Tekoälyn tuotteistamisessa voit kohdata lukuisia haasteita, kuten tekoälymallin soveltaminen prosessiin tai ihmisiin, tietojen ja mallien vakauttaminen, mallin pitäminen tarkasti muuttuvissa ympäristöissä ja ajan mittaan, skaalaus ja kasvu. tai lisää tekoälymallisi ominaisuuksia.
AI upottaminen
Menestyneen koneoppimisen Proof of Concept (PoC) suorittaminen uudella algoritmilla on vain 10 % sen tuotteistamiseen ja siitä todellisen arvon saamiseksi vaadittavasta vaivasta. Loput 90 % voidaan jakaa asioihin, jotka sinun on tehtävä, jotta voit tehdä käyttökelpoisen tuotteen, ja asioihin, jotka sinun on tehtävä hyödyllisen tuotteen valmistamiseksi.
Jotta voit tehdä käyttökelpoisen tuotteen, sinun on lähennettävä teknistä toteutusta, jolla tuote asetetaan käyttäjien saataville. Jotta siitä olisi hyötyä, sinun tulee tarkastella tuotteen upottamista käyttäjien prosessiin. Ensinnäkin, mitä eroa PoC:lla ja käyttökelpoisella tuotteella on?
Ensinnäkin PoC:ita ei ole tarkoitettu tuotantoon. Tuotteiden on toimittava koko ajan, milloin tahansa ja muuttuvissa olosuhteissa. PoC:n aikana löydät etsimäsi tiedot, teet niistä kopion ja alat puhdistaa ja analysoida niitä. Tuotannossa tietolähteesi on yhdistettävä tietoalustaan reaaliajassa, turvallisesti ja turvallisesti; tietovirtaa on manipuloitava automaattisesti ja verrattava/yhdistettävä muihin tietolähteisiin.
PoC:n aikana sinulla on joko mahdollisuus keskustella tulevien käyttäjien kanssa ja työskennellä heidän kanssaan ratkaisun suunnittelussa, tai sinulla ei ole käyttäjiä ollenkaan ja suunnittelet teknistä ratkaisua. Tuotetta varten sinulla on käyttäjiä, joiden on ymmärrettävä kyseinen ratkaisu, ja ihmisiä, jotka ovat vastuussa teknisen ratkaisun toiminnasta. Näin ollen tuote vaatii koulutusta, usein kysyttyjä kysymyksiä ja/tai tukilinjoja, jotta sitä voidaan käyttää. Lisäksi luot vain uuden version yhdelle käyttötapauksellesi PoC:ssa. Tuotteet vaativat päivityksiä, ja kun olet julkaissut tuotteesi useille asiakkaille, tarvitset tavan testata ja ottaa käyttöön koodisi tuotantoa varten (CI/CD-putket).
”Olemme Itilityssä kehittäneet Itility Data Factoryn ja AI Factoryn, jotka kattavat kaikkien projektiemme rakennuspalikat ja taustalla olevan alustan. Tämä tarkoittaa, että meillä on alusta alkaen käyttökelpoinen kulma, jotta voimme keskittyä hyödylliseen kulmaan (joka on enemmän asiakas- ja käyttötapausriippuvainen), yhtiö totesi.
Tuholaisten havaitsemissovellus – PoC:sta käyttökelpoiseen tuotteeseen
"Tuholaishavaitsemissovelluksemme Proof of Concept -vaihe koostui mallista, joka osaa luokitella ja laskea kärpäsiä liimaansalla kasvihuonetiimin jäsenten omien kuvien perusteella. Jos heiltä puuttui kuva tai jos jokin meni pieleen, he voivat palata ottamaan uuden tai korjata sen suoraan kojelautaan. Melkoisia manuaalisia tarkastuksia tarvittiin.
”PoC-maailmamme oli yksinkertainen, perustuen yhteen laitteeseen, yhteen käyttäjään ja yhteen asiakkaaseen. Jotta siitä tulisi käyttökelpoinen tuote, meidän piti kuitenkin skaalata ja tukea useita asiakkaita. Sitten herää kysymys siitä, kuinka tiedot pidetään erillään ja suojattuna. Lisäksi jokainen asiakas/kone vaatii asennuksen ja oletuskokoonpanon. Joten kuinka konfiguroida/asettaa 20 uutta asiakasta? Mistä tiedät, milloin järjestelmänvalvojan käyttöliittymä tulee rakentaa ja käyttöönotto automatisoida? 2 asiakkaalla, 20 vai 200?”
Tietenkin sinulla voi olla kysymyksiä, kuten "miten kärpästen laskeminen auttaa asiakkaitani?" Kuinka luoda arvoa tästä tiedosta? Kuinka suositella päätöksiä ja toimia? Miten tämä tekoälysovellus sopii liiketoimintaprosessiin?' Vaihe yksi on muuttaa viitekehystäsi teknisestä/datanäkökulmasta loppukäyttäjän näkökulmasta. Tämä tarkoittaa keskustelun jatkamista asiakkaasi kanssa ja sen näkemistä, kuinka hyväksi havaittu PoC sopii päivittäisiin prosesseihin.
”Prosessia pitää myös seurata tiiviisti pidemmän aikaa, pitää liittyä operatiivisiin ja taktisiin kokouksiin, jotta todella ymmärtää, mitä toimia minkäkin tiedon perusteella tehdään päivittäin, kuinka paljon aikaa kuluu mihinkin tekemiseen ja perustelut. tiettyjen tekojen takana. Jos et ymmärrä, kuinka mallistasi saatua tietoa käytetään liikearvon luomiseen, et pääse hyödylliseen tuotteeseen.
”Meidän tapauksessamme selvisimme, mitä tietoja käytettiin päätöksenteossa. Havaitsimme esimerkiksi, että joillekin tuholaisille oli tärkeämpää seurata viikoittaista trendiä (joille et tarvitse superkorkeaa tarkkuutta), kun taas toiset vaativat toimia heti ensimmäisten tuholaisten merkkien yhteydessä (mikä tarkoittaa, että on parempi olla pari). vääriä positiivisia kuin yksikään väärä negatiivinen).
"Lisäksi huomasimme, että asiakkaallamme oli aiemmin ollut "huono" kokemus samanlaisesta työkalusta, joka väitti, että sillä oli tarkkuutta, jota se ei pystynyt toimittamaan käytännössä. Miksi he luottaisivat meihin? Käsittelimme tämän luottamusongelman suoraan ja teimme tarkkuudesta ja läpinäkyvyydestä tuotteen tärkeimmät ominaisuudet. Tämän tiedon avulla olemme tehneet tuotteestamme hyödyllisen sopeuttamalla sovelluksen loppukäyttäjän työmenetelmiin ja lisäämällä vuorovaikutuksen läpinäkyvyyttä, jolloin käyttäjällä on enemmän hallintaa sovelluksessa”, yhtiö jatkaa.
Mikä on suurin haaste?
”Kärpästen laskentaskenaariossamme voimme puhua tarkkuuspisteistämme mitä haluamme. Käyttäjä (kasvihuoneasiantuntija) tarvitsee kuitenkin enemmän kuin prosentteja ollakseen hyödyllinen. Se on koettava ja opittava luottamaan siihen. Pahinta, mitä voi tapahtua, on, kun käyttäjäsi vertaavat tuloksiasi omiin manuaalisiin tuloksiinsa ja niissä on (suuri) ero. Maineesi on pilalla, eikä luottamusta ole enää mahdollista saada takaisin. Vastasimme tähän lisäämällä tuotteeseen ohjelmiston, joka kannustaa käyttäjää etsimään ja korjaamaan ne.
”Meidän lähestymistapamme on siis tehdä käyttäjästä osa tekoälyratkaisua sen sijaan, että esittelemme sitä järjestelmänä, joka korvaa asiantuntijan. Teemme asiantuntijasta operaattorin. Tekoäly lisää heidän kykyjään ja asiantuntijat pysyvät hallinnassa jatkuvasti opettamalla ja ohjaamalla tekoälyä oppimaan lisää ja tekemään korjauksia ympäristön tai muiden muuttujien ajelehtiessa. Asiantuntija on operaattorina olennainen osa ratkaisua – tekoälyn opettamista ja kouluttamista tietyillä toimilla.
Napauta tätä nähdäksesi videon, jossa on lisätietoja käyttäjäkeskeisestä lähestymistavasta.