AIを製品化する場合、AIモデルをプロセスや人に適用する方法、データとモデルを安定させる方法、変化する環境や時間の経過とともにモデルを正確に保つ方法、スケーリング、成長する方法など、直面する可能性のある多くの課題があります。または、AIモデルの機能を強化します。
AIの埋め込み
新しいアルゴリズムを使用して機械学習の概念実証(PoC)を成功させることは、それを製品化して実際の価値を得るのに必要な労力のわずか10%です。 残りの90%は、使える製品を作るために必要なことと、有用な製品を作るために必要なこととに分けることができます。
使用可能な製品を作成するには、ユーザーが製品を利用できるようにするための技術的な実装にズームインする必要があります。 それを便利にするために、ユーザーのためのプロセスへの製品の埋め込みを検討する必要があります。 ただし、最初に、PoCと使用可能な製品の違いは正確には何ですか?
まず第一に、PoCは本番用ではありません。 製品は、いつでも、いつでも、変化する状況下で機能する必要があります。 PoC中に、探しているデータを見つけてコピーを作成し、クリーンアップと分析を開始します。 本番環境では、データソースをリアルタイムで安全かつ確実にデータプラットフォームに接続する必要があります。 データストリームは自動的に操作され、他のデータソースと比較/結合される必要があります。
PoCの期間中は、将来のユーザーと話をしてソリューションを設計することができるという贅沢があるか、ユーザーがまったくいない状態で技術的なソリューションを設計しています。 製品の場合、そのソリューションを理解する必要のあるユーザーと、技術ソリューションの実行を維持する責任者がいます。 したがって、製品を使用するには、トレーニング、FAQ、および/またはサポートラインが必要です。 さらに、PoCでXNUMXつのユースケースの新しいバージョンを作成するだけです。 製品には更新が必要であり、複数の顧客向けに製品を展開する場合は、本番用にコードをテストしてデプロイする方法(CI / CDパイプライン)が必要です。
「Itilityでは、プロジェクトの構成要素と基盤となるプラットフォームをカバーするItility DataFactoryとAIFactoryを開発しました。 これは、最初から使用可能な角度をカバーしていることを意味し、有用な角度(より顧客やユースケースに依存する)に焦点を当てることができます」と同社は述べています。
害虫検出アプリ–PoCから使用可能な製品まで
「私たちの害虫検出アプリの概念実証フェーズは、温室チームのメンバーが撮影した画像に基づいて、グルートラップ上のハエを分類およびカウントするという狭いタスクを実行できるモデルで構成されていました。 写真を見逃した場合や問題が発生した場合は、戻って別の写真を撮るか、ダッシュボードで直接修正することができます。 かなりの手動チェックが必要でした。
「私たちのPoCの世界はシンプルで、20つのデバイス、2つのユーザー、20つの顧客に基づいていました。 ただし、それを使用可能な製品にするためには、複数の顧客を拡張してサポートする必要がありました。 次に、データをどのように分離して安全に保つかという問題が発生します。 さらに、個々の顧客/マシンには、セットアップとデフォルト構成が必要です。 では、200人の新規顧客を構成/設定するにはどうすればよいでしょうか。 管理インターフェースを構築してオンボーディングを自動化するタイミングをどのようにして知ることができますか? XNUMX人の顧客で、XNUMX人ですか、それともXNUMX人ですか?」
もちろん、「ハエを数えることは私の顧客にどのように役立つのか」などの質問があるかもしれません。 この情報から価値を生み出す方法は? 決定を推奨し、行動を起こす方法は? このAIアプリケーションはビジネスプロセスにどのように適合しますか?」 ステップXNUMXは、参照フレームを技術/データの観点からエンドユーザーの観点に変更することです。 これは、顧客との会話を継続し、実績のあるPoCが日常のプロセスにどのように適合するかを確認することを意味します。
「また、プロセスを長期間厳密に追跡する必要があります。運用および戦術会議に参加して、どの情報、何をするのにどれだけの時間が費やされているか、および理由に基づいて、毎日どのような行動が取られているかを実際に理解する必要があります。特定のアクションの背後にあります。 モデルからの情報がビジネス価値を生み出すためにどのように使用されるかを理解しないと、有用な製品を手に入れることはできません。
「私たちの場合、意思決定にどのような情報が使用されているかを発見しました。 たとえば、一部の害虫については、毎週の傾向に従うことがより重要であることがわかりました(超高精度は必要ありません)が、他の害虫は、害虫の最初の兆候で行動を起こす必要があります(つまり、カップルがいる方が良いことを意味します)誤検知がXNUMXつでもあるよりも誤検知の方が多い)。
「さらに、私たちは、お客様が以前に、実際には提供できない精度を持っていると主張する同様のツールで「悪い」経験をしたことがあることを発見しました。 なぜ彼らは私たちを信頼するのでしょうか? 私たちはこの信頼の問題を真正面から受け止め、精度と透明性を製品の重要な特徴としました。 この情報を使用して、アプリケーションをエンドユーザーの作業方法に適合させ、対話の透明性を高め、ユーザーがアプリケーションをより細かく制御できるようにすることで、製品を有用なものにしました」と同社は続けています。
最大の課題は何ですか?
「フライカウントのシナリオでは、必要なすべての精度スコアについて話すことができます。 ただし、有用であるためには、ユーザー(温室の専門家)はパーセンテージ以上のものを必要とします。 必要なのはそれを体験し、それを信頼することを学ぶことです。 発生する可能性のある最悪の事態は、ユーザーが自分の結果を自分の手動の結果と比較し、(大きな)不一致がある場合です。 あなたの評判は台無しになり、信頼を取り戻す余地はありません。 これに対抗するために、ユーザーがこれらの不一致を探して修正するように促すソフトウェアを製品に追加しました。
「したがって、私たちのアプローチは、スペシャリストに取って代わるシステムとしてユーザーを提示するのではなく、ユーザーをAIソリューションの一部にすることです。 スペシャリストをオペレーターに変えます。 AIは能力を強化しており、スペシャリストはAIを継続的に指導および指導して、環境やその他の変数が変動したときにAIの詳細を学習し、修正を行うことで、制御を維持します。 オペレーターとして、スペシャリストはソリューションの不可欠な部分であり、特定のアクションでAIを指導およびトレーニングします。」
クリック こちら オペレーター中心のアプローチの詳細が記載されたビデオをご覧ください。