In che modo la creazione di una prova di concetto di intelligenza artificiale può aiutarti a ridurre al minimo i rischi di sviluppo e adozione dell'IA

Pubblicato: 2023-01-19

Il nostro cliente ha perso solo un quarto del budget dedicato a un progetto di intelligenza artificiale (AI) perché ha scelto di iniziare con un proof of concept (PoC). Il PoC ha permesso loro di testare la loro idea e fallire rapidamente con una spesa limitata. Per evitare di sprecare tempo e fatica, chiedi sempre al tuo consulente per le soluzioni di intelligenza artificiale una prova di concetto, soprattutto se la tua azienda sta solo testando le acque dell'IA.

Questo articolo spiega cos'è un AI PoC ed elabora i cinque passaggi che ti guideranno attraverso il tuo primo PoC, insieme alle sfide che potresti incontrare lungo il percorso. Presenta anche esempi di AI PoC dal nostro portfolio. E troverai un lieto fine dell'esempio rappresentato nel paragrafo iniziale.

Cos'è un AI PoC e quando è essenziale per il successo del tuo progetto?

Un AI PoC è un prototipo o una dimostrazione di una proposta di soluzione AI progettata per verificare se la soluzione è fattibile e probabilmente avrà successo. Lo scopo della creazione di un AI PoC è convalidare il concetto, valutare i potenziali vantaggi della soluzione proposta e identificare eventuali sfide o limiti potenziali.

Un AI PoC in genere comporta la creazione di una versione su piccola scala della soluzione AI proposta e il test in un ambiente controllato per vedere come si comporta e se soddisfa gli obiettivi desiderati. I risultati di un AI PoC possono quindi essere utilizzati per informare ulteriormente lo sviluppo e l'implementazione della soluzione.

Rispetto ai normali PoC software, un PoC AI può comportare considerazioni più complesse, come la capacità della soluzione AI di apprendere e adattarsi nel tempo e le potenziali implicazioni etiche della soluzione, come un pregiudizio AI. Anche lo stack tecnologico per i progetti AI PoC è diverso.

Algoritmi di apprendimento automatico

Questi algoritmi consentono a un sistema di intelligenza artificiale di apprendere dai dati strutturati e fare previsioni o decisioni basate su tale apprendimento. Esistono molti tipi diversi di algoritmi di apprendimento automatico, inclusi algoritmi di apprendimento supervisionato, algoritmi di apprendimento non supervisionato e algoritmi di apprendimento per rinforzo.

Reti neurali

Questi modelli computazionali sono ispirati alla struttura e alla funzione del cervello umano. Le reti neurali possono elaborare e analizzare grandi quantità di dati non strutturati. Possono essere addestrati per eseguire varie attività, come il riconoscimento di immagini, l'elaborazione del linguaggio naturale, la modellazione di scenari e la previsione.

Robotica

Questa tecnologia può essere utilizzata per costruire sistemi fisici in grado di operare e prendere decisioni in modo autonomo. Le soluzioni di robotica incorporano sensori, attuatori e altri componenti hardware che consentono agli ingegneri di costruire un robot in grado di interagire con il suo ambiente ed eseguire attività.

Cloud computing

Le piattaforme di cloud computing come Microsoft Azure, Google Cloud e AWS forniscono la potenza di calcolo, le risorse di archiviazione e i servizi preconfigurati necessari per supportare lo sviluppo e il test di AI PoC. Queste piattaforme possono anche ospitare e distribuire soluzioni AI una volta che sono state sviluppate e testate.

La creazione di un AI PoC comporta la raccolta e la preparazione dei dati, la creazione e l'addestramento di modelli di apprendimento automatico e il test e la valutazione delle prestazioni del sistema di intelligenza artificiale. Il tempo necessario per creare un AI PoC può variare notevolmente a seconda di diversi fattori, tra cui la complessità della soluzione AI proposta, le risorse e le competenze disponibili per il PoC e gli obiettivi specifici del PoC. Alcuni AI PoC possono essere sviluppati in pochi giorni o settimane, mentre altri possono richiedere diversi mesi o anche di più per essere completati.

Quando non c'è assolutamente modo di aggirare un AI PoC?

È essenziale iniziare il progetto con un AI PoC nei seguenti scenari.

Il tuo progetto si basa su un'idea innovativa che non è stata ancora testata, qualcosa che è stato studiato a livello aziendale, ma non è stato tentato tecnicamente. Né tu né il tuo fornitore di tecnologia siete sicuri che possa essere implementato.
Se hai bisogno di dimostrare a stakeholder, investitori e altri la fattibilità della tua idea entro un periodo di tempo limitato. Un AI PoC farà il lavoro meglio di un prototipo interattivo o qualcosa di simile.

Ci sono situazioni in cui un AI PoC è una perdita di tempo?

Anche se un AI PoC è vantaggioso nella maggior parte dei casi, ci sono alcune eccezioni. Se il tuo progetto rientra in una delle seguenti categorie, un AI PoC può essere eccessivo.

Se la tua idea e il tuo approccio sono eccezionalmente ben documentati dal punto di vista funzionale e tecnico. Questo è raro.
Se la soluzione che vuoi sviluppare è standard e ricorda le pratiche comuni nel settore. Sappiamo già che questo è fattibile e possibile dal punto di vista tecnico.
Se vuoi creare software che i tuoi sviluppatori front-end e back-end capiscano, spesso perché hanno già lavorato su qualcosa di identico.

Quali vantaggi puoi ottenere da un AI PoC?

L'utilizzo di un AI PoC offre i seguenti vantaggi.

Identificare le potenziali sfide prima di impegnare più risorse in un'impresa. Un AI PoC ti consente di "fallire velocemente, fallire meglio". Se un team incontra sfide che non può superare, tutte le parti interessate hanno il tempo di riorganizzarsi o magari cambiare l'ipotesi per raggiungere gli stessi obiettivi attraverso altri metodi.
Riduzione al minimo dei rischi aziendali, testando idee innovative a piccoli passi invece di immergersi in un progetto a lungo termine.
Migliorare le pratiche di raccolta dei dati.
Coinvolgere investitori e altre parti interessate.
Risparmio di tempo e risorse. Un AI PoC potrebbe scoprire problemi aziendali o relativi ai processi e darti il tempo di sistemare tutto prima di iniziare un progetto su vasta scala.
Costruire competenze e creare proprietari di conoscenze che faranno da mentore a un altro membro del team su progetti simili in futuro.
Testare lo stack tecnologico su scala ridotta per comprenderne l'idoneità per il business case selezionato.

Esempi dal nostro portfolio in cui un AI PoC ha salvato la giornata

Ecco alcuni esempi di AI PoC dal portfolio ITRex che ti aiuteranno ad apprezzare ancora di più l'approccio PoC.

Rendersi conto che il machine learning da solo non è la risposta

Una grande azienda di logistica merci effettuava 10.000-15.000 spedizioni al giorno e ogni spedizione era accompagnata da polizze di carico e fatture a copertura delle operazioni. I dipendenti erano sfiniti dalla gestione manuale di tutta la documentazione. L'azienda desiderava creare una soluzione basata sul machine learning che utilizzasse il riconoscimento ottico dei caratteri (OCR) per elaborare documenti scansionati e identificare diversi campi.

Il cliente riteneva che l'apprendimento automatico fosse la soluzione migliore, quindi abbiamo proceduto con un AI PoC per testare questa ipotesi. Presto ci siamo resi conto che i documenti erano formattati in modo diverso e le etichette utilizzate per i campi variavano in modo significativo, ad esempio solo il campo Load ID aveva 8 alias. Di conseguenza, il modello ML ha continuato a crescere. È diventato lento e inefficiente. Il nostro team ha deciso di accompagnare questo modello con un algoritmo dinamico (ad esempio un dizionario in cui le diverse etichette di campo erano hardcoded). Questa modifica ha migliorato significativamente le prestazioni della soluzione e ha consentito al cliente di risparmiare tempo e denaro.

Se il cliente avesse deciso di saltare l'AI PoC, avrebbe sprecato sette mesi solo per rendersi conto che la sua idea iniziale di un modello basato su ML puro non era la soluzione ottimale. Con un AI PoC, sono giunti a questa conclusione in soli due mesi. Dopo il completamento con successo di questo AI PoC, abbiamo creato un MVP in grado di gestire quattro tipi di documenti, assumendo circa il 25% del carico di elaborazione manuale.

Preso alla sprovvista dalle restrizioni di Meta sull'utilizzo dei dati

Un cliente nel settore dell'intrattenimento desiderava creare una piattaforma analitica basata sull'intelligenza artificiale per artisti musicali indipendenti. La soluzione avrebbe dovuto eseguire la scansione dei social media, inclusi Facebook e Instagram, per raccogliere dati. Elaborerebbe tutte queste informazioni per valutare i sentimenti delle persone nei confronti degli artisti. I musicisti potrebbero iscriversi alla piattaforma e ricevere feedback su quale comportamento sui social media sarebbe il più vantaggioso per il loro successo.

Abbiamo proceduto con un AI PoC per testare l'idea. Dopo appena due settimane, ci siamo resi conto che era semplicemente impossibile raccogliere dati da Facebook e Instagram per utilizzarli per lo scopo sopra descritto. In genere, alcuni dei dati erano recuperabili tramite l'API Graph. Per questo motivo, oltre a un account aziendale verificato in Meta, abbiamo pensato che avremmo ottenuto l'accesso alle informazioni richieste. Tuttavia, il cliente non è stato in grado di fornirci un account aziendale verificato e i dati dell'API Graph da soli non erano sufficienti per il funzionamento di questa soluzione.

Se il cliente avesse deciso di saltare il PoC, avrebbe sprecato circa $ 20.000 per il progetto di scoperta. Ciò avrebbe incluso una descrizione dettagliata della soluzione e la stima dei costi di sviluppo. Ma poiché hanno scelto di iniziare con un AI PoC, hanno speso solo circa $ 5.000 prima di capire che la soluzione proposta era impossibile da eseguire a causa delle restrizioni di accesso ai dati imposte da Meta.

Una guida in cinque passaggi per il tuo primo AI PoC

Ecco cinque passaggi che puoi seguire per completare con successo il tuo AI PoC. Elenchiamo anche le sfide associate a ogni passaggio.

Passaggio 1: identifica i problemi che desideri affrontare con l'IA

È essenziale specificare cosa, esattamente, vuoi ottenere implementando un AI PoC. Il caso d'uso selezionato deve essere di alto valore e rappresentare qualcosa che puoi affrontare al meglio con questa tecnologia. In caso di dubbi, un buon punto di partenza è esaminare per cosa gli altri nel tuo campo utilizzano le soluzioni di intelligenza artificiale. Un'altra strada da percorrere è indagare sui problemi che la tua azienda sta affrontando e confrontarli con il potenziale dell'IA.

Dopo aver accumulato un elenco di opportunità, puoi porre le seguenti domande per determinare quali sono le migliori per il tuo progetto al momento.

Il problema che intendi risolvere è abbastanza specifico? Puoi valutare i risultati per determinare il successo?
Hai già provato a risolvere questo problema con altre tecnologie?
Hai il talento e i fondi per sostenere questo progetto fino alla sua conclusione? Se non ci sono talenti interni adatti, puoi assumere un team esterno dedicato?
In che modo il problema influirà sulla tua attività? Questo effetto è abbastanza significativo da giustificare i tuoi sforzi?
Sarai in grado di vendere questo progetto ai tuoi dirigenti? La tua organizzazione è pronta ad affrontare un progetto del genere?
La tua azienda ha già una strategia dati? In tal caso, come si allineerà a questo progetto?
Quali sono i potenziali rischi e i limiti dell'utilizzo dell'IA per affrontare questo problema?

Sfida associata

Selezionare un caso d'uso che non aggiunge molto valore o non utilizza tutto il potenziale dell'IA. L'intelligenza artificiale è una tecnologia costosa e scegliere un caso insignificante significa spendere più di quanto riceverai. Consulta il nostro articolo su quanto costa implementare l'IA per comprendere meglio le spese.

Passaggio 2: preparare i dati

Ora che hai definito chiaramente il tuo problema, è il momento di aggregare e preparare i dati di addestramento per gli algoritmi AI. Puoi farlo tramite:

verificare quali dati sono disponibili per l'uso all'interno della tua azienda
generazione di dati semisintetici utilizzando specifiche applicazioni già pronte o la tua soluzione
l'acquisto di set di dati da fornitori affidabili
utilizzando dati open-source
assumere persone per raccogliere i dati che si adattano al tuo scopo.

Non devi limitarti a una fonte. È possibile utilizzare una combinazione delle diverse opzioni sopra elencate.

Rivolgiti ai data scientist per eseguire lo screening iniziale dei dati. Svolgeranno le seguenti attività.

Struttura i dati
Puliscilo eliminando il rumore
Aggiungi eventuali punti dati mancanti, in caso di dati tabulari
Eseguire l'ingegnerizzazione delle funzionalità (ovvero l'aggiunta e l'eliminazione di campi dati)
Applicare manipolazioni, come la combinazione o il filtraggio dei dati

I data scientist possono consigliarti su come raccogliere dati aggiuntivi o su come restringere l'ambito dell'AI PoC in modo da poter ottenere i risultati desiderati con i set di dati esistenti.

Quando i dati sono pronti per l'uso, dividili in tre set:

Un training set, che il modello utilizzerà per apprendere.
Un set di convalida per convalidare il modello e ripetere l'addestramento.
Un set di test che valuterà le prestazioni dell'algoritmo.

Sfide associate

I dati di addestramento non sono rappresentativi dell'intera popolazione. In questo caso, gli algoritmi potrebbero funzionare bene in casi comuni, ma forniranno scarsi risultati in eventi rari. Ad esempio, un modello ML sanitario che analizza i raggi X potrebbe eccellere nel rilevare disturbi comuni, come il versamento, ma difficilmente riuscirà a individuare disturbi rari, come un'ernia.
Squilibrio di classe, quando il numero di casi che rappresentano una classe è significativamente maggiore di un'altra, con un rapporto dal 99,9% allo 0,1%.
Etichettatura errata, come mischiare classi (ad es. etichettare una bicicletta come un'auto).
Rumore elevato nel set di dati di addestramento.
Difficoltà a raggiungere la pura separabilità di classe. Ciò accade quando alcuni dati nel set di addestramento non possono essere classificati correttamente in una particolare classe.

Passaggio 3: progettare e costruire o acquistare la soluzione

Probabilmente ti starai chiedendo se dovresti costruire tu stesso il modello o se puoi procurarti una soluzione esistente. Ecco quando ha senso creare un modello AI da zero.

La tua soluzione è innovativa e non è conforme a uno standard esistente.
Le soluzioni già pronte sono costose da personalizzare.
Il modello standard più vicino è eccessivo e fa molto di più di quanto effettivamente ti serve.

Prendi in considerazione l'acquisto di un modello già pronto se i costi di acquisto e personalizzazione del modello sono inferiori rispetto alla creazione da zero.

Se decidi di costruire l'algoritmo AI da zero, avrai un maggiore controllo sulla sua precisione. Ci vorrà più tempo per completare l'attività, ma sarà adattata al tuo problema aziendale e ai tuoi processi interni. Non sarà necessario apportare modifiche al sistema per ospitare software esterno.

Per quanto riguarda l'infrastruttura per l'addestramento e l'implementazione degli algoritmi, puoi fare affidamento sul cloud invece di utilizzare le risorse locali. Ci sono quattro parametri che puoi considerare quando decidi cosa ti si addice meglio.

Sicurezza. Se i tuoi dati sono molto sensibili quando si tratta di sicurezza, allora è meglio tenere tutto in locale.
Carico di lavoro. Se il carico di elaborazione è piuttosto pesante, opta per il cloud.
Costi. Valuta cosa ti costerà di più: acquisire le risorse localmente o pagare per l'utilizzo del cloud nel tempo.
Accessibilità. Se utilizzerai la soluzione solo localmente, puoi fare affidamento sui tuoi server interni. Se deve essere accessibile da diverse posizioni geografiche, allora vale la pena considerare il cloud.

Ogni approccio ha i suoi vantaggi e svantaggi. Se operi nel settore sanitario, abbiamo quelli chiaramente spiegati nel post sul cloud computing nel settore sanitario sul nostro blog. Altrimenti, sentiti libero di contattare i nostri esperti di intelligenza artificiale per scegliere il miglior stack tecnologico per l'addestramento degli algoritmi.

Sfide associate

Mancanza di una formazione adeguata. Ciò causerà problemi, ad esempio una scarsa generalizzabilità del modello, il che significa che il modello non effettuerà previsioni accurate sui dati che non ha visto durante l'addestramento. Tornando all'analisi delle immagini a raggi X nel settore medico, un algoritmo potrebbe analizzare con successo immagini di alta qualità catturate da scansioni all'avanguardia, ma ancora ottenere scarsi risultati se applicato a scansioni generate da macchine meno recenti.
Integrazione con sistemi esistenti, alcuni dei quali potrebbero essere obsoleti o alimentati da tecnologie proprietarie.
Non riuscire a trovare un'architettura del modello adatta (ad esempio non essere in grado di scegliere il modello ML giusto per il problema in questione).
La capacità dell'architettura selezionata non può corrispondere ai requisiti del modello.
I dati di input sono volatili, il che significa che il modello deve essere riaddestrato frequentemente.
Utilizzo di più risorse di quelle richieste dal modello per eseguire le sue attività. Non è necessario investire in un server potente per eseguire un modello semplice.

Passaggio 4: valutare il potenziale dell'AI PoC per generare valore

Questo passaggio riguarda la valutazione se l'AI PoC può essere all'altezza delle aspettative. Esistono diversi modi per eseguire la valutazione.

Torna ai tuoi indicatori chiave di prestazione (KPI) e testa la soluzione rispetto a loro. Questi fattori possono includere accuratezza, soddisfazione del cliente, velocità, flessibilità, correttezza e sicurezza.
Raccogli dati su come funzionava il tuo sistema prima dell'implementazione dell'AI PoC. Ciò può includere il tempo impiegato per una particolare attività manuale e il numero di errori. Successivamente, dovresti utilizzare le informazioni per valutare l'impatto del PoC.
Confronta le prestazioni della soluzione con altri prodotti che sono considerati il punto di riferimento per questo tipo di problema o per il settore in generale. Ad esempio, un punto di riferimento per i problemi relativi alla classificazione delle immagini sarebbe un modello che fornisce risultati accurati su set di dati popolari, come ImageNet.
Raccogli il feedback degli utenti tramite focus group o sondaggi online per misurare i livelli di soddisfazione e determinare cosa manca.
Condurre un'analisi costi-benefici per comprendere l'impatto finanziario di questa soluzione sull'organizzazione.

Sfide associate

Fare un errore nella tua valutazione. Può trattarsi di un semplice errore di matematica durante i calcoli o di un errore relativo alla stima del potenziale di business.

Passaggio 5: itera sull'AI PoC per ottenere risultati migliori o ridimensionalo

Se i risultati ottenuti nel passaggio precedente non sono all'altezza, potresti considerare di modificare la soluzione e ripetere l'intero processo. Puoi apportare modifiche all'algoritmo ML e misurare le prestazioni con ogni aggiustamento. Puoi anche sperimentare diversi componenti hardware o modelli di servizi cloud alternativi.

Se sei soddisfatto delle prestazioni dell'AI PoC, puoi lavorare per ridimensionarlo in diverse direzioni. Ecco alcuni esempi.

Applica il PoC ad altri casi aziendali. Cerca altre applicazioni di questa nuova soluzione all'interno della tua azienda. Ad esempio, se stai testando l'IA come un'applicazione di manutenzione predittiva, puoi provare ad applicarla ad altri scenari correlati.
Scala l'infrastruttura. Esaminare la tecnologia utilizzata per eseguire questo software. Puoi dedicare più potenza di elaborazione o più capacità di archiviazione dei dati? Tali modifiche ti consentiranno di utilizzare più dati, ridurre la latenza e forse fornire risultati in tempo reale. Ridurrà inoltre al minimo la possibilità di colli di bottiglia in futuro.
Ottimizza la soluzione PoC. Anche se potresti aver ottenuto risultati ragionevoli nel passaggio precedente, potrebbe valere la pena cercare modi per migliorare la precisione. Puoi continuare ad addestrare i tuoi algoritmi utilizzando nuovi dati o dati etichettati in modo più accurato. Oppure puoi anche sperimentare l'implementazione di modifiche e modifiche per ottenere risultati migliori.

Se decidi di adottare l'IA a livello aziendale dopo la fase PoC, puoi trovare suggerimenti utili nella nostra guida su come implementare l'IA nella tua organizzazione.

Sfide associate

L'architettura non è stata attentamente considerata. La soluzione potrebbe funzionare bene con 10.000 utenti ma bloccarsi quando il pubblico raggiunge 100.000.
Il modello contiene bug che si manifesteranno quando tenti di ridimensionare la soluzione AI
Applicare il modello ad altri casi aziendali, diversi da quelli a cui era destinato. Ad esempio, una soluzione che serve per assemblare una carriola da giardino non può essere applicata all'assemblaggio di camion, in quanto potrebbe costruire una grande carriola da giardino con motore.

Concludere

Quando si tratta di implementare l'IA, inizia in piccolo e rimani gestibile. Assicurati di avere un business case chiaro con obiettivi e parametri definiti per misurare il successo. E considera sempre la creazione di un AI PoC, ad eccezione dei casi presentati all'inizio di questo articolo. Questo ti aiuterà a identificare eventuali potenziali ostacoli prima di entrare completamente e fare un grande investimento finanziario in una soluzione che potrebbe non essere all'altezza delle aspettative.

Vuoi implementare l'IA nella tua organizzazione, ma non sei sicuro che la tua idea di business sia fattibile? Contattaci! Il nostro team ti aiuterà a condurre un PoC per testare la tua idea nella pratica.

Originariamente pubblicato su https://itrexgroup.com il 9 gennaio 2023.