Під час створення штучного інтелекту ви можете зіткнутися з численними проблемами, наприклад, як застосувати свою модель штучного інтелекту до процесу чи людей, стабілізувати дані та моделі, як підтримувати свою точність у мінливому середовищі та з часом, масштабувати та як рости або розширте можливості вашої моделі ШІ.
Вбудовування ШІ
Запуск успішного підтвердження концепції машинного навчання (PoC) із новим алгоритмом становить лише 10% зусиль, необхідних для його створення та отримання реальної користі від нього. Решту 90% можна розділити на речі, які вам потрібно зробити, щоб створити корисний продукт, і речі, які вам потрібно зробити, щоб зробити корисний продукт.
Щоб зробити продукт придатним для використання, вам потрібно збільшити масштаб технічної реалізації, щоб зробити продукт доступним для ваших користувачів. Щоб зробити його корисним, ви повинні подивитись на вбудовування продукту в процес для користувачів. По-перше, однак, яка саме різниця між PoC і придатним для використання продуктом?
По-перше, PoC не призначені для виробництва. Продукти повинні працювати постійно, будь-коли та за мінливих обставин. Під час PoC ви знаходите дані, які шукаєте, робите копію та починаєте їх очищати й аналізувати. У виробництві ваше джерело даних має бути підключено до платформи даних у режимі реального часу, безпечно та надійно; потоком даних потрібно маніпулювати автоматично та порівнювати/поєднувати з іншими джерелами даних.
Під час вашого PoC ви можете дозволити собі розкіш поговорити зі своїми майбутніми користувачами та працювати з ними над розробкою рішення, або у вас взагалі немає користувачів, і ви розробляєте технічне рішення. Що стосується продукту, у вас є користувачі, які повинні зрозуміти це рішення, і люди, відповідальні за підтримку технічного рішення. Таким чином, продукт потребує навчання, поширених запитань та/або ліній підтримки, щоб його можна було використовувати. Крім того, ви просто створюєте нову версію для свого єдиного варіанту використання в PoC. Продукти потребують оновлень, і коли ви розгорнули свій продукт для кількох клієнтів, вам потрібен спосіб перевірити та розгорнути свій код для виробництва (конвеєри CI/CD).
«У Itility ми розробили наші Itility Data Factory і AI Factory, які охоплюють будівельні блоки та основну платформу для будь-якого з наших проектів. Це означає, що ми з самого початку охоплюємо корисний кут, щоб ми могли зосередитися на корисному куті (який більше залежить від клієнта та сценарію використання)», – заявили в компанії.
Додаток для виявлення шкідників – від PoC до корисного продукту
«Етап перевірки концепції нашого додатка Pest Detection складався з моделі, яка може виконувати вузьке завдання класифікації та підрахунку мух на клейовій пастці на основі зображень, зроблених членами команди теплиць. У випадку, якщо вони пропустили зображення або якщо щось пішло не так, вони могли повернутися та зробити інше або безпосередньо виправити це на інформаційній панелі. Було потрібно багато ручних перевірок.
«Наш PoC-світ був простим, базувався на одному пристрої, одному користувачеві та одному клієнті. Однак, щоб перетворити його на корисний продукт, нам потрібно було масштабувати та підтримувати кількох клієнтів. Тоді постає питання про те, як зберігати дані окремо та безпечно. Крім того, для кожного окремого клієнта/машини потрібні налаштування та конфігурація за замовчуванням. Отже, як налаштувати/налаштувати 20 нових клієнтів? Як дізнатися, коли потрібно створити інтерфейс адміністратора та автоматизувати адаптацію? При 2 клієнтах, 20 чи 200?»
Звичайно, у вас можуть виникнути запитання, наприклад, «як підрахунок мух допомагає моєму клієнту?» Як створити цінність із цієї інформації? Як рекомендувати рішення та вживати заходів? Як ця програма ШІ вписується в бізнес-процес?». Перший крок полягає в тому, щоб змінити систему відліку з технічної точки зору/даних на перспективу кінцевого користувача. Це означає продовжувати розмову зі своїм клієнтом і бачити, як перевірений PoC вписується в щоденні процеси.
«Ви також повинні уважно стежити за процесом протягом більш тривалого періоду часу, вам потрібно приєднатися до оперативно-тактичних зборів, щоб дійсно зрозуміти, які дії вживаються щодня на основі якої інформації, скільки часу витрачається на те, що робити, і міркування за певними діями. Без розуміння того, як інформація з вашої моделі використовується для створення бізнес-цінності, ви не отримаєте корисний продукт.
«У нашому випадку ми виявили, яка інформація використовувалася для прийняття рішень. Наприклад, ми виявили, що для деяких шкідників важливіше дотримуватися тижневої тенденції (для чого вам не потрібна надвисока точність), тоді як інші вимагають дій при перших ознаках шкідника (це означає, що краще мати пару хибнопозитивних результатів, ніж мати навіть один хибнонегативний).
«Крім того, ми виявили, що наш клієнт раніше мав «поганий» досвід роботи з подібним інструментом, стверджуючи, що він не міг забезпечити точність на практиці. Чому вони довіряють нашим? Ми безпосередньо підійшли до проблеми довіри й зробили точність і прозорість ключовими характеристиками продукту. Ми використали цю інформацію, щоб зробити наш продукт корисним, адаптувавши програму до методів роботи кінцевого користувача та підвищивши прозорість у взаємодії, надавши користувачеві більше контролю над програмою», – продовжує компанія.
Що є найбільшим викликом?
«У нашому сценарії підрахунку мух ми можемо говорити про нашу точність, скільки завгодно. Однак, щоб бути корисним, користувачеві (тепличнику) потрібні не лише відсотки. Потрібно пережити це і навчитися довіряти цьому. Найгірше, що може трапитися, це коли ваші користувачі порівнюють ваші результати зі своїми власними ручними результатами та виявляють (велику) розбіжність. Ваша репутація зруйнована, і немає місця для відновлення довіри. Ми протистояли цьому, додавши до продукту програмне забезпечення, яке спонукає користувача шукати ці невідповідності та виправляти їх.
«Таким чином, наш підхід полягає в тому, щоб зробити користувача частиною рішення штучного інтелекту, а не представляти його як систему, яка замінить спеціаліста. Ми перетворюємо фахівця в оператора. ШІ розширює свої здібності, і спеціалісти залишаються під контролем, постійно навчаючи та направляючи ШІ, щоб він дізнавався більше та вносив корективи, коли середовище чи інші змінні змінюються. Як оператор, фахівець є невід’ємною частиною рішення – навчання та навчання ШІ конкретним діям».
Натисніть тут щоб переглянути відео з більш детальною інформацією про підхід, орієнтований на оператора.