ხელოვნური ინტელექტის წარმოებისას, უამრავი გამოწვევა შეიძლება შეხვდეთ, მაგალითად, როგორ გამოიყენოთ თქვენი AI მოდელი პროცესზე ან ადამიანებზე, მონაცემთა და მოდელების სტაბილიზაცია, როგორ შეინახოთ თქვენი მოდელი ზუსტი გარემოში და დროთა განმავლობაში, მასშტაბირება და როგორ გაიზარდოს. ან გაზარდეთ თქვენი AI მოდელის შესაძლებლობები.
AI-ს ჩაშენება
წარმატებული მანქანური სწავლების Proof of Concept (PoC) გაშვება ახალი ალგორითმით არის ძალისხმევის მხოლოდ 10%, რომელიც საჭიროა მისი პროდუქტიულობისთვის და მისგან რეალური ღირებულების მისაღებად. დარჩენილი 90% შეიძლება დაიყოს საკითხებად, რაც უნდა გააკეთოთ გამოსაყენებელი პროდუქტის შესაქმნელად და რა უნდა გააკეთოთ სასარგებლო პროდუქტის შესაქმნელად.
გამოსაყენებელი პროდუქტის გასაკეთებლად, თქვენ უნდა გაზარდოთ ტექნიკური განხორციელება, რათა პროდუქტი ხელმისაწვდომი გახდეს თქვენი მომხმარებლებისთვის. იმისათვის, რომ ის სასარგებლო იყოს, თქვენ უნდა შეხედოთ პროდუქტის ჩართვის პროცესს მომხმარებლებისთვის. თუმცა, პირველ რიგში, რა განსხვავებაა PoC-სა და გამოსაყენებელ პროდუქტს შორის?
პირველ რიგში, PoC არ არის განკუთვნილი წარმოებისთვის. პროდუქტებმა უნდა იმუშაონ მუდმივად, ნებისმიერ დროს და ცვალებად პირობებში. თქვენი PoC-ის დროს თქვენ იპოვით მონაცემებს, რომლებსაც ეძებთ, აკეთებთ ასლს და იწყებთ მის გაწმენდას და ანალიზს. წარმოებისას, თქვენი მონაცემთა წყარო უნდა იყოს დაკავშირებული მონაცემთა პლატფორმასთან რეალურ დროში, უსაფრთხოდ და უსაფრთხოდ; მონაცემთა ნაკადი ავტომატურად უნდა იყოს მანიპულირებული და შედარება/შედარება სხვა მონაცემთა წყაროებთან.
თქვენი PoC-ის დროს, თქვენ ან გაქვთ იმის ფუფუნება, რომ შეძლოთ ისაუბროთ თქვენს მომავალ მომხმარებლებთან და იმუშაოთ მათთან გადაწყვეტის შესაქმნელად, ან საერთოდ არ გყავთ მომხმარებლები და თქვენ ქმნით ტექნიკურ გადაწყვეტას. პროდუქტისთვის, თქვენ გყავთ მომხმარებლები, რომლებმაც უნდა გაიგონ ეს გადაწყვეტა და ადამიანები, რომლებიც პასუხისმგებელნი არიან ტექნიკური გადაწყვეტის გაშვებაზე. ამდენად, პროდუქტი საჭიროებს ტრენინგს, ხშირად დასმულ კითხვებს და/ან დამხმარე ხაზებს, რომ ის გამოსაყენებელი იყოს. გარდა ამისა, თქვენ უბრალოდ ქმნით ახალ ვერსიას თქვენი ერთჯერადი გამოყენების შემთხვევაში PoC-ში. პროდუქტები საჭიროებს განახლებებს და როდესაც თქვენ გაავრცელებთ თქვენს პროდუქტს რამდენიმე მომხმარებლისთვის, გჭირდებათ გზა, რომ შეამოწმოთ და განათავსოთ თქვენი კოდი წარმოებისთვის (CI/CD მილსადენები).
„Itility-ში ჩვენ შევიმუშავეთ ჩვენი Itility Data Factory და AI Factory, რომლებიც ფარავს სამშენებლო ბლოკებს და საფუძველს პლატფორმას ჩვენი ნებისმიერი პროექტისთვის. ეს ნიშნავს, რომ ჩვენ თავიდანვე დაფარული გვაქვს გამოსაყენებელი კუთხე, რათა ფოკუსირება მოვახდინოთ სასარგებლო კუთხეზე (რომელიც უფრო მომხმარებელზე და გამოყენების შემთხვევაზეა დამოკიდებული)“, - აცხადებენ კომპანიაში.
მავნებლების გამოვლენის აპლიკაცია – PoC-დან გამოსაყენებელ პროდუქტამდე
”ჩვენი მავნებლების გამოვლენის აპლიკაციის კონცეფციის მტკიცების ეტაპი შედგებოდა მოდელისგან, რომელსაც შეუძლია შეასრულოს ბუზების კლასიფიკაცია და დათვლა წებოს ხაფანგზე, სათბურის გუნდის წევრების მიერ გადაღებული სურათების საფუძველზე. იმ შემთხვევაში, თუ ისინი გამოტოვებდნენ სურათს ან თუ რამე არასწორედ მოხდა, მათ შეეძლოთ დაბრუნდნენ და გადაეღოთ სხვა, ან პირდაპირ დააფიქსირონ ის დაფაზე. საჭირო იყო საკმაოდ ხელით შემოწმება.
„ჩვენი PoC-სამყარო მარტივი იყო, დაფუძნებული ერთ მოწყობილობაზე, ერთ მომხმარებელზე და ერთ კლიენტზე. თუმცა, გამოსაყენებლად გამოსადეგ პროდუქტად რომ ვაქციოთ, გვჭირდებოდა მრავალრიცხოვანი მომხმარებლის მასშტაბირება და მხარდაჭერა. შემდეგ ჩნდება კითხვა, თუ როგორ შევინარჩუნოთ მონაცემები განცალკევებული და დაცული. უფრო მეტიც, თითოეული ინდივიდუალური მომხმარებელი/მანქანა მოითხოვს დაყენებას და ნაგულისხმევ კონფიგურაციას. მაშ, როგორ დავაკონფიგურიროთ/დააყენოთ 20 ახალი მომხმარებელი? როგორ იცით, როდის უნდა ააწყოთ ადმინისტრატორის ინტერფეისი და ჩართოთ ავტომატიზაცია? 2 მომხმარებელზე, 20 თუ 200?”
რა თქმა უნდა, შეიძლება გაგიჩნდეთ კითხვები, როგორიცაა „როგორ ეხმარება ბუზების დათვლა ჩემს მომხმარებელს? როგორ შევქმნათ ღირებულება ამ ინფორმაციისგან? როგორ გავუწიოთ რეკომენდაცია გადაწყვეტილებებს და მივიღოთ ზომები? როგორ ჯდება ეს AI აპლიკაცია ბიზნეს პროცესში?'. პირველი ნაბიჯი არის თქვენი საცნობარო ჩარჩოს შეცვლა ტექნიკური/მონაცემთა პერსპექტივიდან საბოლოო მომხმარებლის პერსპექტივით. ეს ნიშნავს, რომ გააგრძელოთ საუბარი თქვენს მომხმარებელთან და ნახოთ, როგორ ჯდება დადასტურებული PoC ყოველდღიურ პროცესებში.
„თქვენ ასევე უნდა ადევნოთ თვალყური პროცესს უფრო დიდი ხნის განმავლობაში, თქვენ უნდა შეუერთდეთ ოპერატიულ და ტაქტიკურ შეხვედრებს, რათა რეალურად გაიგოთ, რა ქმედებები კეთდება ყოველდღე, რომელ ინფორმაციაზე დაყრდნობით, რა დროს იხარჯება რის გაკეთებაზე და მსჯელობაზე. გარკვეული ქმედებების უკან. იმის გაგების გარეშე, თუ როგორ გამოიყენება თქვენი მოდელის ინფორმაცია ბიზნეს ღირებულების შესაქმნელად, თქვენ ვერ მიიღებთ სასარგებლო პროდუქტს.
„ჩვენს შემთხვევაში აღმოვაჩინეთ, თუ რა ინფორმაცია იყო გამოყენებული გადაწყვეტილების მისაღებად. მაგალითად, ჩვენ აღმოვაჩინეთ, რომ ზოგიერთი მავნებლისთვის უფრო მნიშვნელოვანი იყო ყოველკვირეული ტენდენციის დაცვა (რისთვისაც არ გჭირდებათ სუპერ მაღალი სიზუსტე), ხოლო სხვები საჭიროებენ მოქმედებას მავნებლის პირველი ნიშნით (რაც ნიშნავს, რომ ჯობია წყვილის ყოლა. ცრუ დადებითი, ვიდრე თუნდაც ერთი ცრუ უარყოფითი).
„გარდა ამისა, ჩვენ აღმოვაჩინეთ, რომ ჩვენს მომხმარებელს ადრე ჰქონდა „ცუდი“ გამოცდილება მსგავსი ხელსაწყოსთან დაკავშირებით, რომელიც ამტკიცებდა, რომ ჰქონდა სიზუსტე, რომლის მიწოდება პრაქტიკაში არ შეიძლებოდა. რატომ ენდობიან ჩვენსას? ჩვენ ეს ნდობის პრობლემა პირდაპირ მივიღეთ და სიზუსტე და გამჭვირვალობა პროდუქტის მთავარ მახასიათებელად ვაქციეთ. ჩვენ გამოვიყენეთ ეს ინფორმაცია ჩვენი პროდუქტის გამოსაყენებლად, აპლიკაციის საბოლოო მომხმარებლის მუშაობის მეთოდებთან ადაპტირებით და ურთიერთქმედების გამჭვირვალობის გაზრდით, რაც მომხმარებელს უფრო მეტ კონტროლს აძლევს აპლიკაციას“, - განაგრძობს კომპანია.
რა არის ყველაზე დიდი გამოწვევა?
”ჩვენს ბუზების დათვლის სცენარში, ჩვენ შეგვიძლია ვისაუბროთ ჩვენი სიზუსტის ქულაზე, რაც გვინდა. თუმცა, სასარგებლო რომ იყოს, მომხმარებელს (სათბურის სპეციალისტს) პროცენტებზე მეტი სჭირდება. ის, რაც საჭიროა, არის ის, რომ განიცადო ეს და ისწავლო მისი ნდობა. ყველაზე უარესი, რაც შეიძლება მოხდეს, არის, როდესაც თქვენი მომხმარებლები შეადარებენ თქვენს შედეგებს საკუთარ სახელმძღვანელო შედეგებს და არის (დიდი) შეუსაბამობა. თქვენი რეპუტაცია განადგურებულია და ნდობის აღდგენის ადგილი არ არის. ჩვენ ამას დავუპირისპირდით პროდუქტში პროგრამული უზრუნველყოფის დამატების საშუალებით, რომელიც მოუწოდებს მომხმარებელს მოძებნოს ეს შეუსაბამობები და გამოასწოროს ისინი.
„ჩვენი მიდგომა არის ის, რომ მომხმარებელი გავხადოთ ხელოვნური ინტელექტის გადაწყვეტის ნაწილი, იმის ნაცვლად, რომ წარმოვადგინოთ ის სისტემად, რომელიც ჩაანაცვლებს სპეციალისტს. სპეციალისტს ოპერატორად ვაქცევთ. ხელოვნური ინტელექტი აძლიერებს მათ შესაძლებლობებს და სპეციალისტები ინარჩუნებენ კონტროლს, მუდმივად ასწავლიან და ხელმძღვანელობენ AI-ს, რათა შეიტყონ მეტი და შეიტანონ კორექტივები, როდესაც გარემო ან სხვა ცვლადები იცვლება. როგორც ოპერატორი, სპეციალისტი არის გადაწყვეტის განუყოფელი ნაწილი - ასწავლის და ასწავლის AI-ს კონკრეტული ქმედებებით.
დაწკაპეთ აქ დაწკაპუნებით ვიდეოს სანახავად მეტი დეტალებით ოპერატორზე ორიენტირებული მიდგომის შესახებ.