Når du produserer AI, er det mange utfordringer du kan møte, for eksempel hvordan du bruker AI-modellen din på en prosess eller mennesker, stabilisering av data og modeller, hvordan du holder modellen nøyaktig i skiftende miljøer og over tid, skalering og hvordan vokse eller utvide funksjonene til AI-modellen din.
Innebygging av AI
Å kjøre en vellykket maskinlæring Proof of Concept (PoC) med en ny algoritme er bare 10 % av innsatsen som kreves for å produsere den og få faktisk verdi fra den. De resterende 90% kan deles inn i ting du må gjøre for å lage et brukbart produkt og ting du må gjøre for å lage et nyttig produkt.
For å lage et brukbart produkt må du zoome inn på den tekniske implementeringen av å gjøre produktet tilgjengelig for brukerne dine. For å gjøre det nyttig, bør du se på å bygge inn produktet i en prosess for brukerne. For det første, hva er egentlig forskjellen mellom en PoC og et brukbart produkt?
For det første er ikke PoC-er ment for produksjon. Produktene må fungere hele tiden, når som helst og under skiftende omstendigheter. Under din PoC finner du dataene du leter etter, lager en kopi og begynner å rydde opp og analysere dem. I produksjon må datakilden din være koblet til en dataplattform i sanntid, trygt og sikkert; datastrømmen må manipuleres automatisk og sammenlignes med/kombinert med andre datakilder.
Under din PoC har du enten luksusen av å kunne snakke med dine fremtidige brukere og jobbe med dem for å designe en løsning, eller du har ingen brukere i det hele tatt, og du designer en teknisk løsning. For et produkt har du brukere som trenger å forstå den løsningen, og personer som er ansvarlige for å holde den tekniske løsningen i gang. Et produkt krever derfor opplæring, vanlige spørsmål og/eller støttelinjer for at det skal være brukbart. Videre oppretter du bare en ny versjon for din ene brukssak i en PoC. Produkter krever oppdateringer, og når du har rullet ut produktet for flere kunder, trenger du en måte å teste og distribuere koden for produksjon (CI/CD-pipelines).
«Hos Itility har vi utviklet vår Itility Data Factory og AI Factory som dekker byggeklossene og den underliggende plattformen for alle våre prosjekter. Dette betyr at vi har dekket den brukbare vinkelen fra starten, slik at vi kan fokusere på den nyttige vinkelen (som er mer kunde- og bruksavhengig)», uttalte selskapet.
Skadedyrdeteksjonsapp – fra PoC til brukbart produkt
«Proof of Concept-fasen av skadedyrdeteksjonsappen vår besto av en modell som kan utføre den smale oppgaven med å klassifisere og telle fluer på en limfelle basert på bilder tatt av medlemmer av drivhusteamet. I tilfelle de gikk glipp av et bilde eller hvis noe gikk galt, kunne de gå tilbake og ta et nytt, eller fikse det direkte i dashbordet. Det var behov for en del manuelle kontroller.
"Vår PoC-verden var enkel, basert på én enkelt enhet, én enkelt bruker og én enkelt kunde. Men for å gjøre det til et brukbart produkt, trengte vi å skalere og støtte flere kunder. Deretter oppstår spørsmålet om hvordan å holde data atskilt og sikre. I tillegg krever hver enkelt kunde/maskin et oppsett og standardkonfigurasjon. Så, hvordan konfigurere/konfigurere 20 nye kunder? Hvordan vet du når du skal bygge et administrasjonsgrensesnitt og automatisere onboarding? Hos 2 kunder, 20 eller 200?»
Selvfølgelig kan du ha spørsmål, for eksempel 'hvordan hjelper det å telle fluer kunden min? Hvordan skape verdi fra denne informasjonen? Hvordan anbefale beslutninger og iverksette tiltak? Hvordan passer denne AI-applikasjonen inn i forretningsprosessen?'. Trinn én er å endre referanserammen fra et teknisk/dataperspektiv til sluttbrukerperspektivet. Dette betyr å fortsette samtalen med kunden din og se hvordan den velprøvde PoC-en passer inn i daglige prosesser.
«Du må også følge prosessen nøye over lengre tid, du må delta på operasjonelle og taktiske møter for å virkelig forstå hvilke handlinger som tas hver dag basert på hvilken informasjon, hvor mye tid som brukes på å gjøre hva, og resonnementet bak visse handlinger. Uten å forstå hvordan informasjonen fra modellen din brukes til å skape forretningsverdi, kommer du ikke til et nyttig produkt.
«I vårt tilfelle oppdaget vi hvilken informasjon som ble brukt til å ta avgjørelser. For eksempel oppdaget vi at for noen skadedyr var det viktigere å følge den ukentlige trenden (som du ikke trenger superhøy nøyaktighet for), mens andre krever handling ved første tegn på et skadedyr (som betyr at det er bedre å ha et par av falske positive enn å ha én falsk negativ).
«I tillegg oppdaget vi at kunden vår tidligere hadde en «dårlig» erfaring med et lignende verktøy som hevdet å ha nøyaktigheter det ikke kunne levere i praksis. Hvorfor skulle de stole på vår? Vi tok dette tillitsproblemet på strak arm og gjorde nøyaktighet og gjennomsiktighet til en nøkkelfunksjon ved produktet. Vi brukte denne informasjonen til å gjøre produktet vårt nyttig ved å tilpasse applikasjonen til sluttbrukerens arbeidsmetoder, og ved å øke transparensen i interaksjonen, noe som gir brukeren mer kontroll over applikasjonen», fortsetter selskapet.
Hva er den største utfordringen?
"I scenariet vårt med flueteller kan vi snakke om nøyaktighetsscore så mye vi vil. Men for å være nyttig trenger brukeren (en drivhusspesialist) mer enn prosenter. Det som trengs er å oppleve det, og lære å stole på det. Det verste som kan skje er når brukerne dine sammenligner resultatene dine med sine egne manuelle resultater og det er et (stort) avvik. Ditt rykte er ødelagt og det er ikke rom for å gjenvinne tilliten. Vi motvirket dette ved å legge til programvare i produktet som oppmuntrer brukeren til å se etter disse avvikene og rette dem.
«Vår tilnærming er altså å gjøre brukeren til en del av AI-løsningen i stedet for å presentere den som et system som skal erstatte spesialisten. Vi gjør spesialisten til en operatør. AI øker sine evner, og spesialistene forblir i kontroll ved å kontinuerlig lære og veilede AI for å lære mer og foreta korrigeringer når miljøet eller andre variabler driver. Som operatør er spesialisten en integrert del av løsningen – undervisning og opplæring av AI med spesifikke handlinger.»
Klikk her. for å se en video med flere detaljer om den operatørsentriske tilnærmingen.