Как создание концепции ИИ может помочь вам минимизировать риски разработки и внедрения ИИ

Опубликовано: 2023-01-19

Наш клиент потерял только четверть бюджета, выделенного на проект искусственного интеллекта (ИИ), потому что он решил начать с проверки концепции (PoC). PoC позволил им проверить свою идею и быстро потерпеть неудачу при ограниченных затратах. Чтобы не тратить время и усилия, всегда обращайтесь к консультанту по решениям ИИ за подтверждением концепции, особенно если ваша компания только тестирует возможности ИИ.

В этой статье объясняется, что такое AI PoC, и подробно описываются пять шагов, которые проведут вас через ваш первый PoC, а также проблемы, с которыми вы можете столкнуться на этом пути. В нем также представлены примеры AI PoC из нашего портфолио. И вы найдете счастливый конец примера, изображенного в первом абзаце.

Что такое AI PoC и когда он необходим для успеха вашего проекта?

AI PoC — это прототип или демонстрация предлагаемого решения AI, предназначенного для проверки того, возможно ли решение и может ли оно быть успешным. Целью создания AI PoC является проверка концепции, оценка потенциальных преимуществ предлагаемого решения и выявление любых потенциальных проблем или ограничений.

PoC ИИ обычно включает в себя создание мелкомасштабной версии предлагаемого решения ИИ и его тестирование в контролируемой среде, чтобы увидеть, как оно работает и соответствует ли желаемым целям. Затем результаты AI PoC можно использовать для дальнейшей разработки и внедрения решения.

По сравнению с обычными программными PoC, PoC AI может включать более сложные соображения, такие как способность решения AI учиться и адаптироваться с течением времени, а также потенциальные этические последствия решения, такие как предвзятость AI. Стек технологий для проектов AI PoC также отличается.

Алгоритмы машинного обучения

Эти алгоритмы позволяют системе ИИ учиться на структурированных данных и делать прогнозы или принимать решения на основе такого обучения. Существует множество различных типов алгоритмов машинного обучения, включая алгоритмы обучения с учителем, алгоритмы обучения без учителя и алгоритмы обучения с подкреплением.

Нейронные сети

Эти вычислительные модели вдохновлены структурой и функциями человеческого мозга. Нейронные сети могут обрабатывать и анализировать большие объемы неструктурированных данных. Их можно обучить выполнению различных задач, таких как распознавание изображений, обработка естественного языка, моделирование сценариев и прогнозирование.

Робототехника

Эта технология может быть использована для построения физических систем, способных к автономной работе и принятию решений. Решения для робототехники включают в себя датчики, приводы и другие аппаратные компоненты, которые позволяют инженерам создавать роботов, способных взаимодействовать с окружающей средой и выполнять задачи.

Облачные вычисления

Платформы облачных вычислений, такие как Microsoft Azure, Google Cloud и AWS, предоставляют вычислительную мощность, ресурсы хранения и предварительно настроенные сервисы, необходимые для поддержки разработки и тестирования PoC ИИ. Эти платформы также могут размещать и развертывать решения ИИ после их разработки и тестирования.

Создание AI PoC включает в себя сбор и подготовку данных, создание и обучение моделей машинного обучения, а также тестирование и оценку производительности системы AI. Время, необходимое для создания PoC ИИ, может широко варьироваться в зависимости от нескольких факторов, включая сложность предлагаемого решения ИИ, ресурсы и опыт, доступные для PoC, а также конкретные цели PoC. Некоторые PoC ИИ могут быть разработаны всего за несколько дней или недель, в то время как для завершения других может потребоваться несколько месяцев или даже больше.

Когда нет абсолютно никакого способа обойти AI PoC?

Крайне важно начать свой проект с AI PoC в следующих сценариях.

Ваш проект опирается на инновационную идею, которая еще не была протестирована, что-то, что было изучено на уровне бизнеса, но еще не было реализовано технически. Ни вы, ни ваш технический поставщик не уверены, можно ли это реализовать.
Если вам нужно продемонстрировать заинтересованным сторонам, инвесторам и другим лицам осуществимость вашей идеи в течение ограниченного периода времени. AI PoC справится с этой задачей лучше, чем интерактивный прототип или что-то подобное.

Бывают ли ситуации, когда AI PoC — пустая трата времени?

Несмотря на то, что AI PoC выгоден в большинстве случаев, есть несколько исключений. Если ваш проект подпадает под одну из следующих категорий, AI PoC может оказаться излишним.

Если ваша идея и подход исключительно хорошо документированы с функциональной и технической точек зрения. Это редкость.
Если решение, которое вы хотите разработать, является стандартным и соответствует общепринятым практикам в данной области. Мы уже знаем, что это осуществимо и возможно с технической точки зрения.
Если вы хотите создавать программное обеспечение, которое понимают ваши разработчики внешнего и внутреннего интерфейса, часто потому, что они уже работали над чем-то идентичным.

Какие преимущества вы можете получить от AI PoC?

Использование AI PoC дает следующие преимущества.

Выявление потенциальных проблем, прежде чем вкладывать больше ресурсов в начинание. AI PoC позволяет вам «терпеть неудачу быстро, ошибаться лучше». Если команда сталкивается с проблемами, которые она не может решить, у всех заинтересованных сторон есть время перегруппироваться или, возможно, изменить гипотезу, чтобы достичь тех же целей другими методами.
Минимизация бизнес-рисков, поскольку вы тестируете инновационные идеи небольшими шагами, а не погружаетесь в долгосрочный проект.
Улучшение практики сбора данных.
Привлечение инвесторов и других заинтересованных сторон.
Экономия времени и ресурсов. AI PoC может выявить проблемы, связанные с бизнесом или процессами, и дать вам время все исправить, прежде чем начинать полномасштабный проект.
Наращивание опыта и создание владельцев знаний, которые в будущем будут наставлять другого члена команды в аналогичных проектах.
Тестирование стека технологий в меньшем масштабе, чтобы понять его пригодность для выбранного бизнес-кейса.

Примеры из нашего портфолио, где AI PoC спас положение

Вот несколько примеров AI PoC из портфолио ITRex, которые помогут вам еще больше оценить подход PoC.

Понимание того, что ОД сам по себе не является ответом

Крупная грузовая логистическая компания выполняла 10 000–15 000 отправок в день, и каждая отправка сопровождалась коносаментами и счетами-фактурами для покрытия операций. Сотрудники были измотаны ручной обработкой всей документации. Компания хотела создать решение на основе машинного обучения, которое использовало бы оптическое распознавание символов (OCR) для обработки отсканированных документов и идентификации различных полей.

Клиент полагал, что машинное обучение было лучшим решением, поэтому мы приступили к PoC ИИ, чтобы проверить это предположение. Вскоре мы поняли, что документы были отформатированы по-разному, и метки, используемые для полей, значительно различались — например, одно только поле «Идентификатор загрузки» имело 8 псевдонимов. В результате модель машинного обучения продолжала расти. Он стал медленным и неэффективным. Наша команда решила дополнить эту модель динамическим алгоритмом (например, словарем, в котором жестко закодированы различные метки полей). Эта модификация значительно повысила производительность решения и сэкономила время и деньги клиента.

Если бы клиент решил пропустить PoC AI, он бы потратил семь месяцев только на то, чтобы понять, что его первоначальная идея модели, основанной исключительно на машинном обучении, не была оптимальным решением. С помощью AI PoC они пришли к такому выводу всего за два месяца. После успешного завершения этого AI PoC мы создали MVP, который мог обрабатывать четыре типа документов, взяв на себя около 25% нагрузки по ручной обработке.

Застигнутые врасплох ограничениями Meta на использование данных

Клиент из индустрии развлечений хотел создать аналитическую платформу на основе искусственного интеллекта для независимых музыкальных исполнителей. Решение должно было сканировать социальные сети, включая Facebook и Instagram, для сбора данных. Он будет обрабатывать всю эту информацию, чтобы оценить отношение людей к артистам. Музыканты могли зарегистрироваться на платформе и получать отзывы о том, какое поведение в социальных сетях будет наиболее полезным для их успеха.

Мы приступили к AI PoC, чтобы проверить идею. Всего через две недели мы поняли, что просто невозможно собрать данные из Facebook и Instagram, чтобы использовать их для описанной выше цели. Как правило, некоторые данные можно было получить через Graph API. Из-за этого, а также из-за подтвержденного бизнес-аккаунта в Meta, мы предполагали, что получим доступ к необходимой информации. Однако клиент не смог предоставить нам проверенный бизнес-аккаунт, а данных только из Graph API было недостаточно для работы этого решения.

Если бы клиент решил пропустить PoC, он бы потратил около 20 000 долларов на исследовательский проект. Это включало бы подробное описание решения и оценку затрат на разработку. Но поскольку они решили начать с AI PoC, они потратили всего около 5000 долларов, прежде чем выяснили, что предложенное решение невозможно выполнить из-за ограничений доступа к данным, введенных Meta.

Руководство из пяти шагов для вашего первого AI PoC

Вот пять шагов, которые вы можете выполнить, чтобы успешно пройти PoC AI. Мы также перечисляем проблемы, связанные с каждым шагом.

Шаг 1. Определите, какие проблемы вы хотите решить с помощью ИИ

Важно указать, чего именно вы хотите достичь, внедрив AI PoC. Выбранный вариант использования должен иметь высокую ценность и представлять то, что вы можете лучше всего решить с помощью этой технологии. Если у вас есть сомнения, стоит начать с изучения того, для чего другие специалисты в вашей области используют решения ИИ. Еще один способ — изучить проблемы, с которыми сталкивается ваш бизнес, и сравнить их с потенциалом ИИ.

После того, как вы составили список возможностей, вы можете задать следующие вопросы, чтобы определить, какие из них лучше всего подходят для вашего проекта в данный момент.

Является ли проблема, которую вы собираетесь решить, достаточно конкретной? Можете ли вы оценить результаты, чтобы определить успех?
Вы уже пытались решить эту проблему с помощью других технологий?
Есть ли у вас талант и финансирование, чтобы поддержать этот проект до его завершения? Если нет подходящего внутреннего таланта, можете ли вы нанять специальную команду извне?
Как проблема повлияет на ваш бизнес? Достаточно ли значителен этот эффект, чтобы оправдать ваши усилия?
Сможете ли вы продать этот проект своим руководителям? Готова ли ваша организация взяться за такой проект?
У вашей фирмы уже есть стратегия работы с данными? Если да, то как это будет согласовываться с этим проектом?
Каковы потенциальные риски и ограничения использования ИИ для решения этой проблемы?

Связанный вызов

Выбор варианта использования, который не добавляет большой ценности или не использует весь потенциал ИИ. Искусственный интеллект — дорогая технология, и выбор незначительного случая будет означать, что вы потратите больше, чем получите. Ознакомьтесь с нашей статьей о том, сколько стоит внедрение ИИ, чтобы лучше понять затраты.

Шаг 2: Подготовьте данные

Теперь, когда у вас есть четкое определение вашей проблемы, пришло время агрегировать и подготовить обучающие данные для алгоритмов ИИ. Вы можете сделать это:

проверка того, какие данные доступны для использования внутри вашей компании
генерация полусинтетических данных с помощью конкретных готовых приложений или собственного решения
покупка наборов данных у надежных поставщиков
используя данные из открытых источников
найм людей для очистки данных, которые будут соответствовать вашей цели.

Вам не нужно ограничивать себя одним источником. Вы можете использовать комбинацию нескольких вариантов, перечисленных выше.

Обратитесь к специалистам по данным, чтобы запустить первоначальный скрининг данных. Они будут выполнять следующие задачи.

Структурируйте данные
Очистите его, устранив шум
Добавьте любые отсутствующие точки данных, в случае табличных данных
Выполнение разработки функций (т. е. добавление и удаление полей данных)
Применение манипуляций, таких как объединение или фильтрация данных

Специалисты по данным могут посоветовать вам, как собрать дополнительные данные или как сузить область применения AI PoC, чтобы вы могли достичь желаемых результатов с существующими наборами данных.

Когда данные будут готовы к использованию, разделите их на три набора:

Учебный набор, который модель будет использовать для обучения.
Набор проверки для проверки модели и повторения обучения.
Набор тестов, который будет оценивать производительность алгоритма.

Связанные проблемы

Данные обучения не являются репрезентативными для всего населения. В этом случае алгоритмы могут работать хорошо в обычных случаях, но давать плохие результаты в редких случаях. Например, модель машинного обучения для здравоохранения, которая анализирует рентгеновские снимки, может преуспеть в обнаружении распространенных заболеваний, таких как выпот, но с трудом выявляет редкие заболевания, такие как грыжи.
Дисбаланс классов, когда количество случаев, представляющих один класс, значительно больше, чем другой, с соотношением 99,9% к 0,1%.
Неправильная маркировка, например смешение классов (например, маркировка велосипеда как автомобиля).
Высокий уровень шума в обучающем наборе данных.
Трудность достижения чистой разделимости классов. Это происходит, когда некоторые данные в обучающей выборке не могут быть правильно отнесены к определенному классу.

Шаг 3. Спроектируйте и создайте или купите решение

Вы, вероятно, задаетесь вопросом, следует ли вам построить модель самостоятельно или вы можете приобрести существующее решение. Вот когда имеет смысл создать модель ИИ с нуля.

Ваше решение является инновационным и не соответствует существующему стандарту.
Готовые решения дорого настраиваются.
Самая близкая готовая модель — это излишество, и она делает гораздо больше, чем вам на самом деле нужно.

Подумайте о приобретении готовой модели, если затраты на покупку и настройку модели меньше, чем на ее создание с нуля.

Если вы решите построить алгоритм ИИ с нуля, у вас будет больше контроля над его точностью. Выполнение задачи займет больше времени, но она будет адаптирована к вашей бизнес-задаче и вашим внутренним процессам. Вам не нужно будет вносить изменения в вашу систему для размещения внешнего программного обеспечения.

Что касается инфраструктуры для обучения и внедрения алгоритмов, вы можете полагаться на облако, а не на локальные ресурсы. Есть четыре параметра, которые вы можете учитывать при выборе того, что подходит вам лучше всего.

Безопасность. Если ваши данные очень чувствительны с точки зрения безопасности, вам лучше хранить все локально.
Нагрузка. Если вычислительная нагрузка довольно велика, выберите облако.
Расходы. Оцените, что будет стоить вам дороже: приобретение ресурсов локально или оплата использования облака с течением времени.
Доступность. Если вы будете использовать решение только локально, вы можете положиться на свои внутренние серверы. Если он должен быть доступен из разных географических мест, то стоит подумать об облаке.

Каждый подход имеет свои преимущества и недостатки. Если вы работаете в сфере здравоохранения, у нас есть четкое объяснение в статье об облачных вычислениях в здравоохранении в нашем блоге. В противном случае не стесняйтесь обращаться к нашим экспертам по искусственному интеллекту, чтобы выбрать лучший стек технологий для обучения алгоритму.

Связанные проблемы

Отсутствие должной подготовки. Это вызовет проблемы, такие как плохая обобщаемость модели, что означает, что модель не будет делать точные прогнозы на основе данных, которые она не видела при обучении. Возвращаясь к анализу рентгеновских изображений в медицинском секторе, алгоритм может успешно анализировать высококачественные изображения, полученные с помощью современных сканов, но по-прежнему плохо работает со сканами, созданными более старыми машинами.
Интеграция с существующими системами, некоторые из которых могут быть устаревшими или основанными на проприетарных технологиях.
Неспособность придумать подходящую архитектуру модели (например, неспособность выбрать правильную модель машинного обучения для решения проблемы).
Возможности выбранной архитектуры не могут соответствовать требованиям модели.
Входные данные изменчивы, что означает необходимость частого переобучения модели.
Использование большего количества ресурсов, чем требуется вашей модели для выполнения своих задач. Нет необходимости вкладывать средства в мощный сервер для запуска простой модели.

Шаг 4: Оцените потенциал AI PoC для создания ценности

Этот шаг связан с оценкой того, может ли AI PoC оправдать ожидания. Существует несколько способов проведения оценки.

Вернитесь к своим ключевым показателям эффективности (KPI) и протестируйте решение по ним. Эти факторы могут включать точность, удовлетворенность клиентов, скорость, гибкость, честность и безопасность.
Соберите данные о том, как ваша система работала до развертывания AI PoC. Это может включать время, затраченное на конкретную ручную задачу, и количество ошибок. Затем вы должны использовать информацию для оценки влияния PoC.
Сравните производительность решения с другими продуктами, которые считаются эталоном для решения проблем такого типа или в отрасли в целом. Например, эталоном для проблем, связанных с классификацией изображений, может быть модель, которая обеспечивает точные результаты для популярных наборов данных, таких как ImageNet.
Собирайте отзывы пользователей с помощью фокус-групп или онлайн-опросов, чтобы оценить уровень удовлетворенности и определить, чего не хватает.
Проведите анализ затрат и результатов, чтобы понять финансовые последствия этого решения для организации.

Связанные проблемы

Ошибся в оценке. Это может быть простая математическая ошибка при расчетах или ошибка, связанная с оценкой бизнес-потенциала.

Шаг 5. Повторите PoC ИИ для достижения лучших результатов или масштабируйте его

Если результаты, полученные на предыдущем шаге, не соответствуют номиналу, вы можете рассмотреть возможность изменения решения и повторения всего процесса. Вы можете вносить изменения в алгоритм машинного обучения и измерять производительность каждой корректировки. Вы также можете поэкспериментировать с различными аппаратными компонентами или альтернативными моделями облачных служб.

Если вы довольны производительностью AI PoC, вы можете работать над ее масштабированием в разных направлениях. Вот несколько примеров.

Примените PoC к другим бизнес-кейсам. Ищите другие применения этого нового решения в вашем бизнесе. Например, если вы тестируете ИИ как одно из приложений профилактического обслуживания, вы можете попробовать применить его к другим связанным сценариям.
Масштабируйте инфраструктуру. Просмотрите технологию, используемую для запуска этого программного обеспечения. Можете ли вы выделить больше вычислительной мощности или больше места для хранения данных? Такие модификации позволят вам использовать больше данных, уменьшить задержку и, возможно, получать результаты в режиме реального времени. Это также сведет к минимуму возможность возникновения узких мест в будущем.
Оптимизируйте решение PoC. Даже несмотря на то, что на предыдущем шаге вы могли получить приемлемые результаты, возможно, стоит поискать способы повысить точность. Вы можете продолжать обучать свои алгоритмы, используя новые данные или более точно размеченные данные. Или вы даже можете поэкспериментировать с внедрением настроек и изменений для достижения лучших результатов.

Если вы решите внедрить ИИ в масштабах всей компании после этапа PoC, вы можете найти полезные советы в нашем руководстве о том, как внедрить ИИ в вашей организации.

Связанные проблемы

Архитектура не была тщательно продумана. Решение может хорошо работать с 10 000 пользователей, но давать сбой, когда аудитория достигает 100 000.
Модель содержит ошибки, которые проявятся при попытке масштабирования ИИ-решения.
Применение модели к другим бизнес-кейсам, отличным от тех, для которых она предназначена. Например, решение, предназначенное для сборки садовой тачки, не может быть применено к сборке грузовиков, поскольку с его помощью можно построить большую садовую тачку с двигателем.

Заключить

Когда дело доходит до внедрения ИИ, начните с малого и оставайтесь управляемым. Убедитесь, что у вас есть четкое экономическое обоснование с определенными целями и показателями для измерения успеха. И всегда рассматривайте возможность создания AI PoC, за исключением случаев, представленных в начале этой статьи. Это поможет вам определить любые потенциальные препятствия, прежде чем вы полностью погрузитесь и сделаете крупные финансовые вложения в решение, которое может не оправдать ожиданий.

Вы хотите внедрить ИИ в своей организации, но не уверены, осуществима ли ваша бизнес-идея? Связаться! Наша команда поможет вам провести PoC, чтобы проверить вашу идею на практике.

Первоначально опубликовано на https://itrexgroup.com 9 января 2023 г.