteenuseid. Lisaks loote PoC-s oma ühe kasutusjuhtumi jaoks uue versiooni. Tooted vajavad värskendusi ja kui olete toote mitme kliendi jaoks välja pakkunud, vajate viisi, kuidas testida ja juurutada oma koodi tootmiseks (CI/CD torujuhtmed).
„Oleme Itilitys välja töötanud Itility Data Factory ja AI Factory, mis katavad meie kõigi projektide ehitusplokid ja aluseks oleva platvormi. See tähendab, et meil on kasutatav nurk algusest peale kaetud, et saaksime keskenduda kasulikule nurgale (mis sõltub rohkem kliendist ja kasutusjuhtumist),“ teatas ettevõte.
Kahjurite tuvastamise rakendus – alates PoC-st kuni kasutatava tooteni
„Meie kahjurite tuvastamise rakenduse kontseptsiooni tõestamise faas koosnes mudelist, mis suudab täita kitsa ülesande – liigitada ja lugeda kärbseid liimpüüduril kasvuhoonemeeskonna liikmete tehtud piltide põhjal. Kui pilt jäi kahe silma vahele või kui midagi läks valesti, võivad nad minna tagasi ja teha uue või parandada selle otse armatuurlaual. Oli vaja päris palju käsitsi kontrollida.
"Meie PoC-maailm oli lihtne, põhinedes ühel seadmel, ühel kasutajal ja ühel kliendil. Kuid selleks, et muuta see kasutatavaks tooteks, pidime mitut klienti laiendama ja toetama. Seejärel tekib küsimus, kuidas hoida andmeid eraldatuna ja turvaliselt. Lisaks vajab iga klient/masin seadistamist ja vaikekonfiguratsiooni. Niisiis, kuidas seadistada/häälestada 20 uut klienti? Kuidas teate, millal luua administraatoriliides ja automatiseerida liitumine? 2 kliendi juures, 20 või 200?”
Muidugi võib teil tekkida küsimusi, näiteks „Kuidas aitab kärbeste loendamine minu klienti? Kuidas selle teabe põhjal väärtust luua? Kuidas soovitada otsuseid ja tegutseda? Kuidas see AI-rakendus äriprotsessi sobib?'. Esimene samm on muuta oma tugiraamistikku tehnilisest/andmete vaatenurgast lõppkasutaja vaatenurgale. See tähendab, et peate oma kliendiga vestlust jätkama ja vaatama, kuidas tõestatud PoC sobib igapäevaste protsessidega.
„Samuti tuleb protsessi pikemat aega tähelepanelikult jälgida, liituda operatiiv- ja taktikaliste koosolekutega, et reaalselt aru saada, millise info põhjal iga päev ette võetakse, kui palju mille tegemiseks aega kulub ja põhjendatakse. teatud tegude taga. Kui te ei mõista, kuidas teie mudelist saadud teavet kasutatakse äriväärtuse loomiseks, ei jõua te kasuliku tooteni.
„Meie puhul avastasime, millist teavet otsuste tegemisel kasutati. Näiteks avastasime, et mõnede kahjurite puhul oli olulisem jälgida iganädalast trendi (mille puhul pole vaja ülikõrget täpsust), samas kui teised nõuavad kahjuri esimeste tunnuste ilmnemisel tegutsemist (mis tähendab, et parem on paar. valepositiivsete tulemustega, kui isegi ühe vale negatiivse tulemuse korral).
"Lisaks avastasime, et meie kliendil oli varem sarnase tööriistaga "halb" kogemus, väites, et tal on täpsusi, mida see praktikas ei suuda pakkuda. Miks nad meie omasid usaldaksid? Võtsime selle usaldusprobleemi otse ette ning muutsime toote põhiomaduseks täpsuse ja läbipaistvuse. Kasutasime seda teavet oma toote kasulikuks muutmiseks, kohandades rakendust lõppkasutaja töömeetoditega ning suurendades interaktsiooni läbipaistvust, andes kasutajale rakenduse üle suurema kontrolli,“ jätkab ettevõte.
Mis on suurim väljakutse?
"Meie kärbselugemise stsenaariumi korral saame oma täpsusskoorist rääkida kõike, mida tahame. Kuid selleks, et olla kasulik, vajab kasutaja (kasvuhoonespetsialist) rohkem kui protsenti. Vaja on seda kogeda ja õppida seda usaldama. Halvim, mis juhtuda võib, on see, kui kasutajad võrdlevad teie tulemusi enda käsitsi tehtud tulemustega ja ilmneb (suur) lahknevus. Teie maine on rikutud ja usalduse taastamiseks pole ruumi. Selle vastu võitlesime, lisades tootele tarkvara, mis julgustab kasutajat neid lahknevusi otsima ja neid parandama.
„Meie lähenemisviis on seega muuta kasutaja AI-lahenduse osaks, selle asemel, et esitleda seda süsteemina, mis asendab spetsialisti. Teeme spetsialistist operaatori. Tehisintellekt suurendab nende võimeid ja spetsialistid jäävad kontrolli alla, õpetades ja juhendades tehisintellekti pidevalt juurde õppima ja parandusi tegema, kui keskkond või muud muutujad triivivad. Spetsialist on operaatorina lahutamatu osa lahendusest – tehisintellekti õpetamine ja koolitamine konkreetsete tegevustega.
Click siin et näha videot operaatorikeskse lähenemise kohta.