A mesterséges intelligencia termékesítése során számos kihívással találkozhat, mint például az AI-modell alkalmazása folyamatokra vagy emberekre, az adatok és modellek stabilizálása, a modell pontosságának megőrzése változó környezetben és idővel, méretezés és növekedés. vagy bővítse AI-modellje képességeit.
AI beágyazása
Egy sikeres gépi tanulás Proof of Concept (PoC) új algoritmussal való futtatása mindössze 10%-a annak az erőfeszítésnek, amely szükséges a termék előállításához és a tényleges érték megszerzéséhez. A fennmaradó 90% felosztható dolgokra, amelyeket meg kell tennie egy használható termék előállításához, és olyan dolgokra, amelyeket meg kell tennie, hogy hasznos terméket készítsen.
Ahhoz, hogy használható terméket készítsünk, rá kell nagyítani a termék felhasználói számára elérhetővé tételének technikai megvalósítására. Annak érdekében, hogy hasznos legyen, érdemes megfontolni a termék beágyazását egy folyamatba a felhasználók számára. Először is azonban pontosan mi a különbség a PoC és a használható termék között?
Először is, a PoC-k nem gyártásra valók. A termékeknek folyamatosan, bármikor és változó körülmények között kell működniük. A PoC alatt megtalálja a keresett adatokat, készít egy másolatot, majd elkezdi megtisztítani és elemezni. A termelés során az adatforrást valós időben, biztonságosan és biztonságosan kell csatlakoztatni egy adatplatformhoz; az adatfolyamot automatikusan kell manipulálni, és össze kell hasonlítani/kombinálni más adatforrásokkal.
A PoC alatt vagy abban a luxusban élhet, hogy beszélhet leendő felhasználóival, és együttműködhet velük a megoldás megtervezésén, vagy egyáltalán nincsenek felhasználók, és műszaki megoldást tervez. Egy termék esetében vannak olyan felhasználók, akiknek meg kell érteniük a megoldást, és olyan személyek, akik felelősek a műszaki megoldás működéséért. Így egy termék használatához képzésre, GYIK-re és/vagy támogatási vonalra van szükség. Ezenkívül csak egy új verziót kell létrehoznia egy PoC-ban lévő egyetlen felhasználási esetéhez. A termékek frissítéseket igényelnek, és ha a terméket több ügyfél számára is közzétette, szüksége van egy módra, amellyel tesztelheti és üzembe helyezheti a kódot a termeléshez (CI/CD folyamatok).
„Az Itilitynél kifejlesztettük az Itility Data Factory-t és az AI Factory-t, amelyek lefedik minden projektünk építőelemeit és mögöttes platformját. Ez azt jelenti, hogy kezdettől fogva lefedtük a használható szöget, hogy a hasznos szögre tudjunk koncentrálni (ami inkább ügyfél- és használati esetfüggő)” – közölte a cég.
Kártevő-felderítő alkalmazás – a PoC-tól a használható termékig
„A Kártevő-észlelő alkalmazásunk Koncepció bizonyítási fázisa egy olyan modellből állt, amely képes elvégezni azt a szűk feladatot, hogy ragasztócsapdán osztályozza és számolja a legyeket az üvegházhatású csapat tagjai által készített képek alapján. Ha lemaradt egy kép, vagy ha valami elromlott, visszamehettek és készíthetnek egy másikat, vagy közvetlenül kijavíthatják a műszerfalon. Elég sok kézi ellenőrzésre volt szükség.
„A PoC-világunk egyszerű volt, egyetlen eszközön, egyetlen felhasználón és egyetlen ügyfélen alapult. Ahhoz azonban, hogy használható termékké tegyük, több ügyfelet kellett méreteznünk és támogatnunk. Ekkor felmerül a kérdés, hogyan lehet az adatokat elkülöníteni és biztonságosan tartani. Ezenkívül minden egyes ügyfélnek/gépnek beállításra és alapértelmezett konfigurációra van szüksége. Tehát hogyan kell 20 új ügyfelet beállítani/beállítani? Honnan tudhatod, mikor kell adminisztrátori felületet felépíteni és automatizálni a beépítést? 2 ügyfélnél, 20 vagy 200?”
Természetesen felmerülhetnek kérdései, például „hogyan segít a legyek számolása az ügyfelemnek?” Hogyan lehet ebből az információból értéket teremteni? Hogyan lehet döntéseket javasolni és lépéseket tenni? Hogyan illeszkedik ez az AI-alkalmazás az üzleti folyamatba?’. Az első lépés az, hogy módosítsa a referenciakeretet műszaki/adat szempontból a végfelhasználói szemszögre. Ez azt jelenti, hogy folytatni kell a beszélgetést az ügyféllel, és meg kell nézni, hogyan illeszkedik a bevált PoC a napi folyamatokba.
„Hosszabb ideig is szorosan követni kell a folyamatot, be kell kapcsolódni az operatív és taktikai értekezletekbe, hogy valóban megértsük, milyen információk alapján milyen lépések történnek nap mint nap, mennyi időt fordítanak mire, és az érveléseket. bizonyos cselekedetek mögött. Anélkül, hogy megértené, hogyan használják fel a modellből származó információkat az üzleti érték létrehozására, nem juthat el hasznos termékhez.
„A mi esetünkben azt fedeztük fel, hogy milyen információk alapján döntöttek. Például felfedeztük, hogy egyes kártevők számára fontosabb volt a heti trend követése (amihez nincs szükség rendkívül nagy pontosságra), míg mások cselekvést igényelnek a kártevő első jelére (ami azt jelenti, hogy jobb, ha van egy pár hamis pozitív, mint akár csak egy hamis negatív).
„Ráadásul azt is felfedeztük, hogy ügyfelünknek korábban „rossz” tapasztalata volt egy hasonló eszközzel kapcsolatban, azt állítva, hogy olyan pontosságokkal rendelkezik, amelyeket a gyakorlatban nem tud teljesíteni. Miért bíznának a miénkben? Határozottan kezeltük ezt a bizalmi problémát, és a pontosságot és az átláthatóságot a termék fő jellemzőjévé tettük. Ezeket az információkat arra használtuk fel, hogy termékünket hasznossá tegyük azáltal, hogy az alkalmazást a végfelhasználó munkamódszereihez igazítjuk, és növeljük az interakció átláthatóságát, így a felhasználó nagyobb kontrollt biztosít az alkalmazás felett” – folytatja a cég.
Mi a legnagyobb kihívás?
„Légyszámlálási forgatókönyvünk szerint a pontossági pontszámunkról annyit beszélhetünk, amennyit csak akarunk. Ahhoz azonban, hogy hasznos legyen, a felhasználónak (üvegház-szakértőnek) többre van szüksége, mint a százalékokra. Meg kell tapasztalni, és meg kell tanulni bízni benne. A legrosszabb, ami történhet, ha a felhasználók összehasonlítják az Ön eredményeit saját manuális eredményeikkel, és (nagy) eltérés tapasztalható. A hírneved tönkrement, és nincs helye a bizalom visszaszerzésének. Ennek ellensúlyozására olyan szoftvert adtunk a termékhez, amely arra ösztönzi a felhasználót, hogy keresse meg és javítsa ki ezeket az eltéréseket.
„Az a megközelítésünk, hogy a felhasználót az AI-megoldás részévé tegyük, ahelyett, hogy a szakembert leváltó rendszerként mutatnánk be. A szakemberből operátort csinálunk. A mesterséges intelligencia fejleszti képességeiket, és a szakemberek továbbra is irányítják az irányítást azáltal, hogy folyamatosan tanítják és irányítják az MI-t, hogy többet tudjon meg, és korrekciókat hajtson végre, ha a környezet vagy más változók sodródnak. Operátorként a szakember szerves része a megoldásnak – konkrét műveletekkel tanítja és képezi az AI-t.”
Kattints itt hogy nézzen meg egy videót, amely további részleteket tartalmaz a kezelőközpontú megközelítésről.