En produir IA, hi ha nombrosos reptes que podeu trobar, com ara com aplicar el vostre model d'IA a un procés o persones, estabilitzar dades i models, com mantenir el vostre model precís en entorns canviants i amb el temps, escalar i com créixer. o augmentar les capacitats del vostre model d'IA.
Incrustant IA
L'execució d'una prova de concepte (PoC) d'aprenentatge automàtic amb un nou algorisme és només el 10% de l'esforç necessari per produir-la i obtenir-ne un valor real. El 90% restant es pot dividir en coses que heu de fer per fer un producte útil i coses que heu de fer per fer un producte útil.
Per fer que un producte sigui útil, heu d'ampliar la implementació tècnica de posar el producte a disposició dels vostres usuaris. Perquè sigui útil, hauríeu de mirar d'incorporar el producte en un procés per als usuaris. En primer lloc, però, quina és exactament la diferència entre un PoC i un producte utilitzable?
En primer lloc, els PoC no estan destinats a la producció. Els productes han de funcionar tot el temps, en qualsevol moment i en circumstàncies canviants. Durant el vostre PoC, trobeu les dades que busqueu, feu una còpia i comenceu a netejar-les i analitzar-les. En producció, la vostra font de dades ha d'estar connectada a una plataforma de dades en temps real, de forma segura i segura; el flux de dades s'ha de manipular automàticament i comparar-lo/combinar-lo amb altres fonts de dades.
Durant el vostre PoC, o teniu el luxe de poder parlar amb els vostres futurs usuaris i treballar amb ells per dissenyar una solució, o no teniu cap usuari i esteu dissenyant una solució tècnica. Per a un producte, teniu usuaris que necessiten entendre aquesta solució i persones responsables de mantenir la solució tècnica en funcionament. Per tant, un producte requereix formació, preguntes freqüents i/o línies d'assistència perquè es pugui utilitzar. A més, només creeu una versió nova per al vostre cas d'ús en un PoC. Els productes requereixen actualitzacions i, quan hàgiu llançat el vostre producte per a diversos clients, necessiteu una manera de provar i implementar el vostre codi per a la producció (canvials CI/CD).
"A Itility, hem desenvolupat la nostra Itility Data Factory i AI Factory que cobreixen els blocs de construcció i la plataforma subjacent per a qualsevol dels nostres projectes. Això vol dir que tenim l'angle útil cobert des del principi, de manera que podem centrar-nos en l'angle útil (que depèn més del client i dels casos d'ús) ", va afirmar la companyia.
Aplicació de detecció de plagues: des de PoC fins a producte utilitzable
"La fase de prova de concepte de la nostra aplicació de detecció de plagues va consistir en un model que pot realitzar la tasca limitada de classificar i comptar mosques en una trampa de cola a partir d'imatges preses pels membres de l'equip d'hivernacle. En cas que es perdessin una foto o si alguna cosa va sortir malament, podrien tornar enrere i fer-ne una altra o arreglar-ho directament al tauler. Calien algunes comprovacions manuals.
"El nostre món PoC era senzill, basat en un sol dispositiu, un sol usuari i un sol client. Tanmateix, per convertir-lo en un producte utilitzable, havíem d'escalar i donar suport a diversos clients. Aleshores, sorgeix la qüestió de com mantenir les dades separades i segures. A més, cada client/màquina individual requereix una configuració i una configuració predeterminada. Aleshores, com configurar/configurar 20 clients nous? Com saps quan crear una interfície d'administració i automatitzar la incorporació? Amb 2 clients, 20 o 200?"
Per descomptat, és possible que tingueu preguntes, com ara "com ajuda el comptar les mosques al meu client? Com crear valor a partir d'aquesta informació? Com recomanar decisions i prendre mesures? Com encaixa aquesta aplicació d'IA en el procés empresarial?'. El primer pas és canviar el vostre marc de referència des d'una perspectiva tècnica/de dades a la perspectiva de l'usuari final. Això significa continuar la conversa amb el vostre client i veure com el PoC provat s'adapta als processos diaris.
"També heu de seguir de prop el procés durant un període de temps més llarg, heu d'unir-vos a reunions operatives i tàctiques per entendre realment quines accions es fan cada dia en funció de quina informació, quant de temps es dedica a fer què i el raonament. darrere de determinades accions. Sense entendre com s'utilitza la informació del vostre model per crear valor comercial, no arribareu a un producte útil.
“En el nostre cas, vam descobrir quina informació s'utilitzava per prendre decisions. Per exemple, vam descobrir que per a algunes plagues era més important seguir la tendència setmanal (per a la qual no calen precisions molt altes) mentre que d'altres requereixen acció al primer indici d'una plaga (la qual cosa significa que és millor tenir-ne un parell). de falsos positius que tenir fins i tot un fals negatiu).
"A més, vam descobrir que el nostre client havia tingut anteriorment una "mala" experiència amb una eina similar que afirmava tenir precisions que no podia oferir a la pràctica. Per què confiarien en els nostres? Vam prendre aquest problema de confiança de front i vam fer de la precisió i la transparència una característica clau del producte. Hem utilitzat aquesta informació per fer útil el nostre producte adaptant l'aplicació als mètodes de treball de l'usuari final i augmentant la transparència en la interacció, donant a l'usuari més control sobre l'aplicació”, continua la companyia.
Quin és el repte més gran?
"En el nostre escenari de recompte de mosques, podem parlar de la nostra puntuació de precisió tot el que vulguem. Tanmateix, per ser útil, l'usuari (un especialista en hivernacles) necessita més que percentatges. El que cal és experimentar-ho i aprendre a confiar-hi. El pitjor que pot passar és quan els vostres usuaris comparen els vostres resultats amb els seus propis resultats manuals i hi ha una (gran) discrepància. La teva reputació està arruïnada i no hi ha espai per recuperar la confiança. Vam contrarestar-ho afegint programari al producte que anima l'usuari a buscar aquestes discrepàncies i corregir-les.
“El nostre enfocament és, per tant, fer que l'usuari formi part de la solució d'IA en lloc de presentar-la com un sistema que substituirà l'especialista. Convertim l'especialista en un operador. La IA està augmentant les seves habilitats i els especialistes mantenen el control ensenyant i guiant contínuament l'IA per aprendre més i fer correccions quan l'entorn o altres variables es desplacen. Com a operador, l'especialista és una part integral de la solució: ensenyar i formar la IA amb accions específiques".
feu clic aquí per veure un vídeo amb més detalls sobre l'enfocament centrat en l'operador.