By it produktisearjen fan AI binne d'r in protte útdagings dy't jo kinne tsjinkomme, lykas hoe't jo jo AI-model tapasse kinne op in proses as minsken, stabilisearjen fan gegevens en modellen, hoe jo jo model akkuraat kinne hâlde yn feroarjende omjouwings en oer de tiid, skaalfergrutting en hoe te groeien of fergrutsje de mooglikheden fan jo AI-model.
Ynbêde AI
It útfieren fan in suksesfolle masine learen Proof of Concept (PoC) mei in nij algoritme is mar 10% fan 'e ynspanning dy't nedich is om it te produktearjen en der werklike wearde fan te krijen. De oerbleaune 90% kinne wurde ferdield yn dingen dy't jo moatte dwaan om in brûkber produkt te meitsjen en dingen dy't jo moatte dwaan om in nuttich produkt te meitsjen.
Om in brûkber produkt te meitsjen, moatte jo ynzoome op de technyske ymplemintaasje fan it beskikber stellen fan it produkt foar jo brûkers. Om it nuttich te meitsjen, moatte jo sjen nei it ynbêdzjen fan it produkt yn in proses foar de brûkers. Earst, lykwols, wat is krekt it ferskil tusken in PoC en in brûkber produkt?
Alderearst binne PoC's net bedoeld foar produksje. Produkten moatte de hiele tiid, elk momint en ûnder ferskowende omstannichheden wurkje. Tidens jo PoC fine jo de gegevens wêr't jo nei sykje, meitsje in kopy, en begjinne it op te romjen en te analysearjen. Yn produksje moat jo gegevensboarne ferbûn wêze mei in gegevensplatfoarm yn realtime, feilich en feilich; de gegevensstream moat automatysk manipulearre wurde en fergelike mei/kombinearre mei oare gegevensboarnen.
Tidens jo PoC hawwe jo of de lúkse om mei jo takomstige brûkers te praten en mei har te wurkjen om in oplossing te ûntwerpen, of jo hawwe hielendal gjin brûkers, en jo ûntwerpe in technyske oplossing. Foar in produkt hawwe jo brûkers dy't dizze oplossing moatte begripe, en minsken dy't ferantwurdlik binne foar it rinnen fan de technyske oplossing. Sa hat in produkt training, FAQ's en/of stipelinen nedich om it brûkber te wêzen. Fierder meitsje jo gewoan in nije ferzje foar jo iene gebrûk yn in PoC. Produkten fereaskje updates, en as jo jo produkt hawwe útrôle foar meardere klanten, hawwe jo in manier nedich om jo koade te testen en yn te setten foar produksje (CI / CD-pipelines).
"By Itility hawwe wy ús Itility Data Factory en AI Factory ûntwikkele dy't de boublokken en it ûnderlizzende platfoarm foar elk fan ús projekten dekke. Dit betsjut dat wy fan it begjin ôf de brûkbere hoeke hawwe bedekt, sadat wy kinne konsintrearje op 'e nuttige hoeke (dy't mear ôfhinklik is fan klant en gebrûk), "sei it bedriuw.
App foar pestdeteksje - fan PoC oant brûkber produkt
"De Proof of Concept-faze fan ús Pest Detection App bestie út in model dat de smelle taak kin útfiere fan it klassifisearjen en tellen fan miggen op in lijmfal basearre op ôfbyldings makke troch leden fan it glêstúnteam. Yn it gefal dat se in foto miste of as der wat mis gie, koene se weromgean en in oare nimme, of it direkt reparearje yn it dashboard. Hiel wat hânmjittich kontrôles wiene nedich.
"Us PoC-wrâld wie ienfâldich, basearre op ien inkeld apparaat, ien inkele brûker en ien inkelde klant. Om it lykwols ta in brûkber produkt te meitsjen, moasten wy meardere klanten skaalje en stypje. Dan ûntstiet de fraach hoe't jo gegevens skieden en feilich hâlde kinne. Boppedat fereasket elke yndividuele klant / masine in opset en standertkonfiguraasje. Dat, hoe kinne jo 20 nije klanten konfigurearje / ynstelle? Hoe wite jo wannear't jo in admin-ynterface moatte bouwen en onboarding automatisearje? By 2 klanten, 20 of 200?
Fansels kinne jo fragen hawwe, lykas 'hoe helpt it tellen fan miggen myn klant? Hoe kinne jo wearde meitsje fan dizze ynformaasje? Hoe besluten oan te rieden en aksje te nimmen? Hoe past dizze AI-applikaasje yn it saaklike proses?'. Stap ien is om jo referinsjeramt te feroarjen fan in technysk / gegevensperspektyf nei it perspektyf fan ein-brûkers. Dit betsjut it petear mei jo klant troch te gean en te sjen hoe't de bewezen PoC past yn deistige prosessen.
"Jo moatte it proses ek foar in langere perioade nau folgje, jo moatte meidwaan oan operasjonele en taktyske gearkomsten om echt te begripen hokker aksjes elke dei wurde nommen op basis fan hokker ynformaasje, hoefolle tiid wurdt bestege oan wat te dwaan, en de redenearring efter bepaalde aksjes. Sûnder te begripen hoe't de ynformaasje fan jo model wurdt brûkt om saaklike wearde te meitsjen, komme jo net ta in nuttich produkt.
"Yn ús gefal ûntdutsen wy hokker ynformaasje waard brûkt om besluten te nimmen. Wy ûntdutsen bygelyks dat it foar guon pleagen wichtiger wie om de wyklikse trend te folgjen (wêrfoar jo gjin superhege krektens nedich binne), wylst oaren aksje nedich binne by it earste teken fan in pest (wat betsjut dat it better is om in pear te hawwen) fan falske positives dan sels ien falsk negatyf te hawwen).
"Dêrneist ûntdutsen wy dat ús klant earder in 'minne' ûnderfining hie mei in ferlykber ark dat beweart krektens te hawwen dat it yn 'e praktyk net koe leverje. Wêrom soene se ús fertrouwe? Wy namen dit fertrouwenprobleem frontaal en makken krektens en transparânsje in wichtich skaaimerk fan it produkt. Wy brûkten dizze ynformaasje om ús produkt nuttich te meitsjen troch de applikaasje oan te passen oan 'e wurkwizen fan' e ein brûker, en troch it fergrutsjen fan transparânsje yn 'e ynteraksje, wêrtroch't de brûker mear kontrôle oer de applikaasje jout," giet it bedriuw troch.
Wat is de grutste útdaging?
"Yn ús senario foar fly-tellen kinne wy alles wat wy wolle oer ús krektensscore prate. Om nuttich te wêzen hat de brûker (in kassenspesjalist) lykwols mear as persintaazjes nedich. Wat nedich is, is it te belibjen, en it te learen om it te fertrouwen. It slimste dat kin barre is as jo brûkers jo resultaten fergelykje mei har eigen hânresultaten en d'r is in (grutte) diskrepânsje. Jo reputaasje is ferneatige en d'r is gjin romte om fertrouwen werom te winnen. Wy hawwe dit tsjinwurke troch software ta te foegjen oan it produkt dat de brûker stimulearret om nei dy ôfwikingen te sykjen en se te korrigearjen.
"Us oanpak is dus om de brûker diel te meitsjen fan 'e AI-oplossing ynstee fan it te presintearjen as in systeem dat de spesjalist sil ferfange. Wy meitsje de spesjalist in operator. AI fergruttet har kapasiteiten en de spesjalisten bliuwe yn kontrôle troch kontinu te learen en de AI te begelieden om mear te learen en korreksjes te meitsjen as de omjouwing of oare fariabelen drifte. As operator is de spesjalist in yntegraal diel fan 'e oplossing - it learen en oplieden fan de AI mei spesifike aksjes.
Klik hjir om in fideo te sjen mei mear details oer de operator-sintraal oanpak.