Cum vă poate ajuta crearea unei dovezi de concept AI să minimizați riscurile de dezvoltare și adoptare a IA

Clientul nostru a pierdut doar un sfert din bugetul pe care l-a dedicat unui proiect de inteligență artificială (AI) pentru că a ales să înceapă cu o dovadă de concept (PoC). PoC le-a permis să-și testeze ideea și să eșueze rapid cu cheltuieli limitate. Pentru a evita pierderea timpului și a efortului, cereți întotdeauna consultantului dvs. de soluții AI o dovadă a conceptului, mai ales dacă compania dvs. doar testează apele AI.

Acest articol explică ce este un PoC AI și detaliază cei cinci pași care vă vor ghida prin primul dvs. PoC, împreună cu provocările pe care le puteți întâlni pe parcurs. De asemenea, prezintă exemple de AI PoC din portofoliul nostru. Și veți găsi un final fericit al exemplului descris în paragraful de deschidere.

Ce este un AI PoC și când este esențial pentru succesul proiectului tău?

Un AI PoC este un prototip sau o demonstrație a unei soluții AI propuse, concepute pentru a testa dacă soluția este fezabilă și probabil că va avea succes. Scopul creării unui PoC AI este de a valida conceptul, de a evalua beneficiile potențiale ale soluției propuse și de a identifica orice provocări sau limitări potențiale.

Un AI PoC implică de obicei construirea unei versiuni la scară mică a soluției AI propuse și testarea acesteia într-un mediu controlat pentru a vedea cum funcționează și dacă îndeplinește obiectivele dorite. Rezultatele unui AI PoC pot fi apoi utilizate pentru a informa în continuare dezvoltarea și implementarea soluției.

În comparație cu PoC-urile software obișnuite, un PoC AI poate implica considerații mai complexe, cum ar fi capacitatea soluției AI de a învăța și de a se adapta în timp și potențialele implicații etice ale soluției, cum ar fi părtinirea AI. De asemenea, tehnologia pentru proiectele AI PoC este diferită.

Algoritmi de învățare automată

Acești algoritmi permit unui sistem AI să învețe din date structurate și să facă predicții sau decizii bazate pe o astfel de învățare. Există multe tipuri diferite de algoritmi de învățare automată, inclusiv algoritmi de învățare supravegheată, algoritmi de învățare nesupravegheată și algoritmi de învățare prin consolidare.

Rețele neuronale

Aceste modele de calcul sunt inspirate de structura și funcția creierului uman. Rețelele neuronale pot procesa și analiza cantități mari de date nestructurate. Aceștia pot fi instruiți pentru a îndeplini diverse sarcini, cum ar fi recunoașterea imaginilor, procesarea limbajului natural, modelarea scenariilor și predicția.

Robotică

Această tehnologie poate fi utilizată pentru a construi sisteme fizice capabile de operare autonomă și de luare a deciziilor. Soluțiile de robotică încorporează senzori, actuatoare și alte componente hardware care permit inginerilor să construiască un robot care poate interacționa cu mediul său și poate îndeplini sarcini.

Cloud Computing

Platformele de cloud computing precum Microsoft Azure, Google Cloud și AWS oferă puterea de calcul, resursele de stocare și serviciile preconfigurate necesare pentru a sprijini dezvoltarea și testarea PoC-urilor AI. Aceste platforme pot, de asemenea, să găzduiască și să implementeze soluții AI după ce au fost dezvoltate și testate.

Crearea unui PoC AI implică colectarea și pregătirea datelor, construirea și antrenarea modelelor de învățare automată și testarea și evaluarea performanței sistemului AI. Timpul necesar pentru a crea un PoC AI poate varia foarte mult în funcție de mai mulți factori, inclusiv complexitatea soluției AI propuse, resursele și expertiza disponibile pentru PoC și obiectivele specifice ale PoC. Unele PoC-uri AI pot fi dezvoltate în doar câteva zile sau săptămâni, în timp ce altele pot dura câteva luni sau chiar mai mult.

Când nu există absolut nicio cale de a evita un AI PoC?

Este esențial să începeți proiectul cu un PoC AI în următoarele scenarii.

• Proiectul dvs. se bazează pe o idee inovatoare care nu a fost încă testată - ceva care a fost studiat la nivel de afaceri, dar nu a fost încercat tehnic. Nici dvs., nici furnizorul dvs. de tehnologie nu sunteți siguri dacă poate fi implementat.
• Dacă trebuie să demonstrați părților interesate, investitorilor și altora fezabilitatea ideii dvs. într-un interval de timp limitat. Un AI PoC va face treaba mai bine decât un prototip interactiv sau ceva similar.

Există situații în care un PoC AI este o pierdere de timp?

Chiar dacă un AI PoC este benefic în majoritatea cazurilor, există câteva excepții. Dacă proiectul dvs. se încadrează în una dintre următoarele categorii, un AI PoC poate fi exagerat.

• Dacă ideea și abordarea dumneavoastră sunt excepțional de bine documentate din perspective funcționale și tehnice. Acest lucru este rar.
• Dacă soluția pe care doriți să o dezvoltați este standard și seamănă cu practicile comune în domeniu. Știm deja că acest lucru este fezabil și posibil din perspectivă tehnică.
• Dacă doriți să construiți un software pe care dezvoltatorii dvs. front-end și back-end îl înțeleg, adesea pentru că au lucrat deja la ceva identic.

Ce beneficii poți obține dintr-un AI PoC?

Utilizarea unui AI PoC aduce următoarele beneficii.

• Identificarea provocărilor potențiale înainte de a angaja mai multe resurse pentru un efort. Un AI PoC vă permite să „eșuați rapid, eșuați mai bine”. Dacă o echipă întâmpină provocări pe care nu le poate depăși, toate părțile interesate au timp să se regrupeze sau poate să schimbe ipoteza pentru a atinge aceleași obiective prin alte metode.
• Minimizarea riscurilor de afaceri, pe măsură ce testați idei inovatoare în pași mici, în loc să vă scufundați într-un proiect pe termen lung.
• Îmbunătățirea practicilor de colectare a datelor.
• Aducerea investitorilor și a altor părți interesate la bord.
• Economisirea de timp și resurse. Un AI PoC ar putea descoperi probleme legate de afaceri sau proces și vă poate oferi timp să remediați totul înainte de a începe un proiect la scară largă.
• Dezvoltarea expertizei și crearea de proprietari de cunoștințe care vor îndruma un alt membru al echipei în proiecte similare în viitor.
• Testarea stivei de tehnologie la o scară mai mică pentru a înțelege potrivirea acestuia pentru cazul de afaceri selectat.

Exemple din portofoliul nostru unde un AI PoC a salvat ziua

Iată câteva exemple de AI PoC din portofoliul ITRex care vă vor ajuta să apreciați și mai mult abordarea PoC.

Realizarea că ML singur nu este răspunsul

O mare companie de logistică a mărfurilor efectua 10.000-15.000 de expedieri pe zi, iar fiecare transport era însoțit de conosament și facturi pentru acoperirea operațiunilor. Angajații erau epuizați de manipularea manuală a întregii documentații. Compania dorea să construiască o soluție bazată pe ML care să folosească recunoașterea optică a caracterelor (OCR) pentru a procesa documentele scanate și a identifica diferite câmpuri.

Clientul a crezut că învățarea automată este cea mai bună soluție, așa că am continuat cu un AI PoC pentru a testa această ipoteză. Curând ne-am dat seama că documentele erau formatate diferit, iar etichetele folosite pentru câmpuri variau semnificativ – de exemplu, câmpul Load ID avea 8 aliasuri. Drept urmare, modelul ML a continuat să crească. A devenit lent și ineficient. Echipa noastră a decis să însoțească acest model cu un algoritm dinamic (de exemplu, un dicționar în care diferite etichete de câmp au fost codificate). Această modificare a îmbunătățit semnificativ performanța soluției și a economisit clientului timp și bani.

Dacă clientul s-ar fi decis să sări peste AI PoC, ar fi pierdut șapte luni doar pentru a realiza că ideea lor inițială a unui model pur bazat pe ML nu era soluția optimă. Cu un AI PoC, au ajuns la această concluzie în doar două luni. După finalizarea cu succes a acestui AI PoC, am construit un MVP care ar putea gestiona patru tipuri de documente, preluând aproximativ 25% din sarcina de procesare manuală.

Luat surprins de restricțiile Meta privind utilizarea datelor

Un client din industria divertismentului a dorit să construiască o platformă analitică bazată pe inteligență artificială pentru interpreți muzicali independenți. Soluția trebuia să acceseze cu crawlere rețelele sociale, inclusiv Facebook și Instagram, pentru a aduna date. Ar procesa toate aceste informații pentru a evalua sentimentele oamenilor față de artiști. Muzicienii ar putea să se înscrie pe platformă și să primească feedback cu privire la comportamentul pe rețelele sociale care ar fi cel mai benefic pentru succesul lor.

Am continuat cu un AI PoC pentru a testa ideea. După doar două săptămâni, ne-am dat seama că este pur și simplu imposibil să colectăm date de pe Facebook și Instagram pentru a le folosi în scopul descris mai sus. De obicei, unele dintre date erau recuperate prin API-ul Graph. Din această cauză, precum și un cont de afaceri verificat în Meta, am presupus că vom obține acces la informațiile necesare. Cu toate acestea, clientul nu ne-a putut furniza un cont de afaceri verificat, iar datele din API-ul Graph nu au fost suficiente pentru ca această soluție să funcționeze.

Dacă clientul ar fi decis să oprească PoC, ar fi irosit aproximativ 20.000 de dolari pe proiectul de descoperire. Aceasta ar fi inclus o descriere detaliată a soluției și estimarea costurilor de dezvoltare. Dar, deoarece au ales să înceapă cu un PoC AI, au cheltuit doar aproximativ 5.000 de dolari înainte de a-și da seama că soluția propusă era imposibil de executat din cauza restricțiilor de acces la date impuse de Meta.

Un ghid în cinci pași pentru primul tău PoC AI

Iată cinci pași pe care îi puteți urma pentru a parcurge cu succes AI PoC. Enumerăm, de asemenea, provocările asociate fiecărui pas.

Pasul 1: Identificați ce problemă (probleme) doriți să abordați cu AI

Este esențial să specificați ce anume doriți să realizați prin implementarea unui AI PoC. Cazul de utilizare selectat trebuie să fie de mare valoare și să reprezinte ceva pe care îl puteți aborda cel mai bine cu această tehnologie. Dacă aveți îndoieli, un loc bun pentru a începe este să vă uitați la ce folosesc alții din domeniul dvs. soluții AI. O altă modalitate de a merge este să investigați problemele cu care se confruntă afacerea dvs. și să o comparați cu potențialul AI.

După ce ați acumulat o listă de oportunități, puteți adresa următoarele întrebări pentru a determina care sunt cele mai potrivite pentru proiectul dvs. în acest moment.

• Problema pe care intenționați să o rezolvați este suficient de specifică? Puteți evalua rezultatele pentru a determina succesul?
• Ați încercat deja să rezolvați această problemă cu alte tehnologii?
• Aveți talentul și finanțarea pentru a susține acest proiect până la final? Dacă nu există talent intern adecvat, puteți angaja o echipă externă dedicată?
• Cum va afecta problema afacerea dvs.? Este acest efect suficient de semnificativ pentru a-ți justifica eforturile?
• Veți putea vinde acest proiect directorilor dvs.? Este organizația dumneavoastră pregătită să preia un astfel de proiect?
• Firma dvs. are deja o strategie de date? Dacă da, cum se va alinia cu acest proiect?
• Care sunt riscurile și limitările potențiale ale utilizării AI pentru a rezolva această problemă?

Provocare asociată

• Selectarea unui caz de utilizare care nu adaugă prea multă valoare sau nu folosește întregul potențial al AI. Inteligența artificială este o tehnologie costisitoare, iar alegerea unui caz nesemnificativ va însemna că cheltuiți mai mult decât veți primi. Consultați articolul nostru despre cât costă implementarea AI pentru a înțelege mai bine cheltuielile.

Pasul 2: Pregătiți datele

Acum că aveți problema clar definită, este timpul să agregați și să pregătiți datele de antrenament pentru algoritmii AI. Puteți face asta prin:

• verificarea ce date sunt disponibile pentru utilizare în cadrul companiei dvs
• generarea de date semi-sintetice folosind aplicații specifice gata făcute sau propria soluție
• achiziționarea de seturi de date de la furnizori de încredere
• folosind date open-source
• angajați oameni pentru a răzui datele care se vor potrivi cu scopul dvs.

Nu trebuie să te limitezi la o singură sursă. Puteți utiliza o combinație a mai multor opțiuni enumerate mai sus.

Apelați la oamenii de știință de date pentru a efectua verificarea inițială a datelor. Ei vor îndeplini următoarele sarcini.

• Structurați datele
• Curățați-l eliminând zgomotul
• Adăugați orice puncte de date lipsă, în cazul datelor tabelare
• Efectuați inginerie de caracteristici (adică adăugarea și ștergerea câmpurilor de date)
• Aplicați manipulări, cum ar fi combinarea sau filtrarea datelor

Oamenii de știință de date vă pot sfătui cu privire la cum să colectați date suplimentare sau cum să restrângeți domeniul de aplicare al PoC AI, astfel încât să puteți obține rezultatele dorite cu seturile de date existente.

Când datele sunt gata de utilizare, împărțiți-le în trei seturi:

• Un set de antrenament, pe care modelul îl va folosi pentru a-l învăța.
• Un set de validare pentru a valida modelul și a itera pe antrenament.
• Un set de testare care va evalua performanța algoritmului.

Provocări asociate

• Datele de instruire nu sunt reprezentative pentru întreaga populație. În acest caz, algoritmii ar putea funcționa bine în cazuri obișnuite, dar vor oferi rezultate slabe în cazuri rare. De exemplu, un model ML de asistență medicală care analizează razele X ar putea excela în detectarea tulburărilor comune, cum ar fi efuziunea, dar se va lupta să detecteze tulburări rare, cum ar fi hernia.
• Dezechilibru de clasă, când numărul de cazuri reprezentând o clasă este semnificativ mai mare decât alta, cu un raport de 99,9% la 0,1%.
• Etichetare incorectă, cum ar fi amestecarea claselor (de exemplu, etichetarea unei biciclete ca mașină).
• Zgomot ridicat în setul de date de antrenament.
• Dificultatea de a realiza separabilitatea pură a clasei. Acest lucru se întâmplă atunci când unele date din setul de antrenament nu pot fi clasificate corect într-o anumită clasă.

Pasul 3: Arhitectați și construiți sau cumpărați soluția

Probabil vă întrebați dacă ar trebui să construiți singur modelul sau dacă vă puteți procura o soluție existentă. Iată când are sens să creezi un model AI de la zero.

• Soluția dumneavoastră este inovatoare și nu se conformează unui standard existent.
• Soluțiile gata făcute sunt costisitoare de personalizat.
• Cel mai apropiat model de la raft este exagerat și face mult mai mult decât aveți nevoie de fapt.

Luați în considerare achiziționarea unui model gata făcut dacă costurile de cumpărare și personalizare a modelului sunt mai mici decât construirea lui de la zero.

Dacă decideți să construiți algoritmul AI de la zero, veți avea mai mult control asupra acurateței acestuia. Va dura mai mult pentru a finaliza sarcina, dar va fi adaptată la problema dvs. de afaceri și la procesele dvs. interne. Nu va trebui să faceți modificări sistemului dumneavoastră pentru a găzdui software extern.

În ceea ce privește infrastructura pentru instruirea și implementarea algoritmilor, te poți baza pe cloud în loc să folosești resurse locale. Există patru parametri pe care îi puteți lua în considerare atunci când decideți ce vi se potrivește cel mai bine.

1. Securitate. Dacă datele dvs. sunt foarte sensibile când vine vorba de securitate, atunci mai bine păstrați totul la sediu.
2. Volumul de muncă. Dacă sarcina de procesare este destul de mare, optați pentru cloud.
3. Cheltuieli. Evaluați ce vă va costa mai mult: achiziționarea de resurse la nivel local sau plata pentru utilizarea cloud în timp.
4. Accesibilitate. Dacă veți folosi soluția doar local, puteți depinde de serverele dvs. interne. Dacă trebuie să fie accesibil din diferite locații geografice, atunci merită să luați în considerare cloud.

Fiecare abordare are beneficiile și dezavantajele sale. Dacă lucrați în sectorul sănătății, le avem pe cele explicate clar în postarea cloud computing în asistența medicală de pe blogul nostru. În caz contrar, nu ezitați să contactați experții noștri în inteligență artificială pentru a alege cea mai bună stivă de tehnologie pentru formarea algoritmilor.

Provocări asociate

• Lipsa unei pregătiri adecvate. Acest lucru va cauza probleme, cum ar fi generalizarea slabă a modelului, ceea ce înseamnă că modelul nu va face predicții precise asupra datelor pe care nu le-a văzut la antrenament. Revenind la analiza imaginilor cu raze X în sectorul medical, un algoritm ar putea analiza cu succes imaginile de înaltă calitate capturate prin scanări de ultimă generație, dar totuși se descurcă prost atunci când este aplicat scanărilor generate de mașini mai vechi.
• Integrare cu sisteme existente, dintre care unele pot fi depășite sau alimentate de tehnologii proprietare.
• Eșecul de a veni cu o arhitectură de model adecvată (de exemplu, neputând alege modelul ML potrivit pentru problema în cauză).
• Capacitatea arhitecturii selectate nu poate corespunde cerințelor modelului.
• Datele de intrare sunt volatile, ceea ce înseamnă că modelul trebuie reantrenat frecvent.
• Folosind mai multe resurse decât necesită modelul dvs. pentru a-și îndeplini sarcinile. Nu este nevoie să investești într-un server puternic pentru a rula un model simplu.

Pasul 4: Evaluați potențialul AI PoC de a genera valoare

Acest pas este despre evaluarea dacă AI PoC se poate ridica la înălțimea așteptărilor. Există mai multe moduri de a efectua evaluarea.

• Reveniți la indicatorii cheie de performanță (KPI) și testați soluția în raport cu aceștia. Acești factori pot include acuratețea, satisfacția clienților, viteza, flexibilitatea, corectitudinea și siguranța.
• Colectați date despre modul în care a funcționat sistemul dumneavoastră înainte de implementarea AI PoC. Aceasta poate include timpul petrecut pentru o anumită sarcină manuală și numărul de erori. În continuare, ar trebui să utilizați informațiile pentru a evalua impactul PoC.
• Comparați performanța soluției cu alte produse care sunt considerate fie ca punct de referință pentru acest tip de problemă, fie pentru industria mai largă. De exemplu, un punct de referință pentru problemele legate de clasificarea imaginilor ar fi un model care oferă rezultate precise pe seturi de date populare, cum ar fi ImageNet.
• Adunați feedback-ul utilizatorilor fie prin focus grupuri, fie prin sondaje online pentru a evalua nivelul de satisfacție și a determina ce lipsește.
• Efectuați o analiză cost-beneficiu pentru a înțelege impactul financiar al acestei soluții asupra organizației.

Provocări asociate

• Făcând o greșeală în evaluarea dvs. Poate fi o simplă greșeală de matematică în timpul calculelor sau o eroare legată de estimarea potențialului de afaceri.

Pasul 5: Repetați AI PoC pentru rezultate mai bune sau extindeți-l

Dacă rezultatele pe care le-ați primit în pasul anterior nu sunt la egalitate, ați putea lua în considerare modificarea soluției și iterarea întregului proces. Puteți face modificări algoritmului ML și puteți măsura performanța cu fiecare ajustare. De asemenea, puteți experimenta diferite componente hardware sau modele alternative de servicii cloud.

Dacă sunteți mulțumit de performanța AI PoC, puteți lucra la scalarea acestuia în diferite direcții. Iată câteva exemple.

• Aplicați PoC la alte cazuri de afaceri. Căutați alte aplicații ale acestei noi soluții în cadrul afacerii dvs. De exemplu, dacă testați AI ca o aplicație de întreținere predictivă, puteți încerca să o aplicați altor scenarii conexe.
• Scala infrastructura. Examinați tehnologia utilizată pentru a rula acest software. Puteți dedica mai multă putere de procesare sau mai multă capacitate de stocare a datelor? Astfel de modificări vă vor permite să utilizați mai multe date, să reduceți latența și, poate, să obțineți rezultate în timp real. De asemenea, va minimiza posibilitatea unor blocaje în viitor.
• Optimizați soluția PoC. Chiar dacă este posibil să fi obținut rezultate rezonabile în pasul anterior, ar putea merita să căutați modalități de îmbunătățire a preciziei. Puteți continua să vă antrenați algoritmii folosind date noi sau date etichetate mai precis. Sau poți chiar să experimentezi implementarea de ajustări și modificări pentru a obține rezultate mai bune.

Dacă decideți să adoptați AI la nivel de companie după faza PoC, puteți găsi sfaturi utile în ghidul nostru despre cum să implementați AI în organizația dvs.

Provocări asociate

• Arhitectura nu a fost atentă. Soluția ar putea funcționa bine cu 10.000 de utilizatori, dar se blochează când audiența ajunge la 100.000.
• Modelul conține erori care se vor manifesta atunci când încercați să scalați soluția AI
• Aplicarea modelului la alte cazuri de afaceri, altele decât cele pentru care a fost destinat. De exemplu, o soluție care are rolul de a asambla o roabă de grădină nu poate fi aplicată la asamblarea camioanelor, deoarece ar putea construi o roabă mare de grădină cu un motor.

A concluziona

Când vine vorba de implementarea AI, începeți puțin și rămâneți ușor de gestionat. Asigurați-vă că aveți un caz de afaceri clar, cu obiective și valori definite pentru a măsura succesul. Și luați în considerare întotdeauna crearea unui PoC AI, cu excepția cazurilor prezentate la începutul acestui articol. Acest lucru vă va ajuta să identificați eventualele obstacole înainte de a intra pe deplin și de a face o investiție financiară mare într-o soluție care ar putea să nu se ridice la nivelul așteptărilor.

Doriți să implementați AI în organizația dvs., dar nu sunteți sigur dacă ideea dvs. de afaceri este fezabilă? Intrați în legătură! Echipa noastră vă va ajuta să efectuați un PoC pentru a vă testa ideea în practică.

Publicat inițial la https://itrexgroup.com pe 9 ianuarie 2023.