Jak tworzenie weryfikacji koncepcji sztucznej inteligencji może pomóc zminimalizować ryzyko rozwoju i adopcji sztucznej inteligencji

Opublikowany: 2023-01-19

Nasz klient stracił tylko jedną czwartą budżetu przeznaczonego na projekt sztucznej inteligencji (AI), ponieważ zdecydował się zacząć od weryfikacji koncepcji (PoC). PoC pozwolił im przetestować swój pomysł i szybko ponieść porażkę przy ograniczonych wydatkach. Aby uniknąć marnowania czasu i wysiłku, zawsze pytaj swojego konsultanta ds. rozwiązań AI o weryfikację koncepcji — zwłaszcza jeśli Twoja firma dopiero testuje wody sztucznej inteligencji.

W tym artykule wyjaśniono, czym jest AI PoC i opisano pięć kroków, które poprowadzą Cię przez pierwszy PoC, wraz z wyzwaniami, które możesz napotkać po drodze. Przedstawia również przykłady AI PoC z naszego portfolio. I znajdziesz szczęśliwe zakończenie przykładu przedstawionego w pierwszym akapicie.

Co to jest AI PoC i kiedy jest niezbędne dla powodzenia Twojego projektu?

AI PoC to prototyp lub demonstracja proponowanego rozwiązania AI zaprojektowanego w celu sprawdzenia, czy rozwiązanie jest wykonalne i czy może odnieść sukces. Celem stworzenia AI PoC jest weryfikacja koncepcji, ocena potencjalnych korzyści proponowanego rozwiązania oraz identyfikacja potencjalnych wyzwań lub ograniczeń.

AI PoC zazwyczaj polega na zbudowaniu małej wersji proponowanego rozwiązania AI i przetestowaniu go w kontrolowanym środowisku, aby zobaczyć, jak działa i czy spełnia pożądane cele. Wyniki AI PoC można następnie wykorzystać do dalszego opracowywania i wdrażania rozwiązania.

W porównaniu ze zwykłymi programowymi PoC, AI PoC może obejmować bardziej złożone kwestie, takie jak zdolność rozwiązania AI do uczenia się i dostosowywania w czasie oraz potencjalne implikacje etyczne rozwiązania, takie jak stronniczość AI. Stos technologii dla projektów AI PoC jest również inny.

Algorytmy uczenia maszynowego

Algorytmy te umożliwiają systemowi sztucznej inteligencji uczenie się na podstawie danych strukturalnych i dokonywanie prognoz lub podejmowanie decyzji w oparciu o takie uczenie się. Istnieje wiele różnych typów algorytmów uczenia maszynowego, w tym algorytmy uczenia nadzorowanego, algorytmy uczenia nienadzorowanego i algorytmy uczenia ze wzmocnieniem.

Sieci neuronowe

Te modele obliczeniowe są inspirowane strukturą i funkcją ludzkiego mózgu. Sieci neuronowe mogą przetwarzać i analizować duże ilości nieustrukturyzowanych danych. Można je wyszkolić do wykonywania różnych zadań, takich jak rozpoznawanie obrazu, przetwarzanie języka naturalnego, modelowanie scenariuszy i przewidywanie.

Robotyka

Technologia ta może być wykorzystana do budowy systemów fizycznych zdolnych do autonomicznego działania i podejmowania decyzji. Rozwiązania robotyki obejmują czujniki, siłowniki i inne komponenty sprzętowe, które umożliwiają inżynierom zbudowanie robota, który może wchodzić w interakcje z otoczeniem i wykonywać zadania.

Chmura obliczeniowa

Platformy przetwarzania w chmurze, takie jak Microsoft Azure, Google Cloud i AWS, zapewniają moc obliczeniową, zasoby pamięci masowej i wstępnie skonfigurowane usługi potrzebne do wspierania rozwoju i testowania sztucznej inteligencji PoC. Platformy te mogą również hostować i wdrażać rozwiązania AI po ich opracowaniu i przetestowaniu.

Tworzenie AI PoC obejmuje gromadzenie i przygotowywanie danych, budowanie i szkolenie modeli uczenia maszynowego oraz testowanie i ocenę wydajności systemu AI. Czas potrzebny na utworzenie PoC AI może się znacznie różnić w zależności od kilku czynników, w tym złożoności proponowanego rozwiązania AI, zasobów i wiedzy dostępnej dla PoC oraz konkretnych celów PoC. Niektóre PoC AI można opracować w ciągu zaledwie kilku dni lub tygodni, podczas gdy ukończenie innych może zająć kilka miesięcy lub nawet dłużej.

Kiedy nie ma absolutnie żadnego sposobu na obejście AI PoC?

Niezbędne jest rozpoczęcie projektu od AI PoC w następujących scenariuszach.

Twój projekt opiera się na innowacyjnym pomyśle, który nie został jeszcze przetestowany — czymś, co zostało zbadane na poziomie biznesowym, ale nie zostało wypróbowane technicznie. Ani Ty, ani Twój dostawca technologii nie jesteście pewni, czy można to wdrożyć.
Jeśli chcesz zademonstrować interesariuszom, inwestorom i innym wykonalność swojego pomysłu w ograniczonym czasie. AI PoC wykona zadanie lepiej niż interaktywny prototyp lub coś podobnego.

Czy istnieją sytuacje, w których AI PoC jest stratą czasu?

Mimo że AI PoC jest korzystne w większości przypadków, istnieje kilka wyjątków. Jeśli Twój projekt należy do jednej z poniższych kategorii, AI PoC może być przesadą.

Jeśli Twój pomysł i podejście są wyjątkowo dobrze udokumentowane z perspektywy funkcjonalnej i technicznej. To jest rzadkie.
Jeśli rozwiązanie, które chcesz opracować jest standardowe i przypomina powszechne praktyki w terenie. Wiemy już, że jest to wykonalne i możliwe z technicznego punktu widzenia.
Jeśli chcesz tworzyć oprogramowanie, które twoi programiści front-end i back-end rozumieją, często dlatego, że pracowali już nad czymś identycznym.

Jakie korzyści można uzyskać z AI PoC?

Korzystanie z AI PoC przynosi następujące korzyści.

Identyfikacja potencjalnych wyzwań przed zaangażowaniem większych zasobów w przedsięwzięcie. AI PoC pozwala „szybko ponieść porażkę, ponieść porażkę lepiej”. Jeśli zespół napotyka wyzwania, którym nie jest w stanie sprostać, wszyscy interesariusze mają czas na przegrupowanie się lub zmianę hipotezy, aby osiągnąć te same cele innymi metodami.
Minimalizowanie ryzyka biznesowego dzięki testowaniu innowacyjnych pomysłów małymi krokami zamiast zagłębiania się w długoterminowy projekt.
Poprawa praktyk gromadzenia danych.
Włączenie inwestorów i innych interesariuszy.
Oszczędność czasu i zasobów. AI PoC może wykryć problemy biznesowe lub związane z procesami i dać czas na naprawienie wszystkiego przed rozpoczęciem projektu na pełną skalę.
Budowanie wiedzy eksperckiej i tworzenie właścicieli wiedzy, którzy będą mentorami innego członka zespołu przy podobnych projektach w przyszłości.
Testowanie stosu technologii na mniejszą skalę, aby zrozumieć jego przydatność dla wybranego przypadku biznesowego.

Przykłady z naszego portfolio, w których AI PoC uratowało dzień

Oto kilka przykładów AI PoC z portfolio ITRex, które pomogą Ci jeszcze bardziej docenić podejście PoC.

Uświadomienie sobie, że sama ML nie jest odpowiedzią

Duża firma zajmująca się logistyką ładunków wykonywała dziennie 10 000–15 000 przesyłek, a każdej przesyłce towarzyszyły konosamenty i faktury na pokrycie operacji. Pracownicy byli wyczerpani ręczną obsługą całej dokumentacji. Firma chciała zbudować rozwiązanie oparte na uczeniu maszynowym, które wykorzystywałoby optyczne rozpoznawanie znaków (OCR) do przetwarzania zeskanowanych dokumentów i identyfikowania różnych pól.

Klient uważał, że uczenie maszynowe jest najlepszym rozwiązaniem, więc przystąpiliśmy do AI PoC, aby przetestować to założenie. Wkrótce zdaliśmy sobie sprawę, że dokumenty były sformatowane w inny sposób, a etykiety używane w polach znacznie się różniły — na przykład samo pole Identyfikator ładunku miało 8 aliasów. W rezultacie model ML stale się rozwijał. Stał się powolny i nieefektywny. Nasz zespół postanowił dołączyć do tego modelu dynamiczny algorytm (np. słownik, w którym zakodowano różne etykiety pól). Ta modyfikacja znacznie poprawiła wydajność rozwiązania i zaoszczędziła czas i pieniądze klienta.

Gdyby klient zdecydował się pominąć AI PoC, zmarnowałby siedem miesięcy tylko po to, by zdać sobie sprawę, że jego początkowy pomysł na model oparty wyłącznie na ML nie był optymalnym rozwiązaniem. Dzięki AI PoC doszli do tego wniosku w ciągu zaledwie dwóch miesięcy. Po pomyślnym zakończeniu tego AI PoC zbudowaliśmy MVP, który mógł obsłużyć cztery typy dokumentów, przejmując około 25% obciążenia ręcznego przetwarzania.

Zaskoczony ograniczeniami Meta dotyczącymi wykorzystania danych

Klient z branży rozrywkowej chciał zbudować opartą na sztucznej inteligencji platformę analityczną dla niezależnych wykonawców muzycznych. Rozwiązanie miało indeksować media społecznościowe, w tym Facebook i Instagram, w celu zebrania danych. Przetwarzałby wszystkie te informacje, aby ocenić nastroje ludzi wobec artystów. Muzycy mogli zarejestrować się na platformie i otrzymywać informacje zwrotne na temat tego, jakie zachowania w mediach społecznościowych byłyby najbardziej korzystne dla ich sukcesu.

Kontynuowaliśmy z AI PoC, aby przetestować ten pomysł. Już po dwóch tygodniach zdaliśmy sobie sprawę, że zebranie danych z Facebooka i Instagrama w celu wykorzystania ich w wyżej opisanym celu jest po prostu niemożliwe. Zazwyczaj niektóre dane można było pobrać za pomocą Graph API. Dzięki temu, a także zweryfikowanemu kontu firmowemu w Meta, założyliśmy, że uzyskamy dostęp do wymaganych informacji. Jednak klient nie był w stanie dostarczyć nam zweryfikowanego konta firmowego, a same dane z Graph API nie wystarczyły do działania tego rozwiązania.

Gdyby klient zdecydował się pominąć PoC, zmarnowałby około 20 000 USD na projekt odkrycia. Obejmowałoby to szczegółowy opis rozwiązania i oszacowanie kosztów rozwoju. Ale ponieważ zdecydowali się zacząć od AI PoC, wydali tylko około 5000 USD, zanim zorientowali się, że proponowane rozwiązanie jest niemożliwe do wykonania z powodu ograniczeń dostępu do danych narzuconych przez Meta.

Przewodnik w pięciu krokach dotyczący Twojego pierwszego PoC AI

Oto pięć kroków, które możesz wykonać, aby pomyślnie przejść przez AI PoC. Wymieniamy również wyzwania związane z każdym krokiem.

Krok 1: Określ, które problemy chcesz rozwiązać za pomocą sztucznej inteligencji

Niezbędne jest określenie, co dokładnie chcesz osiągnąć, wdrażając AI PoC. Wybrany przypadek użycia musi mieć wysoką wartość i reprezentować coś, co najlepiej można rozwiązać za pomocą tej technologii. Jeśli masz wątpliwości, dobrym miejscem do rozpoczęcia jest sprawdzenie, do czego inni w Twojej branży używają rozwiązań AI. Innym sposobem jest zbadanie problemów, przed którymi stoi Twoja firma, i porównanie ich z potencjałem sztucznej inteligencji.

Po zgromadzeniu listy możliwości możesz zadać następujące pytania, aby określić, które z nich najlepiej pasują do Twojego projektu w danym momencie.

Czy problem, który zamierzasz rozwiązać, jest wystarczająco konkretny? Czy możesz ocenić wyniki, aby określić sukces?
Czy próbowałeś już rozwiązać ten problem za pomocą innych technologii?
Czy masz talent i fundusze, aby wesprzeć ten projekt do końca? Jeśli w firmie nie ma odpowiedniego talentu, czy można zatrudnić zewnętrzny dedykowany zespół?
Jak problem wpłynie na Twoją firmę? Czy ten efekt jest wystarczająco znaczący, aby uzasadnić twoje wysiłki?
Czy będziesz w stanie sprzedać ten projekt swoim menedżerom? Czy Twoja organizacja jest gotowa podjąć się takiego projektu?
Czy Twoja firma ma już strategię dotyczącą danych? Jeśli tak, w jaki sposób będzie to zgodne z tym projektem?
Jakie są potencjalne zagrożenia i ograniczenia związane z wykorzystaniem sztucznej inteligencji do rozwiązania tego problemu?

Powiązane wyzwanie

Wybór przypadku użycia, który nie wnosi dużej wartości lub nie wykorzystuje pełnego potencjału sztucznej inteligencji. Sztuczna inteligencja to droga technologia, a wybór nieistotnej sprawy oznacza, że wydasz więcej, niż otrzymasz. Sprawdź nasz artykuł o tym, ile kosztuje wdrożenie AI, aby lepiej zrozumieć wydatki.

Krok 2: Przygotuj dane

Teraz, gdy masz jasno zdefiniowany problem, nadszedł czas na agregację i przygotowanie danych treningowych dla algorytmów AI. Możesz to zrobić przez:

sprawdzenie, które dane są dostępne do wykorzystania w Twojej firmie
generowanie półsyntetycznych danych z wykorzystaniem konkretnych gotowych aplikacji lub własnego rozwiązania
zakup zbiorów danych od wiarygodnych dostawców
z wykorzystaniem danych open source
zatrudnianie ludzi do zbierania danych, które będą pasować do twojego celu.

Nie musisz ograniczać się do jednego źródła. Możesz użyć kombinacji kilku opcji wymienionych powyżej.

Zwróć się do naukowców zajmujących się danymi, aby przeprowadzić wstępną kontrolę danych. Będą wykonywać następujące zadania.

Ustrukturyzuj dane
Wyczyść go, eliminując hałas
W przypadku danych tabelarycznych dodaj brakujące punkty danych
Wykonywanie inżynierii funkcji (tj. dodawanie i usuwanie pól danych)
Zastosuj manipulacje, takie jak łączenie lub filtrowanie danych

Analitycy danych mogą doradzić, jak zebrać dodatkowe dane lub jak zawęzić zakres AI PoC, aby osiągnąć pożądane wyniki przy użyciu istniejących zestawów danych.

Gdy dane będą gotowe do użycia, podziel je na trzy zestawy:

Zbiór treningowy, którego model będzie używał do nauki.
Zestaw walidacji do sprawdzania poprawności modelu i iteracji podczas szkolenia.
Zestaw testowy, który oceni wydajność algorytmu.

Powiązane wyzwania

Dane treningowe nie są reprezentatywne dla całej populacji. W takim przypadku algorytmy mogą działać dobrze w typowych przypadkach, ale będą dawać słabe wyniki w rzadkich przypadkach. Na przykład model ML dla służby zdrowia, który analizuje zdjęcia rentgenowskie, może doskonale wykrywać typowe zaburzenia, takie jak wysięk, ale będzie miał trudności z wykrywaniem rzadkich zaburzeń, takich jak przepuklina.
Nierównowaga klas, gdy liczba przypadków reprezentujących jedną klasę jest znacznie większa niż inna, ze stosunkiem 99,9% do 0,1%.
Nieprawidłowe oznakowanie, np. mieszanie klas (np. oznakowanie roweru jako samochodu).
Wysoki poziom szumu w zbiorze danych szkoleniowych.
Trudność w osiągnięciu czystej separacji klas. Dzieje się tak, gdy niektórych danych w zbiorze uczącym nie można poprawnie sklasyfikować w określonej klasie.

Krok 3: Zaprojektuj i zbuduj lub kup rozwiązanie

Prawdopodobnie zastanawiasz się, czy powinieneś sam zbudować model, czy też możesz zamówić istniejące rozwiązanie. Oto moment, w którym warto stworzyć model AI od podstaw.

Twoje rozwiązanie jest innowacyjne i nie jest zgodne z istniejącym standardem.
Gotowe rozwiązania są kosztowne w dostosowywaniu.
Najbliższy gotowy model jest przesadą i robi znacznie więcej, niż faktycznie potrzebujesz.

Rozważ zakup gotowego modelu, jeśli koszty zakupu i dostosowania modelu są niższe niż zbudowanie go od podstaw.

Jeśli zdecydujesz się zbudować algorytm AI od podstaw, będziesz miał większą kontrolę nad jego dokładnością. Wykonanie zadania zajmie więcej czasu, ale będzie dostosowane do Twojego problemu biznesowego i Twoich wewnętrznych procesów. Nie będziesz musiał wprowadzać zmian w swoim systemie, aby dostosować oprogramowanie zewnętrzne.

Jeśli chodzi o infrastrukturę do szkolenia i wdrażania algorytmów, możesz polegać na chmurze zamiast korzystać z zasobów lokalnych. Istnieją cztery parametry, które możesz wziąć pod uwagę przy podejmowaniu decyzji, co najbardziej Ci odpowiada.

Bezpieczeństwo. Jeśli Twoje dane są bardzo wrażliwe, jeśli chodzi o bezpieczeństwo, lepiej trzymaj wszystko lokalnie.
Obciążenie pracą. Jeśli obciążenie przetwarzania jest dość duże, wybierz chmurę.
Koszty. Oceń, co będzie Cię kosztować więcej: pozyskiwanie zasobów lokalnie czy płacenie za korzystanie z chmury w czasie.
Dostępność. Jeśli będziesz używać rozwiązania tylko lokalnie, możesz polegać na serwerach wewnętrznych. Jeśli ma być dostępny z różnych lokalizacji geograficznych, warto rozważyć chmurę.

Każde podejście ma swoje zalety i wady. Jeśli działasz w sektorze opieki zdrowotnej, mamy te jasno wyjaśnione w poście dotyczącym przetwarzania w chmurze w opiece zdrowotnej na naszym blogu. W przeciwnym razie skontaktuj się z naszymi ekspertami od sztucznej inteligencji, aby wybrać najlepszy zestaw technologii do szkolenia algorytmów.

Powiązane wyzwania

Brak odpowiedniego szkolenia. Spowoduje to problemy, takie jak słaba generalizacja modelu, co oznacza, że model nie będzie zawierał dokładnych prognoz dotyczących danych, których nie widział podczas szkolenia. Wracając do analizy obrazów rentgenowskich w sektorze medycznym, algorytm może z powodzeniem analizować wysokiej jakości obrazy zarejestrowane przez najnowocześniejsze skany, ale nadal wypada słabo w przypadku skanów generowanych przez starsze maszyny.
Integracja z istniejącymi systemami, z których niektóre mogą być przestarzałe lub oparte na zastrzeżonych technologiach.
Nieopracowanie odpowiedniej architektury modelu (np. niemożność wybrania odpowiedniego modelu ML dla danego problemu).
Możliwości wybranej architektury nie mogą odpowiadać wymaganiom modelu.
Dane wejściowe są niestabilne, co oznacza, że model musi być często przeszkolony.
Używanie większej ilości zasobów, niż wymaga tego Twój model do wykonywania swoich zadań. Nie ma potrzeby inwestowania w potężny serwer, aby uruchomić prosty model.

Krok 4: Oceń potencjał AI PoC do generowania wartości

Ten krok polega na ocenie, czy AI PoC może sprostać oczekiwaniom. Istnieje kilka sposobów przeprowadzenia oceny.

Wróć do kluczowych wskaźników wydajności (KPI) i przetestuj rozwiązanie względem nich. Czynniki te mogą obejmować dokładność, zadowolenie klienta, szybkość, elastyczność, uczciwość i bezpieczeństwo.
Zbierz dane o działaniu systemu przed wdrożeniem AI PoC. Może to obejmować czas spędzony na określonym zadaniu ręcznym i liczbę błędów. Następnie należy wykorzystać te informacje do oceny wpływu PoC.
Porównaj wydajność rozwiązania z innymi produktami, które są uważane za punkt odniesienia dla tego typu problemów lub szerzej w branży. Na przykład punktem odniesienia dla problemów związanych z klasyfikacją obrazów byłby model, który zapewnia dokładne wyniki na popularnych zestawach danych, takich jak ImageNet.
Zbierz opinie użytkowników za pośrednictwem grup fokusowych lub ankiet online, aby ocenić poziom zadowolenia i określić, czego brakuje.
Przeprowadź analizę kosztów i korzyści, aby zrozumieć finansowy wpływ tego rozwiązania na organizację.

Powiązane wyzwania

Popełniasz błąd w ocenie. Może to być zwykły błąd matematyczny podczas obliczeń lub błąd związany z oszacowaniem potencjału biznesowego.

Krok 5: Iteruj AI PoC, aby uzyskać lepsze wyniki, lub skaluj go w górę

Jeśli wyniki otrzymane w poprzednim kroku nie są zgodne, możesz rozważyć zmodyfikowanie rozwiązania i powtórzenie całego procesu. Możesz wprowadzać zmiany w algorytmie ML i mierzyć wydajność przy każdej zmianie. Możesz także eksperymentować z różnymi komponentami sprzętowymi lub alternatywnymi modelami usług w chmurze.

Jeśli jesteś zadowolony z wydajności AI PoC, możesz pracować nad skalowaniem jej w różnych kierunkach. Oto kilka przykładów.

Zastosuj PoC do innych przypadków biznesowych. Poszukaj innych zastosowań tego nowego rozwiązania w swojej firmie. Na przykład, jeśli testujesz sztuczną inteligencję jako jedną aplikację konserwacji predykcyjnej, możesz spróbować zastosować ją w innych powiązanych scenariuszach.
Skaluj infrastrukturę. Przejrzyj technologię używaną do uruchamiania tego oprogramowania. Czy możesz przeznaczyć więcej mocy obliczeniowej lub więcej pojemności do przechowywania danych? Takie modyfikacje pozwolą ci wykorzystać więcej danych, zmniejszyć opóźnienia i być może dostarczyć wyniki w czasie rzeczywistym. Zminimalizuje to również możliwość wystąpienia wąskich gardeł w przyszłości.
Zoptymalizuj rozwiązanie PoC. Nawet jeśli w poprzednim kroku uzyskałeś rozsądne wyniki, warto poszukać sposobów na poprawę dokładności. Możesz nadal trenować swoje algorytmy, korzystając z nowych danych lub dokładniej oznaczonych danych. Możesz też poeksperymentować z wprowadzaniem ulepszeń i zmian, aby osiągnąć lepsze wyniki.

Jeśli zdecydujesz się wdrożyć sztuczną inteligencję w całej firmie po fazie PoC, w naszym przewodniku znajdziesz pomocne wskazówki dotyczące wdrażania sztucznej inteligencji w Twojej organizacji.

Powiązane wyzwania

Architektura nie została dokładnie przemyślana. Rozwiązanie może działać dobrze z 10 000 użytkowników, ale ulega awarii, gdy liczba odbiorców osiągnie 100 000.
Model zawiera błędy, które ujawnią się podczas próby skalowania rozwiązania AI
Stosowanie modelu do innych przypadków biznesowych, innych niż te, dla których był przeznaczony. Na przykład rozwiązania przeznaczonego do montażu taczki ogrodowej nie można zastosować do montażu ciężarówek, ponieważ mogłoby to spowodować zbudowanie dużej taczki ogrodowej z silnikiem.

Podsumowując

Jeśli chodzi o wdrażanie sztucznej inteligencji, zacznij od małych kroków i zachowaj łatwość zarządzania. Upewnij się, że masz jasne uzasadnienie biznesowe ze zdefiniowanymi celami i miernikami do mierzenia sukcesu. I zawsze rozważ utworzenie AI PoC, z wyjątkiem przypadków przedstawionych na początku tego artykułu. Pomoże Ci to zidentyfikować wszelkie potencjalne przeszkody, zanim w pełni zaangażujesz się i dokonasz dużej inwestycji finansowej w rozwiązanie, które może nie spełniać oczekiwań.

Chcesz wdrożyć AI w swojej organizacji, ale nie jesteś pewien, czy Twój pomysł na biznes jest wykonalny? Skontaktuj się! Nasz zespół pomoże Ci przeprowadzić PoC, aby przetestować Twój pomysł w praktyce.

Pierwotnie opublikowane na stronie https://itrexgroup.com 9 stycznia 2023 r.