Ao producir a IA, hai numerosos desafíos que podes atopar, como como aplicar o teu modelo de IA a un proceso ou persoas, estabilizar datos e modelos, como manter o teu modelo preciso en ambientes cambiantes e co paso do tempo, escalado e como crecer. ou aumentar as capacidades do seu modelo de IA.
Incorporación de IA
Executar unha proba de concepto (PoC) exitosa de aprendizaxe automática cun novo algoritmo é só o 10 % do esforzo necesario para producilo e obter o valor real dela. O 90 % restante pódese dividir en cousas que debes facer para facer un produto utilizable e cousas que debes facer para facer un produto útil.
Para facer un produto utilizable, cómpre ampliar a implementación técnica de poñer o produto a disposición dos seus usuarios. Para que sexa útil, debes buscar incorporar o produto nun proceso para os usuarios. En primeiro lugar, con todo, cal é exactamente a diferenza entre un PoC e un produto utilizable?
En primeiro lugar, os PoC non están destinados á produción. Os produtos deben funcionar todo o tempo, en calquera momento e en circunstancias cambiantes. Durante o teu PoC, atopas os datos que buscas, fai unha copia e comeza a limpalos e analizalos. Na produción, a súa fonte de datos debe estar conectada a unha plataforma de datos en tempo real, de forma segura e segura; o fluxo de datos ten que ser manipulado automaticamente e comparado/combinado con outras fontes de datos.
Durante o teu PoC, ou tes o luxo de poder falar cos teus futuros usuarios e traballar con eles para deseñar unha solución, ou non tes ningún usuario e estás deseñando unha solución técnica. Para un produto, ten usuarios que precisan entender esa solución e persoas responsables de manter a solución técnica en funcionamento. Así, un produto require formación, preguntas frecuentes e/ou liñas de soporte para que sexa utilizable. Ademais, só tes que crear unha nova versión para o teu único caso de uso nun PoC. Os produtos requiren actualizacións e, cando lanzaches o teu produto a varios clientes, necesitas un xeito de probar e implementar o teu código para a produción (canalizacións CI/CD).
"En Itility, desenvolvemos a nosa Itility Data Factory e a AI Factory que abarcan os bloques de construción e a plataforma subxacente para calquera dos nosos proxectos. Isto significa que temos o ángulo útil cuberto desde o principio, para que poidamos centrarnos no ángulo útil (que depende máis do cliente e do caso de uso)", indicou a empresa.
Aplicación de detección de pragas: desde PoC ata produto utilizable
"A fase de proba de concepto da nosa aplicación de detección de pragas consistiu nun modelo que pode realizar a estreita tarefa de clasificar e contar moscas nunha trampa de cola a partir de imaxes tomadas polos membros do equipo do invernadoiro. No caso de que perderan unha foto ou se algo saíu mal, podían volver e sacar outra, ou solucionalo directamente no panel de control. Necesitaban bastantes comprobacións manuais.
"O noso mundo PoC era sinxelo, baseado nun único dispositivo, un único usuario e un único cliente. Non obstante, para convertelo nun produto utilizable, necesitabamos escalar e dar soporte a varios clientes. Entón, xorde a cuestión de como manter os datos separados e seguros. Ademais, cada cliente/máquina individual require unha configuración e unha configuración predeterminada. Entón, como configurar/configurar 20 novos clientes? Como sabes cando crear unha interface de administración e automatizar a incorporación? En 2 clientes, 20 ou 200?
Por suposto, pode ter preguntas, como "como axuda a contar moscas ao meu cliente? Como crear valor a partir desta información? Como recomendar decisións e tomar medidas? Como encaixa esta aplicación de IA no proceso empresarial?'. O primeiro paso é cambiar o marco de referencia desde a perspectiva técnica/datos á perspectiva do usuario final. Isto significa continuar a conversación co teu cliente e ver como encaixa o PoC comprobado nos procesos diarios.
"Tamén tes que seguir de cerca o proceso durante un período de tempo máis longo, tes que unirte ás reunións operativas e tácticas para comprender realmente que accións se toman todos os días en función de que información, canto tempo se dedica a facer que e o razoamento. detrás de determinadas accións. Sen comprender como se usa a información do seu modelo para crear valor comercial, non chegará a un produto útil.
“No noso caso, descubrimos que información se utilizaba para tomar decisións. Por exemplo, descubrimos que para algunhas pragas era máis importante seguir a tendencia semanal (para o que non se precisan precisións súper altas) mentres que outras requiren acción ao primeiro sinal dunha praga (o que significa que é mellor ter unha parella). de falsos positivos que ter sequera un falso negativo).
"Ademais, descubrimos que o noso cliente tiña previamente unha experiencia 'mala' cunha ferramenta similar que afirmaba ter unha precisión que non podía ofrecer na práctica. Por que confiarían no noso? Tomamos este problema de confianza de frente e convertemos a precisión e a transparencia nunha característica fundamental do produto. Usamos esta información para facer útil o noso produto adaptando a aplicación aos métodos de traballo do usuario final e aumentando a transparencia na interacción, dándolle ao usuario máis control sobre a aplicación”, continúa a compañía.
Cal é o maior reto?
"No noso escenario de conta de moscas, podemos falar da nosa puntuación de precisión todo o que queiramos. Non obstante, para ser útil, o usuario (un especialista en invernadoiros) necesita máis que porcentaxes. O que se necesita é experimentalo, e aprender a confiar nel. O peor que pode pasar é cando os teus usuarios comparan os teus resultados cos seus propios resultados manuais e hai unha (gran) discrepancia. A túa reputación está arruinada e non hai espazo para recuperar a confianza. Contrarrestamos isto engadindo ao produto un software que anima ao usuario a buscar esas discrepancias e corrixilas.
"O noso enfoque é así facer que o usuario forme parte da solución de IA en lugar de presentala como un sistema que vai substituír ao especialista. Convertemos ao especialista en operario. A IA está a aumentar as súas habilidades e os especialistas mantéñense no control ensinando e guiando continuamente a IA para aprender máis e facer correccións cando o ambiente ou outras variables se desvían. Como operador, o especialista é parte integrante da solución: ensinando e adestrando a IA con accións específicas".
prema aquí para ver un vídeo con máis detalles sobre o enfoque centrado no operador.