Bagaimana Membuat Bukti Konsep AI Dapat Membantu Anda Meminimalkan Risiko Pengembangan dan Adopsi AI

Klien kami hanya kehilangan seperempat dari anggaran yang mereka dedikasikan untuk proyek kecerdasan buatan (AI) karena mereka memilih untuk memulai dengan proof-of-concept (PoC). PoC memungkinkan mereka untuk menguji ide mereka dan gagal dengan cepat dengan pengeluaran terbatas. Untuk menghindari pemborosan waktu dan tenaga, selalu minta bukti konsep dari konsultan solusi AI Anda — terutama jika perusahaan Anda hanya menguji perairan AI.

Artikel ini menjelaskan apa itu AI PoC dan menguraikan lima langkah yang akan memandu Anda melalui PoC pertama Anda, bersama dengan tantangan yang mungkin Anda temui selama ini. Itu juga menyajikan contoh AI PoC dari portofolio kami. Dan Anda akan menemukan akhir yang bahagia dari contoh yang digambarkan di paragraf pembuka.

Apa itu AI PoC, dan Kapan Penting untuk Kesuksesan Proyek Anda?

AI PoC adalah prototipe atau demonstrasi solusi AI yang diusulkan yang dirancang untuk menguji apakah solusi tersebut layak dan kemungkinan berhasil. Tujuan pembuatan AI PoC adalah untuk memvalidasi konsep, menilai potensi manfaat solusi yang diusulkan, dan mengidentifikasi potensi tantangan atau keterbatasan.

AI PoC biasanya melibatkan pembuatan versi skala kecil dari solusi AI yang diusulkan dan mengujinya di lingkungan yang terkendali untuk melihat bagaimana kinerjanya dan apakah memenuhi tujuan yang diinginkan. Hasil AI PoC kemudian dapat digunakan untuk menginformasikan lebih lanjut pengembangan dan penerapan solusi.

Dibandingkan dengan PoC perangkat lunak biasa, PoC AI mungkin melibatkan pertimbangan yang lebih kompleks, seperti kemampuan solusi AI untuk belajar dan beradaptasi dari waktu ke waktu, dan potensi implikasi etis dari solusi tersebut, seperti bias AI. Tumpukan teknologi untuk proyek AI PoC juga berbeda.

Algoritma Pembelajaran Mesin

Algoritme ini memungkinkan sistem AI untuk belajar dari data terstruktur dan membuat prediksi atau keputusan berdasarkan pembelajaran tersebut. Ada banyak jenis algoritma pembelajaran mesin, termasuk algoritma pembelajaran yang diawasi, algoritma pembelajaran yang tidak diawasi, dan algoritma pembelajaran penguatan.

Jaringan Neural

Model komputasi ini terinspirasi oleh struktur dan fungsi otak manusia. Jaringan saraf dapat memproses dan menganalisis sejumlah besar data tidak terstruktur. Mereka dapat dilatih untuk melakukan berbagai tugas, seperti pengenalan gambar, pemrosesan bahasa alami, pemodelan skenario, dan prediksi.

Robotika

Teknologi ini dapat digunakan untuk membangun sistem fisik yang mampu melakukan operasi otonom dan pengambilan keputusan. Solusi robotika menggabungkan sensor, aktuator, dan komponen perangkat keras lainnya yang memungkinkan para insinyur membangun robot yang dapat berinteraksi dengan lingkungannya dan melakukan tugas.

Komputasi awan

Platform komputasi awan seperti Microsoft Azure, Google Cloud, dan AWS menyediakan daya komputasi, sumber daya penyimpanan, dan layanan prakonfigurasi yang diperlukan untuk mendukung pengembangan dan pengujian AI PoC. Platform ini juga dapat menghosting dan menerapkan solusi AI setelah dikembangkan dan diuji.

Membuat AI PoC melibatkan pengumpulan dan penyiapan data, membangun dan melatih model pembelajaran mesin, serta menguji dan mengevaluasi kinerja sistem AI. Waktu yang diperlukan untuk membuat PoC AI dapat sangat bervariasi tergantung pada beberapa faktor, termasuk kompleksitas solusi AI yang diusulkan, sumber daya dan keahlian yang tersedia untuk PoC, dan tujuan khusus PoC. Beberapa AI PoC dapat dikembangkan hanya dalam beberapa hari atau minggu, sementara yang lain mungkin membutuhkan waktu beberapa bulan atau bahkan lebih lama untuk diselesaikan.

Kapan AI PoC Sama Sekali Tidak Ada Jalan?

Penting untuk memulai proyek Anda dengan AI PoC dalam skenario berikut.

• Proyek Anda bergantung pada ide inovatif yang belum diuji—sesuatu yang telah dipelajari di tingkat bisnis, namun belum dicoba secara teknis. Baik Anda maupun vendor teknologi Anda tidak yakin apakah itu dapat diterapkan.
• Jika Anda perlu menunjukkan kepada pemangku kepentingan, investor, dan lainnya kelayakan ide Anda dalam jangka waktu terbatas. AI PoC akan melakukan pekerjaan lebih baik daripada prototipe interaktif atau yang serupa.

Adakah Situasi di mana AI PoC Membuang-buang Waktu?

Meskipun AI PoC bermanfaat dalam banyak kasus, ada beberapa pengecualian. Jika proyek Anda termasuk dalam salah satu kategori berikut, AI PoC bisa jadi berlebihan.

• Jika ide dan pendekatan Anda didokumentasikan dengan sangat baik dari perspektif fungsional dan teknis. Ini jarang terjadi.
• Jika solusi yang ingin Anda kembangkan adalah standar dan menyerupai praktik umum di lapangan. Kami sudah tahu bahwa ini layak dan mungkin dari perspektif teknis.
• Jika Anda ingin membuat perangkat lunak yang dipahami oleh pengembang front-end dan back-end Anda, sering kali karena mereka telah mengerjakan sesuatu yang identik.

Apa Manfaat yang Dapat Anda Dapatkan dari AI PoC?

Menggunakan AI PoC membawa manfaat berikut.

• Mengidentifikasi potensi tantangan sebelum melakukan lebih banyak sumber daya untuk suatu upaya. AI PoC memungkinkan Anda untuk "gagal dengan cepat, gagal dengan lebih baik". Jika tim menghadapi tantangan yang tidak dapat diatasi, semua pemangku kepentingan memiliki waktu untuk berkumpul kembali atau mungkin mengubah hipotesis untuk mencapai tujuan yang sama melalui metode lain.
• Meminimalkan risiko bisnis, saat Anda menguji ide-ide inovatif dalam langkah-langkah kecil alih-alih terjun ke proyek jangka panjang.
• Meningkatkan praktik pengumpulan data.
• Mengundang investor dan pemangku kepentingan lainnya.
• Menghemat waktu dan sumber daya. AI PoC mungkin mengungkap masalah terkait bisnis atau proses dan memberi Anda waktu untuk memperbaiki semuanya sebelum memulai proyek skala penuh.
• Membangun keahlian dan menciptakan pemilik pengetahuan yang akan membimbing anggota tim lainnya pada proyek serupa di masa mendatang.
• Menguji kumpulan teknologi dalam skala yang lebih kecil untuk memahami kesesuaiannya dengan kasus bisnis yang dipilih.

Contoh Dari Portofolio Kami Di Mana AI PoC Menyelamatkan Hari Ini

Berikut adalah beberapa contoh AI PoC dari portofolio ITRex yang akan membantu Anda lebih menghargai pendekatan PoC.

Menyadari Bahwa ML Saja Bukanlah Jawabannya

Sebuah perusahaan logistik kargo besar melakukan 10.000–15.000 pengiriman per hari, dan setiap pengiriman disertai dengan bill of lading dan faktur untuk menutupi operasi. Karyawan kelelahan dengan penanganan manual semua dokumentasi. Perusahaan ingin membangun solusi bertenaga ML yang akan menggunakan pengenalan karakter optik (OCR) untuk memproses dokumen yang dipindai dan mengidentifikasi berbagai bidang.

Klien percaya bahwa pembelajaran mesin adalah solusi terbaik, jadi kami melanjutkan dengan AI PoC untuk menguji asumsi ini. Segera kami menyadari bahwa dokumen diformat secara berbeda, dan label yang digunakan untuk kolom sangat bervariasi—misalnya, kolom Load ID saja memiliki 8 alias. Hasilnya, model ML terus berkembang. Itu menjadi lambat dan tidak efisien. Tim kami memutuskan untuk melengkapi model ini dengan algoritme dinamis (misalnya kamus tempat label bidang yang berbeda dikodekan). Modifikasi ini meningkatkan kinerja solusi secara signifikan dan menghemat waktu dan uang klien.

Jika klien memutuskan untuk melewatkan AI PoC, mereka akan membuang waktu tujuh bulan hanya untuk menyadari bahwa ide awal mereka tentang model berbasis ML murni bukanlah solusi yang optimal. Dengan AI PoC, mereka sampai pada kesimpulan ini hanya dalam dua bulan. Setelah berhasil menyelesaikan AI PoC ini, kami membuat MVP yang dapat menangani empat jenis dokumen, mengambil alih sekitar 25% dari beban pemrosesan manual.

Terkejut dengan Pembatasan Meta pada Penggunaan Data

Seorang klien di industri hiburan ingin membangun platform analitik berbasis AI untuk artis musik independen. Solusinya seharusnya merayapi media sosial, termasuk Facebook dan Instagram, untuk mengumpulkan data. Itu akan memproses semua informasi ini untuk mengukur sentimen orang terhadap artis. Musisi dapat mendaftar ke platform dan menerima umpan balik tentang perilaku media sosial apa yang paling bermanfaat untuk kesuksesan mereka.

Kami melanjutkan dengan AI PoC untuk menguji ide tersebut. Setelah hanya dua minggu, kami menyadari bahwa mengumpulkan data dari Facebook dan Instagram tidak mungkin digunakan untuk tujuan yang dijelaskan di atas. Biasanya, beberapa data dapat diambil melalui Graph API. Karena itu, selain akun bisnis terverifikasi di Meta, kami berasumsi bahwa kami akan mendapatkan akses ke informasi yang diperlukan. Namun, klien tidak dapat memberi kami akun bisnis terverifikasi, dan data dari Graph API saja tidak cukup untuk solusi ini berfungsi.

Seandainya klien memutuskan untuk melewatkan PoC, mereka akan menghabiskan sekitar $20.000 untuk proyek penemuan. Ini akan mencakup penjelasan rinci tentang solusi dan estimasi biaya pengembangan. Tetapi karena mereka memilih untuk memulai dengan AI PoC, mereka hanya menghabiskan sekitar $5.000 sebelum mengetahui bahwa solusi yang diusulkan tidak mungkin dijalankan karena pembatasan akses data yang diberlakukan oleh Meta.

Panduan Lima Langkah untuk AI PoC Pertama Anda

Berikut adalah lima langkah yang dapat Anda ikuti untuk berhasil melewati AI PoC Anda. Kami juga membuat daftar tantangan yang terkait dengan setiap langkah.

Langkah 1: Identifikasi Masalah Mana yang Ingin Anda Tangani dengan AI

Penting untuk menentukan apa, tepatnya, yang ingin Anda capai dengan mengimplementasikan AI PoC. Kasus penggunaan yang dipilih harus bernilai tinggi dan mewakili sesuatu yang paling dapat Anda atasi dengan teknologi ini. Jika Anda ragu, tempat yang baik untuk memulai adalah melihat apa yang orang lain di bidang Anda gunakan untuk solusi AI. Cara lain untuk melakukannya adalah menyelidiki masalah yang dihadapi bisnis Anda dan membandingkannya dengan potensi AI.

Setelah mengumpulkan daftar peluang, Anda dapat mengajukan pertanyaan berikut untuk menentukan mana yang paling cocok untuk proyek Anda saat ini.

• Apakah masalah yang ingin Anda selesaikan cukup spesifik? Bisakah Anda mengevaluasi hasil untuk menentukan kesuksesan?
• Sudahkah Anda mencoba memecahkan masalah ini dengan teknologi lain?
• Apakah Anda memiliki bakat dan dana untuk mendukung proyek ini sampai akhir? Jika tidak ada bakat internal yang sesuai, dapatkah Anda mempekerjakan tim khusus eksternal?
• Bagaimana masalah tersebut akan berdampak pada bisnis Anda? Apakah efek ini cukup signifikan untuk menjamin upaya Anda?
• Apakah Anda dapat menjual proyek ini kepada eksekutif Anda? Apakah organisasi Anda siap untuk mengambil proyek seperti itu?
• Apakah perusahaan Anda sudah memiliki strategi data? Jika ya, bagaimana keselarasannya dengan proyek ini?
• Apa potensi risiko dan batasan penggunaan AI untuk mengatasi masalah ini?

Tantangan Terkait

• Memilih kasus penggunaan yang tidak menambah banyak nilai atau tidak menggunakan potensi penuh AI. Kecerdasan buatan adalah teknologi yang mahal, dan memilih kasing yang tidak signifikan berarti Anda membelanjakan lebih banyak daripada yang akan Anda terima. Lihat artikel kami tentang berapa biaya penerapan AI untuk mendapatkan pemahaman yang lebih baik tentang biaya.

Langkah 2: Siapkan Data

Sekarang setelah masalah Anda terdefinisi dengan jelas, saatnya mengumpulkan dan menyiapkan data pelatihan untuk algoritme AI. Anda dapat melakukannya dengan:

• memeriksa data mana yang tersedia untuk digunakan dalam perusahaan Anda
• menghasilkan data semi-sintetis menggunakan aplikasi khusus yang sudah jadi atau solusi Anda sendiri
• membeli dataset dari penyedia terpercaya
• menggunakan data sumber terbuka
• mempekerjakan orang untuk mengikis data yang sesuai dengan tujuan Anda.

Anda tidak perlu membatasi diri pada satu sumber. Anda dapat menggunakan kombinasi dari beberapa opsi yang tercantum di atas.

Beralih ke ilmuwan data untuk menjalankan penyaringan data awal. Mereka akan melakukan tugas-tugas berikut.

• Susun datanya
• Bersihkan dengan menghilangkan kebisingan
• Tambahkan poin data yang hilang, dalam hal data tabular
• Melakukan rekayasa fitur (yaitu menambah dan menghapus bidang data)
• Menerapkan manipulasi, seperti menggabungkan atau memfilter data

Ilmuwan data dapat memberi tahu Anda tentang cara mengumpulkan data tambahan atau cara mempersempit cakupan AI PoC sehingga Anda dapat mencapai hasil yang diinginkan dengan kumpulan data yang ada.

Saat data siap digunakan, pisahkan menjadi tiga set:

• Set pelatihan, yang akan digunakan model untuk belajar.
• Satu set validasi untuk memvalidasi model dan mengulangi pelatihan.
• Set pengujian yang akan mengevaluasi kinerja algoritme.

Tantangan Terkait

• Data pelatihan tidak mewakili seluruh populasi. Dalam hal ini, algoritme mungkin bekerja dengan baik dalam kasus umum tetapi akan memberikan hasil yang buruk pada kejadian yang jarang terjadi. Misalnya, model ML layanan kesehatan yang menganalisis sinar-X mungkin unggul dalam mendeteksi gangguan umum, seperti efusi, tetapi akan kesulitan menemukan gangguan langka, seperti hernia.
• Ketidakseimbangan kelas, ketika jumlah kasus yang mewakili satu kelas secara signifikan lebih besar dari yang lain, dengan rasio 99,9% berbanding 0,1%.
• Pelabelan yang salah, seperti pencampuran kelas (misalnya pelabelan sepeda sebagai mobil).
• Kebisingan tinggi dalam dataset pelatihan.
• Kesulitan mencapai keterpisahan kelas murni. Ini terjadi ketika beberapa data dalam set pelatihan tidak dapat diklasifikasikan dengan benar di bawah kelas tertentu.

Langkah 3: Arsitek dan Bangun atau Beli Solusinya

Anda mungkin bertanya-tanya apakah Anda harus membuat model sendiri atau apakah Anda dapat membeli solusi yang sudah ada. Di sinilah masuk akal untuk membuat model AI dari bawah ke atas.

• Solusi Anda inovatif dan tidak sesuai dengan standar yang ada.
• Solusi siap pakai mahal untuk disesuaikan.
• Model off-the-shelf terdekat terlalu banyak, dan itu jauh lebih banyak daripada yang sebenarnya Anda butuhkan.

Pertimbangkan untuk membeli model yang sudah jadi jika biaya untuk membeli dan menyesuaikan model lebih murah daripada membangunnya dari awal.

Jika Anda memutuskan untuk membuat algoritme AI dari awal, Anda akan memiliki kontrol lebih besar atas keakuratannya. Ini akan memakan waktu lebih lama untuk menyelesaikan tugas, tetapi akan disesuaikan dengan masalah bisnis Anda dan proses internal Anda. Anda tidak perlu melakukan perubahan pada sistem Anda untuk mengakomodasi perangkat lunak eksternal.

Mengenai infrastruktur untuk pelatihan dan penerapan algoritme, Anda dapat mengandalkan cloud alih-alih menggunakan sumber daya lokal. Ada empat parameter yang dapat Anda pertimbangkan saat memutuskan mana yang paling cocok untuk Anda.

1. Keamanan. Jika data Anda sangat sensitif dalam hal keamanan, lebih baik Anda menyimpan semuanya di tempat.
2. Beban kerja. Jika beban pemrosesan agak berat, pilih cloud.
3. Biaya. Evaluasi apa yang akan membebani Anda lebih banyak: memperoleh sumber daya secara lokal atau membayar penggunaan cloud dari waktu ke waktu.
4. Aksesibilitas. Jika Anda hanya akan menggunakan solusi secara lokal, Anda dapat bergantung pada server internal Anda. Jika perlu diakses dari lokasi geografis yang berbeda, maka ada baiknya mempertimbangkan cloud.

Setiap pendekatan memiliki kelebihan dan kekurangannya. Jika Anda beroperasi di sektor perawatan kesehatan, kami telah menjelaskannya dengan jelas di komputasi awan di postingan perawatan kesehatan di blog kami. Jika tidak, silakan hubungi pakar AI kami untuk memilih tumpukan teknologi terbaik untuk pelatihan algoritme.

Tantangan Terkait

• Kurangnya pelatihan yang tepat. Ini akan menyebabkan masalah, seperti generalisasi model yang buruk, yang berarti model tidak akan membuat prediksi yang akurat pada data yang belum terlihat dalam pelatihan. Kembali ke analisis gambar sinar-X di sektor medis, sebuah algoritme mungkin berhasil menganalisis gambar berkualitas tinggi yang diambil oleh pemindaian canggih, tetapi masih memberikan hasil yang buruk saat diterapkan pada pemindaian yang dihasilkan oleh mesin lama.
• Integrasi dengan sistem yang ada, beberapa di antaranya mungkin sudah ketinggalan zaman atau didukung oleh teknologi berpemilik.
• Gagal menghasilkan arsitektur model yang sesuai (misalnya tidak dapat memilih model ML yang tepat untuk masalah yang dihadapi).
• Kemampuan arsitektur yang dipilih tidak sesuai dengan persyaratan model.
• Data input tidak stabil, yang berarti model harus sering dilatih ulang.
• Menggunakan lebih banyak sumber daya daripada yang dibutuhkan model Anda untuk melakukan tugasnya. Tidak perlu berinvestasi di server yang kuat untuk menjalankan model sederhana.

Langkah 4: Menilai Potensi AI PoC untuk Menghasilkan Nilai

Langkah ini adalah tentang mengevaluasi apakah AI PoC dapat memenuhi harapan. Ada beberapa cara untuk melakukan penilaian.

• Kembali ke indikator kinerja utama (KPI) Anda dan uji solusinya. Faktor-faktor ini mungkin termasuk akurasi, kepuasan pelanggan, kecepatan, fleksibilitas, keadilan dan keamanan.
• Kumpulkan data tentang bagaimana sistem Anda beroperasi sebelum penyebaran AI PoC. Ini dapat mencakup waktu yang dihabiskan untuk tugas manual tertentu dan jumlah kesalahan. Selanjutnya, Anda harus menggunakan informasi tersebut untuk mengevaluasi dampak PoC.
• Bandingkan performa solusi dengan produk lain yang dianggap sebagai tolok ukur untuk jenis masalah ini atau industri yang lebih luas. Misalnya, tolok ukur untuk masalah terkait klasifikasi gambar akan menjadi model yang memberikan hasil akurat pada kumpulan data populer, seperti ImageNet.
• Kumpulkan umpan balik pengguna baik melalui kelompok fokus atau survei online untuk mengukur tingkat kepuasan dan menentukan apa yang kurang.
• Lakukan analisis biaya-manfaat untuk memahami dampak keuangan dari solusi ini pada organisasi.

Tantangan Terkait

• Membuat kesalahan dalam penilaian Anda. Ini bisa berupa kesalahan matematika sederhana selama perhitungan, atau kesalahan terkait perkiraan potensi bisnis.

Langkah 5: Ulangi AI PoC untuk Hasil Lebih Baik, atau Tingkatkan

Jika hasil yang Anda terima pada langkah sebelumnya tidak sesuai, Anda dapat mempertimbangkan untuk mengubah solusi dan mengulangi seluruh proses. Anda dapat membuat perubahan pada algoritme ML dan mengukur performa dengan setiap penyesuaian. Anda juga dapat bereksperimen dengan berbagai komponen perangkat keras atau model layanan cloud alternatif.

Jika Anda puas dengan kinerja AI PoC, Anda dapat meningkatkannya ke berbagai arah. Berikut beberapa contohnya.

• Terapkan PoC ke kasus bisnis lainnya. Cari aplikasi lain dari solusi baru ini dalam bisnis Anda. Misalnya, jika Anda menguji AI sebagai salah satu aplikasi pemeliharaan prediktif, Anda dapat mencoba menerapkannya ke skenario terkait lainnya.
• Skala infrastruktur. Tinjau teknologi yang digunakan untuk menjalankan perangkat lunak ini. Bisakah Anda mendedikasikan lebih banyak daya pemrosesan atau lebih banyak kapasitas penyimpanan data? Modifikasi semacam itu akan memungkinkan Anda untuk menggunakan lebih banyak data, mengurangi latensi, dan mungkin memberikan hasil secara real-time. Ini juga akan meminimalkan kemungkinan kemacetan di masa depan.
• Mengoptimalkan solusi PoC. Meskipun Anda mungkin mendapatkan hasil yang masuk akal di langkah sebelumnya, mungkin ada baiknya mencari cara untuk meningkatkan akurasi. Anda dapat terus melatih algoritme menggunakan data baru atau data berlabel yang lebih akurat. Atau Anda bahkan dapat bereksperimen dengan menerapkan penyesuaian dan perubahan untuk mendapatkan hasil yang lebih baik.

Jika Anda memutuskan untuk mengadopsi AI di seluruh perusahaan setelah fase PoC, Anda dapat menemukan kiat bermanfaat dalam panduan kami tentang cara menerapkan AI di organisasi Anda.

Tantangan Terkait

• Arsitekturnya tidak dipertimbangkan dengan cermat. Solusinya mungkin bekerja dengan baik dengan 10.000 pengguna tetapi macet saat audiens mencapai 100.000.
• Model berisi bug yang akan muncul dengan sendirinya saat Anda mencoba menskalakan solusi AI
• Menerapkan model ke kasus bisnis lain, selain yang dimaksudkan untuk itu. Misalnya, solusi yang dimaksudkan untuk merakit gerobak taman tidak dapat diterapkan untuk merakit truk, karena mungkin membangun gerobak taman besar dengan motor.

Untuk menyimpulkan

Saat menerapkan AI, mulailah dari yang kecil dan tetap dapat dikelola. Pastikan Anda memiliki kasus bisnis yang jelas dengan tujuan dan metrik yang ditentukan untuk mengukur kesuksesan. Dan selalu pertimbangkan untuk membuat AI PoC, kecuali untuk kasus yang disajikan di awal artikel ini. Ini akan membantu Anda mengidentifikasi potensi hambatan sebelum Anda masuk sepenuhnya dan melakukan investasi finansial yang besar dalam solusi yang mungkin tidak memenuhi harapan.

Apakah Anda ingin menerapkan AI di organisasi Anda, tetapi tidak yakin apakah ide bisnis Anda layak? Berhubungan! Tim kami akan membantu Anda melakukan PoC untuk menguji ide Anda dalam praktik.

Awalnya diterbitkan di https://itrexgroup.com pada 9 Januari 2023.