كيف يمكن أن يساعدك إنشاء دليل على مفهوم الذكاء الاصطناعي في تقليل مخاطر تطوير الذكاء الاصطناعي واعتماده

خسر عميلنا فقط ربع الميزانية التي خصصها لمشروع الذكاء الاصطناعي (AI) لأنهم اختاروا البدء بإثبات صحة المفهوم (PoC). سمح لهم PoC باختبار فكرتهم والفشل بسرعة مع إنفاق محدود. لتجنب إضاعة الوقت والجهد ، اطلب دائمًا من مستشار حلول الذكاء الاصطناعي لديك إثباتًا للمفهوم - خاصةً إذا كانت شركتك تختبر فقط مياه الذكاء الاصطناعي.

تشرح هذه المقالة ماهية برنامج PoC للذكاء الاصطناعي وتوضح الخطوات الخمس التي ستوجهك خلال أول PoC ، جنبًا إلى جنب مع التحديات التي قد تواجهها على طول الطريق. كما يقدم أمثلة على PoC AI من محفظتنا. وستجد نهاية سعيدة للمثال الموضح في الفقرة الافتتاحية.

ما هو AI PoC ، ومتى يكون ضروريًا لنجاح مشروعك؟

إن برنامج AI PoC هو نموذج أولي أو عرض توضيحي لحل مقترح للذكاء الاصطناعي مصمم لاختبار ما إذا كان الحل ممكنًا ومن المحتمل أن يكون ناجحًا. الغرض من إنشاء PoC AI هو التحقق من صحة المفهوم وتقييم الفوائد المحتملة للحل المقترح وتحديد أي تحديات أو قيود محتملة.

عادةً ما يتضمن AI PoC بناء نسخة صغيرة الحجم من حل الذكاء الاصطناعي المقترح واختباره في بيئة خاضعة للرقابة لمعرفة كيفية أدائه وما إذا كان يلبي الأهداف المرجوة. يمكن بعد ذلك استخدام نتائج إثبات PoC للذكاء الاصطناعي للإبلاغ عن تطوير الحل وتنفيذه.

بالمقارنة مع برامج PoC العادية ، قد يتضمن PoC AI اعتبارات أكثر تعقيدًا ، مثل قدرة حل الذكاء الاصطناعي على التعلم والتكيف بمرور الوقت ، والآثار الأخلاقية المحتملة للحل ، مثل التحيز للذكاء الاصطناعي. كما أن مجموعة التكنولوجيا لمشاريع AI PoC مختلفة أيضًا.

خوارزميات التعلم الآلي

تسمح هذه الخوارزميات لنظام الذكاء الاصطناعي بالتعلم من البيانات المنظمة وإجراء تنبؤات أو قرارات بناءً على هذا التعلم. هناك العديد من الأنواع المختلفة من خوارزميات التعلم الآلي ، بما في ذلك خوارزميات التعلم الخاضع للإشراف ، وخوارزميات التعلم غير الخاضعة للإشراف ، وخوارزميات التعلم المعزز.

الشبكات العصبية

هذه النماذج الحسابية مستوحاة من بنية ووظيفة الدماغ البشري. يمكن للشبكات العصبية معالجة وتحليل كميات كبيرة من البيانات غير المهيكلة. يمكن تدريبهم على أداء مهام مختلفة ، مثل التعرف على الصور ومعالجة اللغة الطبيعية ونمذجة السيناريو والتنبؤ.

علم الروبوتات

يمكن استخدام هذه التكنولوجيا لبناء أنظمة مادية قادرة على التشغيل المستقل واتخاذ القرار. تتضمن حلول الروبوتات أجهزة استشعار ومشغلات ومكونات أخرى للأجهزة تسمح للمهندسين ببناء روبوت يمكنه التفاعل مع بيئته وأداء المهام.

حوسبة سحابية

توفر منصات الحوسبة السحابية مثل Microsoft Azure و Google Cloud و AWS قوة الحوسبة وموارد التخزين والخدمات التي تم تكوينها مسبقًا اللازمة لدعم تطوير واختبار نقاط تثبيت الذكاء الاصطناعي. يمكن لهذه الأنظمة الأساسية أيضًا استضافة ونشر حلول الذكاء الاصطناعي بمجرد تطويرها واختبارها.

يتضمن إنشاء AI PoC جمع البيانات وإعدادها ، وبناء نماذج التعلم الآلي والتدريب عليها ، واختبار أداء نظام الذكاء الاصطناعي وتقييمه. يمكن أن يختلف الوقت المستغرق لإنشاء PoC AI بشكل كبير اعتمادًا على عدة عوامل ، بما في ذلك مدى تعقيد حل الذكاء الاصطناعي المقترح ، والموارد والخبرات المتاحة لـ PoC ، والأهداف المحددة لـ PoC. يمكن تطوير بعض PoCs AI في غضون أيام أو أسابيع قليلة ، بينما قد يستغرق البعض الآخر عدة أشهر أو حتى وقت أطول حتى يكتمل.

متى لا يوجد أي طريق على الإطلاق حول PoC AI؟

من الضروري أن تبدأ مشروعك باستخدام AI PoC في السيناريوهات التالية.

• يعتمد مشروعك على فكرة مبتكرة لم يتم اختبارها بعد - شيء تمت دراسته على مستوى الأعمال ، ولكن لم تتم تجربته من الناحية الفنية. لست متأكدًا أنت ولا بائع التكنولوجيا الخاص بك مما إذا كان يمكن تنفيذه.
• إذا كنت بحاجة إلى أن تثبت لأصحاب المصلحة والمستثمرين وغيرهم جدوى فكرتك في إطار زمني محدود. سوف يقوم AI PoC بالمهمة بشكل أفضل من النموذج الأولي التفاعلي أو شيء مشابه.

هل هناك حالات يكون فيها إثبات وجود الذكاء الاصطناعي مضيعة للوقت؟

على الرغم من أن تقنية AI PoC مفيدة في معظم الحالات ، إلا أن هناك بعض الاستثناءات القليلة. إذا كان مشروعك يندرج تحت إحدى الفئات التالية ، يمكن أن يكون AI PoC مبالغة.

• إذا كانت فكرتك ومنهجك موثقتين بشكل جيد للغاية من منظور وظيفي وتقني. هذا أمر نادر الحدوث.
• إذا كان الحل الذي تريد تطويره قياسيًا ويشبه الممارسات الشائعة في هذا المجال. نحن نعلم بالفعل أن هذا ممكن وممكن من منظور تقني.
• إذا كنت ترغب في إنشاء برنامج يفهمه مطورو الواجهة الأمامية والخلفية ، غالبًا لأنهم عملوا بالفعل على شيء مماثل.

ما هي الفوائد التي يمكنك الحصول عليها من AI PoC؟

يؤدي استخدام AI PoC إلى الفوائد التالية.

• تحديد التحديات المحتملة قبل تخصيص المزيد من الموارد لأي مسعى. يسمح لك برنامج AI PoC "بالفشل السريع ، والفشل بشكل أفضل". إذا واجه الفريق تحديات لا يمكنه التغلب عليها ، فإن جميع أصحاب المصلحة لديهم الوقت لإعادة التجميع أو ربما تغيير الفرضية للوصول إلى نفس الأهداف من خلال طرق أخرى.
• تقليل مخاطر العمل إلى الحد الأدنى ، حيث تختبر الأفكار المبتكرة بخطوات صغيرة بدلاً من الغوص في مشروع طويل الأجل.
• تحسين ممارسات جمع البيانات.
• إشراك المستثمرين وأصحاب المصلحة الآخرين.
• توفير الوقت والموارد. قد يكشف برنامج AI PoC عن المشكلات المتعلقة بالعمل أو العملية ويمنحك الوقت لإصلاح كل شيء قبل البدء في مشروع واسع النطاق.
• بناء الخبرة وخلق أصحاب المعرفة الذين سيرشدون عضوًا آخر في الفريق على مشاريع مماثلة في المستقبل.
• اختبار مجموعة التكنولوجيا على نطاق أصغر لفهم مدى ملاءمتها لحالة العمل المحددة.

أمثلة من محفظتنا حيث أنقذ برنامج AI PoC اليوم

فيما يلي بعض الأمثلة على PoC AI من محفظة ITRex والتي ستساعدك على تقدير نهج PoC أكثر.

إدراك أن ML وحده ليس الحل

كانت شركة لوجستية كبيرة للبضائع تنفذ ما بين 10،000 و 15،000 شحنة يوميًا ، وكانت كل شحنة مصحوبة بوالص شحن وفواتير لتغطية العمليات. تم استنفاد الموظفين من خلال المعالجة اليدوية لجميع الوثائق. أرادت الشركة بناء حل يعمل بنظام ML والذي يستخدم التعرف الضوئي على الأحرف (OCR) لمعالجة المستندات الممسوحة ضوئيًا وتحديد المجالات المختلفة.

اعتقد العميل أن التعلم الآلي هو الحل الأفضل ، لذلك شرعنا في برنامج AI PoC لاختبار هذا الافتراض. سرعان ما أدركنا أن المستندات قد تم تنسيقها بشكل مختلف ، وأن التسميات المستخدمة للحقول تختلف اختلافًا كبيرًا - على سبيل المثال ، يحتوي حقل معرف التحميل وحده على 8 أسماء مستعارة. نتيجة لذلك ، استمر نموذج ML في النمو. أصبحت بطيئة وغير فعالة. قرر فريقنا إرفاق هذا النموذج بخوارزمية ديناميكية (على سبيل المثال ، قاموس حيث تم ترميز تسميات الحقول المختلفة). أدى هذا التعديل إلى تحسين أداء الحل بشكل كبير وتوفير الوقت والمال للعميل.

إذا قرر العميل تخطي AI PoC ، فسيضيع سبعة أشهر فقط لإدراك أن فكرته الأولية عن نموذج قائم على ML لم يكن الحل الأمثل. مع AI PoC ، توصلوا إلى هذا الاستنتاج في غضون شهرين فقط. بعد الانتهاء بنجاح من برنامج AI PoC هذا ، قمنا ببناء MVP يمكنه التعامل مع أربعة أنواع من المستندات ، مع تولي حوالي 25٪ من حمل المعالجة اليدوية.

لقد فوجئت بقيود Meta على استخدام البيانات

أراد عميل في صناعة الترفيه إنشاء منصة تحليلية تعتمد على الذكاء الاصطناعي لفناني الموسيقى المستقلين. كان من المفترض أن يزحف الحل إلى مواقع التواصل الاجتماعي ، بما في ذلك Facebook و Instagram ، لجمع البيانات. سيعالج كل هذه المعلومات لقياس مشاعر الناس تجاه الفنانين. يمكن للموسيقيين الاشتراك في المنصة وتلقي تعليقات حول سلوك الوسائط الاجتماعية الذي سيكون أكثر فائدة لنجاحهم.

شرعنا في برنامج AI PoC لاختبار الفكرة. بعد أسبوعين فقط ، أدركنا أنه كان من المستحيل ببساطة جمع البيانات من Facebook و Instagram لاستخدامها للغرض الموضح أعلاه. عادة ، كان من الممكن استرداد بعض البيانات من خلال Graph API. لهذا السبب ، بالإضافة إلى حساب تجاري تم التحقق منه في Meta ، افترضنا أننا سنحصل على إمكانية الوصول إلى المعلومات المطلوبة. ومع ذلك ، لم يتمكن العميل من تزويدنا بحساب تجاري تم التحقق منه ، ولم تكن البيانات من Graph API وحدها كافية لكي يعمل هذا الحل.

لو قرر العميل تخطي PoC ، لكان قد أهدر حوالي 20000 دولار في مشروع الاكتشاف. كان من الممكن أن يشمل ذلك وصفًا تفصيليًا للحل وتقديرًا لتكاليف التطوير. ولكن نظرًا لأنهم اختاروا البدء بـ AI PoC ، فقد أنفقوا حوالي 5000 دولار فقط قبل اكتشاف أن الحل المقترح كان مستحيل التنفيذ بسبب قيود الوصول إلى البيانات التي فرضتها Meta.

دليل من خمس خطوات لأول PoC AI الخاص بك

فيما يلي خمس خطوات يمكنك اتباعها للانتقال بنجاح من خلال AI PoC. نقوم أيضًا بإدراج التحديات المرتبطة بكل خطوة.

الخطوة 1: حدد المشكلة (المشكلات) التي تريد التعامل معها باستخدام الذكاء الاصطناعي

من الضروري تحديد ما تريد تحقيقه بالضبط من خلال تطبيق AI PoC. يجب أن تكون حالة الاستخدام المحددة ذات قيمة عالية وتمثل شيئًا يمكنك معالجته بشكل أفضل باستخدام هذه التقنية. إذا كانت لديك شكوك ، فإن أفضل مكان للبدء هو النظر في ما يستخدمه الآخرون في مجالك لحلول الذكاء الاصطناعي. هناك طريقة أخرى يمكنك اتباعها وهي التحقيق في المشكلات التي يواجهها عملك ومقارنتها بإمكانيات الذكاء الاصطناعي.

بعد أن تكون قد جمعت قائمة بالفرص ، يمكنك طرح الأسئلة التالية لتحديد أي منها هو الأنسب لمشروعك في الوقت الحالي.

• هل المشكلة التي تنوي حلها محددة بدرجة كافية؟ هل يمكنك تقييم النتائج لتحديد النجاح؟
• هل حاولت بالفعل حل هذه المشكلة بتقنيات أخرى؟
• هل لديك الموهبة والتمويل لدعم هذا المشروع حتى نهايته؟ إذا لم تكن هناك مواهب داخلية مناسبة ، فهل يمكنك تعيين فريق خارجي مخصص؟
• كيف ستؤثر المشكلة على عملك؟ هل هذا التأثير كبير بما يكفي لتبرير جهودك؟
• هل ستكون قادرًا على بيع هذا المشروع لمديرك التنفيذيين؟ هل منظمتك مستعدة لتولي مثل هذا المشروع؟
• هل تمتلك شركتك بالفعل إستراتيجية بيانات؟ إذا كان الأمر كذلك ، كيف ستتماشى مع هذا المشروع؟
• ما هي المخاطر والقيود المحتملة لاستخدام الذكاء الاصطناعي لمعالجة هذه المشكلة؟

التحدي المرتبط

• تحديد حالة استخدام لا تضيف قيمة كبيرة أو لا تستخدم الإمكانات الكاملة للذكاء الاصطناعي. الذكاء الاصطناعي هو تقنية باهظة الثمن ، واختيار حالة غير مهمة يعني أنك تنفق أكثر مما ستحصل عليه. تحقق من مقالتنا حول تكلفة تطبيق الذكاء الاصطناعي للحصول على فهم أفضل للنفقات.

الخطوة 2: تحضير البيانات

الآن بعد أن حددت مشكلتك بوضوح ، حان الوقت لتجميع وإعداد بيانات التدريب لخوارزميات الذكاء الاصطناعي. يمكنك القيام بذلك عن طريق:

• التحقق من البيانات المتاحة للاستخدام داخل شركتك
• إنشاء بيانات شبه تركيبية باستخدام تطبيقات محددة جاهزة أو الحل الخاص بك
• شراء مجموعات البيانات من مزودين موثوقين
• باستخدام بيانات مفتوحة المصدر
• توظيف أشخاص لكشط البيانات التي تناسب غرضك.

ليس عليك أن تقصر نفسك على مصدر واحد. يمكنك استخدام مجموعة من الخيارات المتعددة المذكورة أعلاه.

انتقل إلى علماء البيانات لتشغيل فحص البيانات الأولي. سوف يؤدون المهام التالية.

• هيكلة البيانات
• قم بتنظيفه عن طريق التخلص من الضوضاء
• أضف أي نقاط بيانات مفقودة ، في حالة البيانات المجدولة
• أداء هندسة المعالم (أي إضافة وحذف حقول البيانات)
• قم بتطبيق المعالجات ، مثل دمج البيانات أو تصفيتها

يمكن لعلماء البيانات تقديم النصح لك حول كيفية جمع بيانات إضافية أو كيفية تضييق نطاق AI PoC بحيث يمكنك تحقيق النتائج المرجوة من خلال مجموعات البيانات الحالية.

عندما تكون البيانات جاهزة للاستخدام ، قسّمها إلى ثلاث مجموعات:

• مجموعة تدريب يستخدمها النموذج للتعلم.
• مجموعة تحقق للتحقق من صحة النموذج وتكرار التدريب.
• مجموعة اختبار من شأنها تقييم أداء الخوارزمية.

التحديات المرتبطة

• لا تمثل بيانات التدريب جميع السكان. في هذه الحالة ، قد تؤدي الخوارزميات أداءً جيدًا في الحالات الشائعة ولكنها ستؤدي إلى نتائج سيئة في حالات نادرة. على سبيل المثال ، قد يتفوق نموذج ML للرعاية الصحية الذي يحلل الأشعة السينية في اكتشاف الاضطرابات الشائعة ، مثل الانصباب ، ولكنه سيكافح لاكتشاف الاضطرابات النادرة ، مثل الفتق.
• اختلال الصنف ، عندما يكون عدد الحالات التي تمثل فئة واحدة أكبر بكثير من فئة أخرى ، بنسبة 99.9٪ إلى 0.1٪.
• وضع الملصقات غير الصحيحة ، مثل فئات الاختلاط (مثل تصنيف الدراجة على أنها سيارة).
• ضوضاء عالية في مجموعة بيانات التدريب.
• صعوبة في تحقيق فصل نقي للفصل. يحدث هذا عندما لا يمكن تصنيف بعض البيانات في مجموعة التدريب بشكل صحيح ضمن فئة معينة.

الخطوة الثالثة: تصميم وبناء الحل أو شرائه

ربما تتساءل عما إذا كان يجب عليك بناء النموذج بنفسك أو ما إذا كان يمكنك شراء حل موجود. هنا عندما يكون من المنطقي إنشاء نموذج ذكاء اصطناعي من الألف إلى الياء.

• الحل الخاص بك مبتكر ولا يتوافق مع أي معيار موجود.
• الحلول الجاهزة مكلفة للتخصيص.
• أقرب نموذج جاهز هو مبالغة ، وهو يفعل أكثر بكثير مما تحتاجه بالفعل.

ضع في اعتبارك شراء نموذج جاهز إذا كانت تكاليف شراء النموذج وتخصيصه أقل من تكاليف بنائه من الألف إلى الياء.

إذا قررت إنشاء خوارزمية الذكاء الاصطناعي من البداية ، فسيكون لديك المزيد من التحكم في دقتها. سيستغرق الأمر وقتًا أطول لإكمال المهمة ، ولكنها ستكون مخصصة لمشكلة عملك وعملياتك الداخلية. لن تحتاج إلى إجراء تغييرات على نظامك لاستيعاب البرامج الخارجية.

فيما يتعلق بالبنية التحتية للتدريب على الخوارزمية وتنفيذها ، يمكنك الاعتماد على السحابة بدلاً من استخدام الموارد المحلية. هناك أربعة معايير يمكنك وضعها في الاعتبار عند تحديد أفضل ما يناسبك.

1. حماية. إذا كانت بياناتك حساسة للغاية عندما يتعلق الأمر بالأمان ، فمن الأفضل أن تحتفظ بكل شيء في مكان العمل.
2. عبء العمل. إذا كان حمل المعالجة ثقيلًا نوعًا ما ، فاختر السحابة.
3. التكاليف. قم بتقييم ما سيكلفك أكثر: الحصول على الموارد محليًا أو الدفع مقابل استخدام السحابة بمرور الوقت.
4. إمكانية الوصول. إذا كنت ستستخدم الحل محليًا فقط ، فيمكنك الاعتماد على الخوادم الداخلية. إذا كان يجب أن يكون الوصول إليه متاحًا من مواقع جغرافية مختلفة ، فمن الجدير التفكير في السحابة.

كل نهج له فوائده وعيوبه. إذا كنت تعمل في قطاع الرعاية الصحية ، فلدينا تلك الموضحة بوضوح في الحوسبة السحابية في منشور الرعاية الصحية على مدونتنا. بخلاف ذلك ، لا تتردد في التواصل مع خبراء الذكاء الاصطناعي لدينا لاختيار أفضل مجموعة تقنية للتدريب على الخوارزمية.

التحديات المرتبطة

• نقص التدريب المناسب. سيؤدي ذلك إلى حدوث مشكلات ، مثل ضعف تعميم النموذج ، مما يعني أن النموذج لن يقدم تنبؤات دقيقة بشأن البيانات التي لم يراها في التدريب. بالعودة إلى تحليل صور الأشعة السينية في القطاع الطبي ، قد تنجح الخوارزمية في تحليل الصور عالية الجودة التي تم التقاطها بواسطة أحدث عمليات المسح ولكنها لا تزال ضعيفة عند تطبيقها على عمليات المسح التي تم إنشاؤها بواسطة الأجهزة القديمة.
• التكامل مع الأنظمة الحالية ، والتي قد يكون بعضها قديمًا أو مدعومًا بتقنيات احتكارية.
• عدم التوصل إلى بنية نموذجية مناسبة (على سبيل المثال عدم القدرة على اختيار نموذج ML المناسب للمشكلة المطروحة).
• لا يمكن أن تتطابق قدرة البنية المحددة مع متطلبات النموذج.
• بيانات الإدخال متقلبة ، مما يعني أنه يجب إعادة تدريب النموذج بشكل متكرر.
• استخدام موارد أكثر مما يتطلبه نموذجك لأداء مهامه. ليست هناك حاجة للاستثمار في خادم قوي لتشغيل نموذج بسيط.

الخطوة 4: تقييم إمكانات AI PoC لتوليد القيمة

تتعلق هذه الخطوة بتقييم ما إذا كان بإمكان AI PoC أن يرقى إلى مستوى التوقعات. هناك عدة طرق لإجراء التقييم.

• ارجع إلى مؤشرات الأداء الرئيسية (KPIs) واختبر الحل في مقابلها. قد تشمل هذه العوامل الدقة ورضا العملاء والسرعة والمرونة والإنصاف والسلامة.
• اجمع البيانات حول كيفية عمل نظامك قبل نشر AI PoC. يمكن أن يشمل ذلك الوقت المستغرق في مهمة يدوية معينة وعدد الأخطاء. بعد ذلك ، يجب عليك استخدام المعلومات لتقييم تأثير PoC.
• قارن أداء الحل بالمنتجات الأخرى التي تعتبر معيارًا لهذا النوع من المشاكل أو الصناعة الأوسع. على سبيل المثال ، قد يكون معيار المشكلات المتعلقة بتصنيف الصور هو النموذج الذي يقدم نتائج دقيقة على مجموعات البيانات الشائعة ، مثل ImageNet.
• اجمع تعليقات المستخدمين إما من خلال مجموعات التركيز أو الاستطلاعات عبر الإنترنت لقياس مستويات الرضا وتحديد ما هو مفقود.
• قم بإجراء تحليل التكلفة والعائد لفهم التأثير المالي لهذا الحل على المنظمة.

التحديات المرتبطة

• ارتكاب خطأ في تقييمك. يمكن أن يكون خطأ حسابيًا بسيطًا أثناء العمليات الحسابية ، أو خطأ متعلق بتقدير إمكانات العمل.

الخطوة 5: كرر برنامج AI PoC للحصول على نتائج أفضل ، أو توسيع نطاقه

إذا لم تكن النتائج التي تلقيتها في الخطوة السابقة على قدم المساواة ، فيمكنك التفكير في تعديل الحل وتكرار العملية بأكملها. يمكنك إجراء تغييرات على خوارزمية ML وقياس الأداء مع كل تعديل. يمكنك أيضًا تجربة مكونات أجهزة مختلفة أو نماذج خدمة سحابية بديلة.

إذا كنت راضيًا عن أداء AI PoC ، فيمكنك العمل على توسيع نطاقه في اتجاهات مختلفة. وفيما يلي بعض الأمثلة على ذلك.

• تطبيق PoC على قضايا الأعمال الأخرى. ابحث عن التطبيقات الأخرى لهذا الحل الجديد في عملك. على سبيل المثال ، إذا كنت تختبر الذكاء الاصطناعي كأحد تطبيقات الصيانة التنبؤية ، فيمكنك محاولة تطبيقه على سيناريوهات أخرى ذات صلة.
• توسيع نطاق البنية التحتية. راجع التكنولوجيا المستخدمة لتشغيل هذا البرنامج. هل يمكنك تكريس المزيد من قوة المعالجة أو المزيد من سعة تخزين البيانات؟ ستمكنك هذه التعديلات من استخدام المزيد من البيانات وتقليل زمن الوصول وربما تقديم نتائج في الوقت الفعلي. كما أنه سيقلل من إمكانية حدوث اختناقات في المستقبل.
• تحسين حل PoC. على الرغم من أنك قد تكون قد حصلت على نتائج معقولة في الخطوة السابقة ، فقد يكون من المفيد البحث عن طرق لتحسين الدقة. يمكنك الاستمرار في تدريب الخوارزميات الخاصة بك باستخدام بيانات جديدة أو بيانات أكثر دقة. أو يمكنك حتى تجربة تنفيذ التعديلات والتغييرات لتحقيق نتائج أفضل.

إذا قررت اعتماد الذكاء الاصطناعي على مستوى الشركة بعد مرحلة PoC ، فيمكنك العثور على نصائح مفيدة في دليلنا حول كيفية تنفيذ الذكاء الاصطناعي في مؤسستك.

التحديات المرتبطة

• لم يتم النظر بعناية في الهندسة المعمارية. قد يعمل الحل بشكل جيد مع 10000 مستخدم ولكنه يتعطل عندما يصل الجمهور إلى 100000.
• يحتوي النموذج على أخطاء ستظهر عندما تحاول توسيع نطاق حل الذكاء الاصطناعي
• تطبيق النموذج على حالات عمل أخرى غير تلك التي تم تصميمها من أجلها. على سبيل المثال ، لا يمكن تطبيق الحل الذي يهدف إلى تجميع عربة يدوية في الحديقة لتجميع الشاحنات ، لأنه قد يبني عربة يدوية كبيرة في الحديقة بمحرك.

ليستنتج

عندما يتعلق الأمر بتطبيق الذكاء الاصطناعي ، ابدأ صغيرًا واستمر في التحكم فيه. تأكد من أن لديك حالة عمل واضحة مع أهداف ومقاييس محددة لقياس النجاح. وفكر دائمًا في إنشاء AI PoC ، باستثناء الحالات المعروضة في بداية هذه المقالة. سيساعدك هذا على تحديد أي عقبات محتملة قبل أن تبدأ العمل بشكل كامل وتقوم باستثمار مالي كبير في حل قد لا يرقى إلى مستوى التوقعات.

هل ترغب في تطبيق الذكاء الاصطناعي في مؤسستك ، لكنك لست متأكدًا مما إذا كانت فكرة عملك ممكنة؟ ابقى على تواصل! سيساعدك فريقنا في إجراء PoC لاختبار فكرتك في الممارسة العملية.

نُشر في الأصل على https://itrexgroup.com في 9 يناير 2023.