عند تحويل الذكاء الاصطناعي إلى منتجات ، هناك العديد من التحديات التي يمكن أن تواجهها ، مثل كيفية تطبيق نموذج الذكاء الاصطناعي الخاص بك على عملية أو أشخاص ، واستقرار البيانات والنماذج ، وكيفية الحفاظ على دقة نموذجك في البيئات المتغيرة ومع مرور الوقت ، والتوسع ، وكيفية النمو أو زيادة قدرات نموذج الذكاء الاصطناعي الخاص بك.
تضمين الذكاء الاصطناعي
إن تشغيل إثبات مفهوم التعلم الآلي الناجح (PoC) باستخدام خوارزمية جديدة لا يمثل سوى 10٪ من الجهد المطلوب لتحويله إلى منتج والحصول على قيمة فعلية منه. يمكن تقسيم الـ 90٪ المتبقية إلى أشياء تحتاج إلى القيام بها لصنع منتج قابل للاستخدام وأشياء تحتاج إلى القيام بها لصنع منتج مفيد.
لجعل منتجًا قابلاً للاستخدام ، تحتاج إلى تكبير التنفيذ الفني لإتاحة المنتج لمستخدميك. لجعله مفيدًا ، يجب أن تنظر في تضمين المنتج في عملية للمستخدمين. أولاً ، ما هو الفرق بالضبط بين PoC والمنتج القابل للاستخدام؟
بادئ ذي بدء ، لا يُقصد بـ PoCs للإنتاج. تحتاج المنتجات إلى العمل طوال الوقت وفي أي وقت وفي ظل ظروف متغيرة. أثناء PoC الخاص بك ، يمكنك العثور على البيانات التي تبحث عنها ، وعمل نسخة ، والبدء في تنظيفها وتحليلها. في الإنتاج ، يجب أن يكون مصدر بياناتك متصلاً بمنصة بيانات في الوقت الفعلي ، وبأمان وأمان ؛ يجب معالجة دفق البيانات تلقائيًا ومقارنته / دمجها مع مصادر البيانات الأخرى.
أثناء PoC الخاص بك ، إما أن تتمتع برفاهية القدرة على التحدث إلى المستخدمين المستقبليين والعمل معهم لتصميم حل ، أو ليس لديك مستخدمون على الإطلاق ، وأنت تصمم حلاً تقنيًا. بالنسبة لمنتج ما ، لديك مستخدمون يحتاجون إلى فهم هذا الحل ، وأشخاص مسؤولون عن استمرار تشغيل الحل التقني. وبالتالي ، يتطلب المنتج تدريبًا و / أو أسئلة وأجوبة و / أو خطوط دعم حتى يكون قابلاً للاستخدام. علاوة على ذلك ، ما عليك سوى إنشاء نسخة جديدة لحالة الاستخدام الخاصة بك في PoC. تتطلب المنتجات تحديثات ، وعندما تقوم بطرح منتجك لعدة عملاء ، فإنك تحتاج إلى طريقة لاختبار ونشر الكود الخاص بك للإنتاج (خطوط أنابيب CI / CD).
"في Itility ، قمنا بتطوير مصنع بيانات Itility ومصنع AI الذي يغطي اللبنات الأساسية والنظام الأساسي لأي من مشاريعنا. وهذا يعني أن الزاوية القابلة للاستخدام مغطاة منذ البداية ، حتى نتمكن من التركيز على الزاوية المفيدة (التي تعتمد على حالة العميل والاستخدام بشكل أكبر) ، "صرحت الشركة.
تطبيق الكشف عن الآفات - من PoC إلى منتج قابل للاستخدام
"تتكون مرحلة إثبات المفهوم لتطبيق اكتشاف الآفات لدينا من نموذج يمكنه أداء المهمة الضيقة المتمثلة في تصنيف وحساب الذباب على مصيدة الغراء استنادًا إلى الصور التي التقطها أعضاء فريق الدفيئة. في حال فاتتهم صورة أو حدث خطأ ما ، يمكنهم العودة والتقاط صورة أخرى أو إصلاحها مباشرة في لوحة القيادة. كانت هناك حاجة إلى بعض الفحوصات اليدوية.
"كان عالم PoC بسيطًا ، يعتمد على جهاز واحد ، ومستخدم واحد ، وعميل واحد. ومع ذلك ، لجعله منتجًا قابلاً للاستخدام ، كنا بحاجة إلى توسيع نطاق العديد من العملاء ودعمهم. بعد ذلك ، يطرح السؤال حول كيفية الحفاظ على البيانات منفصلة وآمنة. علاوة على ذلك ، يتطلب كل عميل / جهاز فردي الإعداد والتكوين الافتراضي. إذن ، كيف يتم تكوين / إعداد 20 عميلًا جديدًا؟ كيف تعرف متى يجب إنشاء واجهة إدارية وأتمتة عملية الإعداد؟ عند اثنين من العملاء ، 2 ، أو 20؟ "
بالطبع ، قد يكون لديك أسئلة ، مثل "كيف يساعد عد الذباب عميلي؟ كيف تخلق قيمة من هذه المعلومات؟ كيف توصي القرارات وتتخذ الإجراءات؟ كيف يتناسب تطبيق AI هذا في عملية الأعمال؟ '. الخطوة الأولى هي تغيير الإطار المرجعي الخاص بك من منظور تقني / بيانات إلى منظور المستخدم النهائي. هذا يعني استمرار المحادثة مع عميلك ومعرفة كيف تتناسب إثباتات إثبات الملكية المثبتة في العمليات اليومية.
"عليك أيضًا متابعة العملية عن كثب لفترة زمنية أطول ، وتحتاج إلى الانضمام إلى الاجتماعات التشغيلية والتكتيكية لكي تفهم حقًا الإجراءات التي يتم اتخاذها كل يوم بناءً على المعلومات ، ومقدار الوقت المستغرق في فعل ما ، والأسباب وراء أفعال معينة. بدون فهم كيفية استخدام المعلومات من النموذج الخاص بك لإنشاء قيمة تجارية ، لن تحصل على منتج مفيد.
"في حالتنا ، اكتشفنا ما هي المعلومات المستخدمة لاتخاذ القرارات. على سبيل المثال ، اكتشفنا أنه بالنسبة لبعض الآفات ، كان من المهم اتباع الاتجاه الأسبوعي (الذي لا تحتاج إلى دقة عالية للغاية بالنسبة له) بينما يتطلب البعض الآخر اتخاذ إجراء عند أول علامة على وجود الآفة (مما يعني أنه من الأفضل أن يكون لديك زوجان من الإيجابيات الكاذبة من أن يكون لديك حتى سلبي واحد خاطئ).
"بالإضافة إلى ذلك ، اكتشفنا أن عملائنا قد مروا سابقًا بتجربة" سيئة "مع أداة مماثلة تدعي أنها تتمتع بالدقة التي لم تستطع تقديمها في الممارسة العملية. لماذا يثقون بنا؟ لقد أخذنا مشكلة الثقة هذه بشكل مباشر وجعلنا الدقة والشفافية سمة أساسية للمنتج. لقد استخدمنا هذه المعلومات لجعل منتجنا مفيدًا من خلال تكييف التطبيق مع أساليب عمل المستخدم النهائي ، ومن خلال زيادة الشفافية في التفاعل ، مما يمنح المستخدم مزيدًا من التحكم في التطبيق "، تتابع الشركة.
ما هو التحدي الأكبر؟
"في سيناريو عد الذباب لدينا ، يمكننا التحدث عن درجات الدقة لدينا كما نريد. ومع ذلك ، لكي تكون مفيدة ، يحتاج المستخدم (أخصائي الدفيئة) إلى أكثر من النسب المئوية. ما نحتاجه هو تجربته وتعلم الثقة به. أسوأ شيء يمكن أن يحدث هو عندما يقارن المستخدمون نتائجك بنتائجهم اليدوية ويوجد تناقض (كبير). لقد دمرت سمعتك ولا مجال لاستعادة الثقة. تصدينا لهذا من خلال إضافة برنامج إلى المنتج يشجع المستخدم على البحث عن تلك التناقضات وتصحيحها.
ومن ثم فإن نهجنا هو جعل المستخدم جزءًا من حل الذكاء الاصطناعي بدلاً من تقديمه كنظام سيحل محل المتخصص. نحول الاختصاصي إلى عامل. يعمل الذكاء الاصطناعي على زيادة قدراتهم ويظل المتخصصون مسيطرين من خلال التدريس المستمر للذكاء الاصطناعي وتوجيهه لمعرفة المزيد وإجراء التصحيحات عندما تنجرف البيئة أو المتغيرات الأخرى. كمشغل ، يعد الاختصاصي جزءًا لا يتجزأ من الحل - تعليم الذكاء الاصطناعي وتدريبه بإجراءات محددة. "
انقر هنا لمشاهدة مقطع فيديو يحتوي على مزيد من التفاصيل حول النهج المتمحور حول المشغل.