การสร้างหลักฐานแนวคิดของ AI สามารถช่วยคุณลดความเสี่ยงในการพัฒนา AI และการยอมรับได้อย่างไร

ลูกค้าของเราสูญเสียงบประมาณเพียงหนึ่งในสี่ของงบประมาณที่พวกเขาทุ่มเทให้กับโครงการปัญญาประดิษฐ์ (AI) เนื่องจากพวกเขาเลือกที่จะเริ่มต้นด้วยการพิสูจน์แนวคิด (PoC) PoC อนุญาตให้พวกเขาทดสอบแนวคิดของพวกเขาและล้มเหลวอย่างรวดเร็วด้วยค่าใช้จ่ายที่จำกัด เพื่อหลีกเลี่ยงการเสียเวลาและความพยายาม ให้สอบถามที่ปรึกษาโซลูชัน AI ของคุณเสมอเพื่อพิสูจน์แนวคิด โดยเฉพาะอย่างยิ่งหากบริษัทของคุณเพิ่งทดสอบน่านน้ำ AI

บทความนี้อธิบายว่า AI PoC คืออะไร และอธิบายรายละเอียดเกี่ยวกับขั้นตอนทั้ง 5 ขั้นตอนที่จะแนะนำคุณผ่าน PoC แรกของคุณ พร้อมกับความท้าทายที่คุณอาจพบระหว่างทาง นอกจากนี้ยังนำเสนอตัวอย่าง AI PoC จากผลงานของเรา และคุณจะพบกับตอนจบที่มีความสุขของตัวอย่างที่ปรากฎในย่อหน้าเริ่มต้น

AI PoC คืออะไร และจำเป็นต่อความสำเร็จของโครงการเมื่อใด

AI PoC คือต้นแบบหรือการสาธิตโซลูชัน AI ที่เสนอ ซึ่งออกแบบมาเพื่อทดสอบว่าโซลูชันนั้นเป็นไปได้และมีแนวโน้มที่จะประสบความสำเร็จหรือไม่ จุดประสงค์ของการสร้าง AI PoC คือเพื่อตรวจสอบความถูกต้องของแนวคิด ประเมินประโยชน์ที่เป็นไปได้ของโซลูชันที่เสนอ และระบุความท้าทายหรือข้อจำกัดที่อาจเกิดขึ้น

โดยทั่วไป AI PoC จะเกี่ยวข้องกับการสร้างโซลูชัน AI เวอร์ชันขนาดเล็กและทดสอบในสภาพแวดล้อมที่มีการควบคุมเพื่อดูว่าทำงานอย่างไรและเป็นไปตามวัตถุประสงค์ที่ต้องการหรือไม่ จากนั้นสามารถใช้ผลลัพธ์ของ AI PoC เพื่อแจ้งการพัฒนาและการนำโซลูชันไปใช้ต่อไป

เมื่อเปรียบเทียบกับ PoC ของซอฟต์แวร์ทั่วไป AI PoC อาจเกี่ยวข้องกับการพิจารณาที่ซับซ้อนกว่า เช่น ความสามารถของโซลูชัน AI ในการเรียนรู้และปรับตัวเมื่อเวลาผ่านไป และผลกระทบทางจริยธรรมที่เป็นไปได้ของโซลูชัน เช่น อคติของ AI กลุ่มเทคโนโลยีสำหรับโครงการ AI PoC ก็แตกต่างกันเช่นกัน

อัลกอริทึมการเรียนรู้ของเครื่อง

อัลกอริทึมเหล่านี้ช่วยให้ระบบ AI เรียนรู้จากข้อมูลที่มีโครงสร้างและคาดการณ์หรือตัดสินใจตามการเรียนรู้ดังกล่าวได้ มีอัลกอริทึมการเรียนรู้ของเครื่องหลายประเภท รวมถึงอัลกอริทึมการเรียนรู้แบบมีผู้สอน อัลกอริทึมการเรียนรู้แบบไม่มีผู้ดูแล และอัลกอริทึมการเรียนรู้แบบเสริมแรง

โครงข่ายประสาทเทียม

โมเดลการคำนวณเหล่านี้ได้รับแรงบันดาลใจจากโครงสร้างและการทำงานของสมองมนุษย์ โครงข่ายประสาทเทียมสามารถประมวลผลและวิเคราะห์ข้อมูลที่ไม่มีโครงสร้างจำนวนมากได้ พวกเขาสามารถได้รับการฝึกฝนให้ทำงานต่างๆ เช่น การจดจำภาพ การประมวลผลภาษาธรรมชาติ การสร้างแบบจำลองสถานการณ์ และการคาดคะเน

วิทยาการหุ่นยนต์

เทคโนโลยีนี้สามารถใช้เพื่อสร้างระบบทางกายภาพที่สามารถดำเนินการและตัดสินใจได้ด้วยตนเอง โซลูชันด้านวิทยาการหุ่นยนต์ประกอบด้วยเซ็นเซอร์ แอคทูเอเตอร์ และส่วนประกอบฮาร์ดแวร์อื่นๆ ที่ช่วยให้วิศวกรสร้างหุ่นยนต์ที่สามารถโต้ตอบกับสภาพแวดล้อมและปฏิบัติงานได้

คลาวด์คอมพิวติ้ง

แพลตฟอร์มการประมวลผลแบบคลาวด์ เช่น Microsoft Azure, Google Cloud และ AWS มอบพลังการประมวลผล ทรัพยากรพื้นที่จัดเก็บ และบริการที่กำหนดค่าไว้ล่วงหน้าซึ่งจำเป็นต่อการรองรับการพัฒนาและการทดสอบ AI PoC แพลตฟอร์มเหล่านี้ยังสามารถโฮสต์และปรับใช้โซลูชัน AI เมื่อได้รับการพัฒนาและทดสอบแล้ว

การสร้าง AI PoC เกี่ยวข้องกับการรวบรวมและเตรียมข้อมูล สร้างและฝึกอบรมโมเดลแมชชีนเลิร์นนิง และทดสอบและประเมินประสิทธิภาพของระบบ AI เวลาที่ใช้ในการสร้าง AI PoC อาจแตกต่างกันไปขึ้นอยู่กับปัจจัยหลายประการ รวมถึงความซับซ้อนของโซลูชัน AI ที่นำเสนอ ทรัพยากรและความเชี่ยวชาญที่มีให้สำหรับ PoC และวัตถุประสงค์เฉพาะของ PoC AI PoC บางอย่างสามารถพัฒนาได้ในเวลาเพียงไม่กี่วันหรือหลายสัปดาห์ ในขณะที่บางรายการอาจใช้เวลาหลายเดือนหรือนานกว่านั้นจึงจะเสร็จสมบูรณ์

เมื่อใดที่ไม่มีทางหลีกเลี่ยง AI PoC ได้อย่างแน่นอน

สิ่งสำคัญคือต้องเริ่มโครงการของคุณด้วย AI PoC ในสถานการณ์ต่อไปนี้

• โครงการของคุณอาศัยแนวคิดเชิงนวัตกรรมที่ยังไม่ได้รับการทดสอบ ซึ่งเป็นสิ่งที่ได้รับการศึกษาในระดับธุรกิจ แต่ยังไม่ได้รับการทดลองทางเทคนิค ทั้งคุณและผู้จำหน่ายเทคโนโลยีของคุณต่างก็ไม่แน่ใจว่าสามารถนำไปใช้ได้หรือไม่
• หากคุณต้องการแสดงให้ผู้มีส่วนได้ส่วนเสีย นักลงทุน และคนอื่นๆ เห็นถึงความเป็นไปได้ของแนวคิดของคุณภายในระยะเวลาที่จำกัด AI PoC จะทำงานได้ดีกว่าต้นแบบเชิงโต้ตอบหรือสิ่งที่คล้ายกัน

มีสถานการณ์ใดบ้างที่ AI PoC เสียเวลา

แม้ว่า AI PoC จะเป็นประโยชน์ในกรณีส่วนใหญ่ แต่ก็มีข้อยกเว้นบางประการ หากโครงการของคุณจัดอยู่ในประเภทใดประเภทหนึ่งต่อไปนี้ AI PoC อาจมีความสำคัญมากเกินไป

• หากแนวคิดและแนวทางของคุณได้รับการบันทึกไว้เป็นอย่างดีจากมุมมองเชิงหน้าที่และทางเทคนิค นี่เป็นของหายาก
• หากโซลูชันที่คุณต้องการพัฒนาเป็นมาตรฐานและคล้ายกับแนวทางปฏิบัติทั่วไปในภาคสนาม เรารู้อยู่แล้วว่าเป็นไปได้และเป็นไปได้จากมุมมองทางเทคนิค
• หากคุณต้องการสร้างซอฟต์แวร์ที่นักพัฒนาส่วนหน้าและส่วนหลังของคุณเข้าใจ มักจะเป็นเพราะพวกเขาทำงานในสิ่งที่เหมือนกันอยู่แล้ว

คุณจะได้รับประโยชน์อะไรบ้างจาก AI PoC

การใช้ AI PoC ก่อให้เกิดประโยชน์ดังต่อไปนี้

• ระบุความท้าทายที่อาจเกิดขึ้นก่อนที่จะทุ่มทรัพยากรมากขึ้นเพื่อความพยายาม AI PoC ช่วยให้คุณ "ล้มเหลวได้เร็ว ล้มเหลวได้ดีขึ้น" หากทีมพบกับความท้าทายที่ไม่สามารถเอาชนะได้ ผู้มีส่วนได้ส่วนเสียทั้งหมดมีเวลาที่จะจัดกลุ่มใหม่หรืออาจเปลี่ยนสมมติฐานเพื่อบรรลุเป้าหมายเดียวกันด้วยวิธีการอื่น
• ลดความเสี่ยงทางธุรกิจให้เหลือน้อยที่สุด โดยที่คุณทดสอบความคิดสร้างสรรค์ในขั้นตอนเล็กๆ แทนการดำดิ่งลงไปในโครงการระยะยาว
• การปรับปรุงแนวปฏิบัติในการเก็บรวบรวมข้อมูล
• รับนักลงทุนและผู้มีส่วนได้ส่วนเสียอื่น ๆ เข้าร่วม
• ประหยัดเวลาและทรัพยากร AI PoC อาจเปิดเผยปัญหาเกี่ยวกับธุรกิจหรือกระบวนการ และให้เวลาคุณแก้ไขทุกอย่างก่อนที่จะเริ่มโครงการขนาดเต็ม
• สร้างความเชี่ยวชาญและสร้างเจ้าของความรู้ที่จะให้คำปรึกษาแก่สมาชิกในทีมคนอื่นในโครงการที่คล้ายกันในอนาคต
• ทดสอบกองเทคโนโลยีในระดับที่เล็กลงเพื่อทำความเข้าใจความเหมาะสมสำหรับกรณีธุรกิจที่เลือก

ตัวอย่างจากผลงานของเราที่ AI PoC ช่วยชีวิต

ต่อไปนี้คือตัวอย่าง AI PoC บางส่วนจากพอร์ตโฟลิโอ ITRex ที่จะช่วยให้คุณชื่นชมแนวทาง PoC มากยิ่งขึ้น

การตระหนักว่า ML เพียงอย่างเดียวไม่ใช่คำตอบ

บริษัทลอจิสติกส์ขนส่งสินค้าขนาดใหญ่แห่งหนึ่งดำเนินการขนส่ง 10,000–15,000 ชิ้นต่อวัน และการขนส่งทุกครั้งจะมีใบตราส่งและใบแจ้งหนี้เพื่อครอบคลุมการดำเนินงาน พนักงานเหนื่อยล้าจากการจัดการเอกสารทั้งหมดด้วยตนเอง บริษัทต้องการสร้างโซลูชันที่ขับเคลื่อนด้วย ML ซึ่งจะใช้การรู้จำอักขระด้วยแสง (OCR) เพื่อประมวลผลเอกสารที่สแกนและระบุฟิลด์ต่างๆ

ลูกค้าเชื่อว่าแมชชีนเลิร์นนิงเป็นทางออกที่ดีที่สุด ดังนั้นเราจึงดำเนินการกับ AI PoC เพื่อทดสอบสมมติฐานนี้ ในไม่ช้าเราก็รู้ว่าเอกสารมีรูปแบบแตกต่างกัน และป้ายกำกับที่ใช้สำหรับฟิลด์ก็แตกต่างกันอย่างมาก ตัวอย่างเช่น ฟิลด์ Load ID เพียงอย่างเดียวมี 8 นามแฝง เป็นผลให้โมเดล ML เติบโตขึ้นเรื่อย ๆ มันช้าและไม่มีประสิทธิภาพ ทีมของเราตัดสินใจใช้อัลกอริทึมไดนามิกร่วมกับโมเดลนี้ (เช่น พจนานุกรมที่ป้ายกำกับฟิลด์ต่างๆ ถูกกำหนดรหัสตายตัว) การแก้ไขนี้ช่วยปรับปรุงประสิทธิภาพของโซลูชันอย่างมาก และช่วยประหยัดเวลาและเงินของลูกค้า

หากลูกค้าตัดสินใจข้าม AI PoC พวกเขาอาจเสียเวลาเจ็ดเดือนเพียงเพื่อตระหนักว่าแนวคิดเริ่มต้นของพวกเขาเกี่ยวกับโมเดลที่ใช้ ML ล้วนไม่ใช่วิธีแก้ปัญหาที่ดีที่สุด ด้วย AI PoC พวกเขาได้ข้อสรุปในเวลาเพียงสองเดือน หลังจาก AI PoC นี้เสร็จสมบูรณ์ เราได้สร้าง MVP ที่สามารถรองรับเอกสารสี่ประเภท โดยใช้เวลามากกว่า 25% ของภาระการประมวลผลด้วยตนเอง

ตกตะลึงกับข้อ จำกัด ของ Meta ในการใช้ข้อมูล

ลูกค้าในอุตสาหกรรมบันเทิงต้องการสร้างแพลตฟอร์มการวิเคราะห์ที่ขับเคลื่อนด้วย AI สำหรับนักดนตรีอิสระ โซลูชันนี้ควรรวบรวมข้อมูลจากโซเชียลมีเดีย รวมถึง Facebook และ Instagram เพื่อรวบรวมข้อมูล มันจะประมวลผลข้อมูลทั้งหมดนี้เพื่อวัดความรู้สึกของผู้คนที่มีต่อศิลปิน นักดนตรีสามารถลงทะเบียนกับแพลตฟอร์มและรับคำติชมเกี่ยวกับพฤติกรรมการใช้โซเชียลมีเดียที่เป็นประโยชน์สูงสุดสำหรับความสำเร็จของพวกเขา

เราดำเนินการกับ AI PoC เพื่อทดสอบแนวคิดนี้ หลังจากผ่านไปเพียงสองสัปดาห์ เราก็ตระหนักว่าเป็นไปไม่ได้เลยที่จะรวบรวมข้อมูลจาก Facebook และ Instagram เพื่อใช้ตามวัตถุประสงค์ที่อธิบายไว้ข้างต้น โดยทั่วไปแล้ว ข้อมูลบางส่วนสามารถเรียกค้นได้ผ่าน API ของกราฟ ด้วยเหตุนี้ เช่นเดียวกับบัญชีธุรกิจที่ได้รับการยืนยันใน Meta เราจึงถือว่าเราสามารถเข้าถึงข้อมูลที่จำเป็นได้ อย่างไรก็ตาม ลูกค้าไม่สามารถจัดหาบัญชีธุรกิจที่ผ่านการยืนยันให้เราได้ และข้อมูลจาก Graph API เพียงอย่างเดียวไม่เพียงพอให้โซลูชันนี้ใช้งานได้

หากลูกค้าตัดสินใจที่จะข้าม PoC พวกเขาจะต้องเสียเงินประมาณ 20,000 ดอลลาร์ในโครงการค้นพบ ซึ่งจะรวมถึงคำอธิบายโดยละเอียดของโซลูชันและการประมาณต้นทุนการพัฒนา แต่เนื่องจากพวกเขาเลือกที่จะเริ่มต้นด้วย AI PoC พวกเขาใช้เงินเพียงประมาณ 5,000 ดอลลาร์ก่อนที่จะพบว่าโซลูชันที่เสนอนั้นไม่สามารถดำเนินการได้เนื่องจากการจำกัดการเข้าถึงข้อมูลที่บังคับใช้โดย Meta

คู่มือห้าขั้นตอนสำหรับ AI PoC แรกของคุณ

ต่อไปนี้คือห้าขั้นตอนที่คุณสามารถปฏิบัติตามเพื่อผ่าน AI PoC ของคุณให้สำเร็จ เรายังระบุความท้าทายที่เกี่ยวข้องกับแต่ละขั้นตอน

ขั้นตอนที่ 1: ระบุปัญหาที่คุณต้องการจัดการกับ AI

สิ่งสำคัญคือต้องระบุว่าคุณต้องการทำอะไรให้สำเร็จโดยการใช้ AI PoC กรณีการใช้งานที่เลือกต้องมีมูลค่าสูงและแสดงถึงสิ่งที่คุณสามารถจัดการได้ดีที่สุดด้วยเทคโนโลยีนี้ หากคุณมีข้อสงสัย จุดเริ่มต้นที่ดีคือการดูว่าคนอื่นๆ ในสายงานของคุณกำลังใช้โซลูชัน AI เพื่ออะไร อีกวิธีหนึ่งคือการตรวจสอบปัญหาที่ธุรกิจของคุณเผชิญอยู่และเปรียบเทียบกับศักยภาพของ AI

หลังจากที่คุณรวบรวมรายการโอกาสแล้ว คุณสามารถถามคำถามต่อไปนี้เพื่อพิจารณาว่าโอกาสใดเหมาะสมที่สุดสำหรับโครงการของคุณในขณะนี้

• ปัญหาที่คุณตั้งใจจะแก้ไขมีความเฉพาะเจาะจงเพียงพอหรือไม่? คุณสามารถประเมินผลเพื่อกำหนดความสำเร็จได้หรือไม่?
• คุณได้พยายามแก้ไขปัญหานี้ด้วยเทคโนโลยีอื่นแล้วหรือยัง?
• คุณมีความสามารถและเงินทุนสนับสนุนโครงการนี้จนจบหรือไม่? หากไม่มีบุคลากรภายในที่เหมาะสม คุณสามารถจ้างทีมงานเฉพาะจากภายนอกได้หรือไม่
• ปัญหาจะส่งผลกระทบต่อธุรกิจของคุณอย่างไร? ผลกระทบนี้มีความสำคัญเพียงพอที่จะรับประกันความพยายามของคุณหรือไม่?
• คุณจะสามารถขายโครงการนี้ให้กับผู้บริหารของคุณได้หรือไม่? องค์กรของคุณพร้อมที่จะดำเนินโครงการดังกล่าวแล้วหรือยัง?
• บริษัทของคุณมีกลยุทธ์ด้านข้อมูลอยู่แล้วหรือไม่? ถ้าเป็นเช่นนั้นจะสอดคล้องกับโครงการนี้อย่างไร?
• อะไรคือความเสี่ยงและข้อจำกัดของการใช้ AI เพื่อจัดการกับปัญหานี้

ความท้าทายที่เกี่ยวข้อง

• การเลือก Use Case ที่เพิ่มมูลค่าได้ไม่มากหรือใช้ศักยภาพของ AI ได้ไม่เต็มที่ ปัญญาประดิษฐ์เป็นเทคโนโลยีที่มีราคาแพง และการเลือกกรณีที่ไม่สำคัญหมายความว่าคุณใช้จ่ายมากกว่าที่คุณจะได้รับ ตรวจสอบบทความของเราเกี่ยวกับค่าใช้จ่ายในการนำ AI ไปใช้เพื่อให้เข้าใจค่าใช้จ่ายได้ดีขึ้น

ขั้นตอนที่ 2: เตรียมข้อมูล

เมื่อคุณได้กำหนดปัญหาของคุณอย่างชัดเจนแล้ว ก็ถึงเวลารวบรวมและเตรียมข้อมูลการฝึกอบรมสำหรับอัลกอริทึม AI คุณสามารถทำได้โดย:

• ตรวจสอบข้อมูลที่สามารถใช้ได้ภายในบริษัทของคุณ
• สร้างข้อมูลกึ่งสังเคราะห์โดยใช้แอปพลิเคชันสำเร็จรูปเฉพาะหรือโซลูชันของคุณเอง
• ซื้อชุดข้อมูลจากผู้ให้บริการที่เชื่อถือได้
• โดยใช้ข้อมูลโอเพ่นซอร์ส
• จ้างคนมาขูดข้อมูลที่เหมาะกับวัตถุประสงค์ของคุณ

คุณไม่จำเป็นต้องจำกัดตัวเองอยู่เพียงแหล่งเดียว คุณสามารถใช้หลายตัวเลือกข้างต้นร่วมกันได้

หันไปหานักวิทยาศาสตร์ข้อมูลเพื่อทำการคัดกรองข้อมูลเบื้องต้น พวกเขาจะดำเนินการดังต่อไปนี้

• จัดโครงสร้างข้อมูล
• ทำความสะอาดโดยขจัดเสียงรบกวน
• เพิ่มจุดข้อมูลที่ขาดหายไป ในกรณีของข้อมูลแบบตาราง
• ดำเนินการวิศวกรรมคุณลักษณะ (เช่น การเพิ่มและลบช่องข้อมูล)
• ใช้การจัดการ เช่น การรวมหรือการกรองข้อมูล

นักวิทยาศาสตร์ด้านข้อมูลสามารถแนะนำคุณเกี่ยวกับวิธีรวบรวมข้อมูลเพิ่มเติมหรือวิธีจำกัดขอบเขตของ AI PoC เพื่อให้คุณบรรลุผลลัพธ์ตามที่ต้องการด้วยชุดข้อมูลที่มีอยู่

เมื่อข้อมูลพร้อมใช้งานให้แบ่งออกเป็นสามชุด:

• ชุดฝึกอบรมซึ่งตัวแบบจะใช้ในการเรียนรู้
• ชุดการตรวจสอบเพื่อตรวจสอบความถูกต้องของแบบจำลองและทำซ้ำในการฝึกอบรม
• ชุดการทดสอบที่จะประเมินประสิทธิภาพของอัลกอริทึม

ความท้าทายที่เกี่ยวข้อง

• ข้อมูลการฝึกอบรมไม่ได้เป็นตัวแทนของประชากรทั้งหมด ในกรณีนี้ อัลกอริทึมอาจทำงานได้ดีในกรณีทั่วไป แต่จะให้ผลลัพธ์ที่ไม่ดีในกรณีที่เกิดไม่บ่อย ตัวอย่างเช่น แบบจำลอง ML ด้านการดูแลสุขภาพที่วิเคราะห์รังสีเอกซ์อาจเก่งในการตรวจจับความผิดปกติทั่วไป เช่น การไหลออก แต่จะมีปัญหาในการตรวจพบความผิดปกติที่หายาก เช่น ไส้เลื่อน
• ความไม่สมดุลของคลาส เมื่อจำนวนเคสที่เป็นตัวแทนของคลาสหนึ่งมีมากกว่าอีกคลาสหนึ่งอย่างมีนัยสำคัญ โดยมีอัตราส่วน 99.9% ต่อ 0.1%
• การติดฉลากที่ไม่ถูกต้อง เช่น การผสมชั้นเรียน (เช่น การติดฉลากจักรยานเป็นรถยนต์)
• สัญญาณรบกวนสูงในชุดข้อมูลการฝึกอบรม
• ความยากลำบากในการบรรลุการแยกชั้นบริสุทธิ์ กรณีนี้เกิดขึ้นเมื่อข้อมูลบางอย่างในชุดการฝึกไม่สามารถจัดประเภทได้อย่างถูกต้องภายใต้คลาสใดคลาสหนึ่ง

ขั้นตอนที่ 3: ออกแบบและสร้างหรือซื้อโซลูชัน

คุณอาจสงสัยว่าคุณควรสร้างแบบจำลองด้วยตัวเองหรือว่าคุณสามารถจัดหาโซลูชันที่มีอยู่ได้หรือไม่ นี่คือเวลาที่เหมาะสมที่จะสร้างแบบจำลอง AI ตั้งแต่เริ่มต้น

• โซลูชันของคุณเป็นนวัตกรรมใหม่และไม่เป็นไปตามมาตรฐานที่มีอยู่
• โซลูชันสำเร็จรูปมีค่าใช้จ่ายสูงในการปรับแต่ง
• โมเดลสำเร็จรูปที่ใกล้เคียงที่สุดคือ overkill และทำงานได้มากกว่าที่คุณต้องการจริงๆ

พิจารณาจัดหาโมเดลสำเร็จรูปหากค่าใช้จ่ายในการซื้อและปรับแต่งโมเดลนั้นน้อยกว่าการสร้างจากพื้นฐาน

หากคุณตัดสินใจที่จะสร้างอัลกอริทึม AI ตั้งแต่เริ่มต้น คุณจะสามารถควบคุมความแม่นยำได้มากขึ้น การทำงานจะใช้เวลานานขึ้น แต่จะปรับให้เหมาะกับปัญหาทางธุรกิจและกระบวนการภายในของคุณ คุณไม่จำเป็นต้องทำการเปลี่ยนแปลงระบบของคุณเพื่อรองรับซอฟต์แวร์ภายนอก

เกี่ยวกับโครงสร้างพื้นฐานสำหรับการฝึกอบรมอัลกอริทึมและการนำไปใช้ คุณสามารถพึ่งพาระบบคลาวด์แทนการใช้ทรัพยากรในเครื่องได้ มีสี่พารามิเตอร์ที่คุณสามารถพิจารณาได้เมื่อตัดสินใจเลือกสิ่งที่เหมาะกับคุณที่สุด

1. ความปลอดภัย. หากข้อมูลของคุณมีความละเอียดอ่อนมากในเรื่องความปลอดภัย คุณควรเก็บทุกอย่างไว้ภายในองค์กร
2. ปริมาณงาน หากภาระการประมวลผลค่อนข้างหนัก ให้เลือกใช้คลาวด์
3. ค่าใช้จ่าย ประเมินว่าอะไรจะทำให้คุณเสียค่าใช้จ่ายมากขึ้น: การซื้อทรัพยากรภายในเครื่องหรือการจ่ายเงินสำหรับการใช้งานคลาวด์เมื่อเวลาผ่านไป
4. การเข้าถึง หากคุณจะใช้โซลูชันในเครื่องเท่านั้น คุณสามารถพึ่งพาเซิร์ฟเวอร์ภายในองค์กรของคุณได้ หากจำเป็นต้องเข้าถึงได้จากตำแหน่งที่ตั้งทางภูมิศาสตร์ที่แตกต่างกัน ก็ถือว่าคุ้มค่าที่จะพิจารณาระบบคลาวด์

ทุกแนวทางมีข้อดีและข้อเสีย หากคุณทำงานในภาคส่วนการดูแลสุขภาพ เรามีคำอธิบายที่ชัดเจนในคลาวด์คอมพิวติ้งในโพสต์ด้านการดูแลสุขภาพในบล็อกของเรา มิฉะนั้น โปรดติดต่อผู้เชี่ยวชาญด้าน AI ของเราเพื่อเลือกกลุ่มเทคโนโลยีที่ดีที่สุดสำหรับการฝึกอบรมอัลกอริทึม

ความท้าทายที่เกี่ยวข้อง

• ขาดการฝึกอบรมที่เหมาะสม สิ่งนี้จะทำให้เกิดปัญหา เช่น ความสามารถทั่วไปของโมเดลที่ไม่ดี ซึ่งหมายความว่าโมเดลจะไม่คาดการณ์ข้อมูลที่แม่นยำซึ่งไม่ได้เห็นในการฝึกอบรม กลับมาที่การวิเคราะห์ภาพเอ็กซเรย์ในภาคการแพทย์ อัลกอริทึมอาจประสบความสำเร็จในการวิเคราะห์ภาพคุณภาพสูงที่ถ่ายด้วยการสแกนที่ทันสมัย ​​แต่ก็ยังมีประสิทธิภาพต่ำเมื่อนำไปใช้กับการสแกนที่สร้างโดยเครื่องรุ่นเก่า
• การรวมเข้ากับระบบที่มีอยู่ ซึ่งบางระบบอาจล้าสมัยหรือขับเคลื่อนโดยเทคโนโลยีที่เป็นกรรมสิทธิ์
• ไม่สามารถหาสถาปัตยกรรมแบบจำลองที่เหมาะสมได้ (เช่น ไม่สามารถเลือกแบบจำลอง ML ที่เหมาะสมสำหรับปัญหาที่มีอยู่)
• ความสามารถของสถาปัตยกรรมที่เลือกไม่ตรงกับความต้องการของรุ่น
• ข้อมูลอินพุตมีความผันผวน ซึ่งหมายความว่าโมเดลต้องได้รับการฝึกอบรมใหม่บ่อยครั้ง
• การใช้ทรัพยากรมากกว่าที่แบบจำลองของคุณต้องการเพื่อดำเนินการต่างๆ ไม่จำเป็นต้องลงทุนในเซิร์ฟเวอร์ที่ทรงพลังเพื่อเรียกใช้แบบจำลองง่ายๆ

ขั้นตอนที่ 4: ประเมินศักยภาพของ AI PoC ในการสร้างมูลค่า

ขั้นตอนนี้เป็นการประเมินว่า AI PoC สามารถทำตามความคาดหวังได้หรือไม่ มีหลายวิธีในการประเมิน

• กลับไปที่ตัวบ่งชี้ประสิทธิภาพหลัก (KPI) และทดสอบวิธีแก้ปัญหากับพวกเขา ปัจจัยเหล่านี้อาจรวมถึงความถูกต้อง ความพึงพอใจของลูกค้า ความรวดเร็ว ความยืดหยุ่น ความเป็นธรรม และความปลอดภัย
• รวบรวมข้อมูลว่าระบบของคุณทำงานอย่างไรก่อนการปรับใช้ AI PoC ซึ่งอาจรวมถึงเวลาที่ใช้ในงานแบบแมนนวลเฉพาะและจำนวนข้อผิดพลาด ต่อไป คุณควรใช้ข้อมูลเพื่อประเมินผลกระทบของ PoC
• เปรียบเทียบประสิทธิภาพของโซลูชันกับผลิตภัณฑ์อื่นๆ ที่ถือเป็นเกณฑ์มาตรฐานสำหรับปัญหาประเภทนี้หรืออุตสาหกรรมที่กว้างขึ้น ตัวอย่างเช่น เกณฑ์มาตรฐานสำหรับปัญหาที่เกี่ยวข้องกับการจัดประเภทรูปภาพจะเป็นแบบจำลองที่ให้ผลลัพธ์ที่ถูกต้องในชุดข้อมูลที่เป็นที่นิยม เช่น ImageNet
• รวบรวมความคิดเห็นของผู้ใช้ผ่านการสนทนากลุ่มหรือแบบสำรวจออนไลน์เพื่อวัดระดับความพึงพอใจและระบุสิ่งที่ขาดหายไป
• ทำการวิเคราะห์ต้นทุนและผลประโยชน์เพื่อทำความเข้าใจผลกระทบทางการเงินของโซลูชันนี้ที่มีต่อองค์กร

ความท้าทายที่เกี่ยวข้อง

• ทำผิดพลาดในการประเมินของคุณ อาจเป็นข้อผิดพลาดทางคณิตศาสตร์ง่ายๆ ระหว่างการคำนวณ หรือข้อผิดพลาดที่เกี่ยวข้องกับการประเมินศักยภาพทางธุรกิจ

ขั้นตอนที่ 5: ทำซ้ำใน AI PoC เพื่อผลลัพธ์ที่ดีขึ้น หรือขยายขนาด

หากผลลัพธ์ที่คุณได้รับในขั้นตอนก่อนหน้าไม่เป็นไปตามมาตรฐาน คุณอาจพิจารณาแก้ไขโซลูชันและทำซ้ำทั้งกระบวนการ คุณสามารถเปลี่ยนแปลงอัลกอริทึม ML และวัดประสิทธิภาพด้วยการปรับเปลี่ยนแต่ละครั้ง คุณยังสามารถทดลองกับส่วนประกอบฮาร์ดแวร์ต่างๆ หรือรุ่นบริการคลาวด์อื่นๆ

หากคุณพอใจกับประสิทธิภาพของ AI PoC คุณสามารถปรับขนาดมันในทิศทางต่างๆ ได้ นี่คือตัวอย่างบางส่วน

• ใช้ PoC กับกรณีธุรกิจอื่นๆ มองหาแอปพลิเคชันอื่นๆ ของโซลูชันใหม่นี้ภายในธุรกิจของคุณ ตัวอย่างเช่น หากคุณกำลังทดสอบ AI เป็นแอปพลิเคชั่นหนึ่งของการบำรุงรักษาเชิงคาดการณ์ คุณสามารถลองนำไปใช้กับสถานการณ์อื่น ๆ ที่เกี่ยวข้องได้
• ปรับขนาดโครงสร้างพื้นฐาน ตรวจสอบเทคโนโลยีที่ใช้ในการเรียกใช้ซอฟต์แวร์นี้ คุณสามารถทุ่มเทพลังการประมวลผลหรือความจุข้อมูลได้มากขึ้นหรือไม่? การแก้ไขดังกล่าวจะช่วยให้คุณใช้ข้อมูลได้มากขึ้น ลดเวลาแฝง และอาจให้ผลลัพธ์แบบเรียลไทม์ นอกจากนี้ยังช่วยลดความเป็นไปได้ของปัญหาคอขวดในอนาคต
• ปรับโซลูชัน PoC ให้เหมาะสม แม้ว่าคุณอาจได้รับผลลัพธ์ที่สมเหตุสมผลในขั้นตอนก่อนหน้านี้ แต่อาจคุ้มค่าที่จะมองหาวิธีปรับปรุงความแม่นยำ คุณสามารถฝึกฝนอัลกอริทึมของคุณต่อไปได้โดยใช้ข้อมูลใหม่หรือข้อมูลที่มีป้ายกำกับที่แม่นยำยิ่งขึ้น หรือคุณสามารถทดลองใช้การปรับแต่งและการเปลี่ยนแปลงเพื่อให้ได้ผลลัพธ์ที่ดีขึ้น

หากคุณตัดสินใจที่จะใช้ AI ทั่วทั้งบริษัทหลังจากขั้นตอน PoC คุณสามารถดูคำแนะนำที่เป็นประโยชน์ในคำแนะนำของเราเกี่ยวกับวิธีการนำ AI ไปใช้ในองค์กรของคุณ

ความท้าทายที่เกี่ยวข้อง

• สถาปัตยกรรมไม่ได้รับการพิจารณาอย่างรอบคอบ โซลูชันนี้อาจใช้ได้ดีกับผู้ใช้ 10,000 คน แต่จะขัดข้องเมื่อมีผู้ชมถึง 100,000 คน
• โมเดลมีข้อบกพร่องที่จะแสดงออกมาเมื่อคุณพยายามปรับขนาดโซลูชัน AI
• การนำโมเดลไปใช้กับกรณีธุรกิจอื่นๆ นอกเหนือจากที่ตั้งใจไว้ ตัวอย่างเช่น โซลูชันที่มีไว้เพื่อประกอบรถสาลี่ในสวนไม่สามารถใช้กับการประกอบรถบรรทุกได้ เนื่องจากอาจสร้างรถสาลี่ในสวนขนาดใหญ่ที่มีมอเตอร์

สรุป

เมื่อพูดถึงการนำ AI ไปใช้ ให้เริ่มต้นจากสิ่งเล็กๆ และยังคงจัดการได้ ตรวจสอบให้แน่ใจว่าคุณมีกรณีธุรกิจที่ชัดเจนพร้อมวัตถุประสงค์และเมตริกที่กำหนดเพื่อวัดความสำเร็จ และควรพิจารณาสร้าง AI PoC เสมอ ยกเว้นกรณีที่นำเสนอในตอนต้นของบทความนี้ วิธีนี้จะช่วยคุณระบุอุปสรรคที่อาจเกิดขึ้นก่อนที่คุณจะดำเนินการอย่างเต็มที่และลงทุนทางการเงินจำนวนมากในโซลูชันที่อาจไม่เป็นไปตามความคาดหวัง

คุณต้องการนำ AI มาใช้ในองค์กรของคุณ แต่ไม่แน่ใจว่าแนวคิดทางธุรกิจของคุณจะเป็นไปได้หรือไม่? ได้รับการติดต่อ! ทีมของเราจะช่วยคุณดำเนินการ PoC เพื่อทดสอบแนวคิดของคุณในทางปฏิบัติ

เผยแพร่ครั้งแรกที่ https://itrexgroup.com เมื่อวันที่ 9 มกราคม 2023