Wakati wa kutengeneza AI, kuna changamoto nyingi unazoweza kukutana nazo, kama vile jinsi ya kutumia kielelezo chako cha AI kwa mchakato au watu, kuleta data na miundo thabiti, jinsi ya kuweka kielelezo chako kuwa sahihi katika mabadiliko ya mazingira na baada ya muda, kuongeza ukubwa na jinsi ya kukua. au ongeza uwezo wa muundo wako wa AI.
Kupachika AI
Kuendesha mashine yenye mafanikio ya kujifunza kwa Uthibitisho wa Dhana (PoC) kwa kutumia algoriti mpya ni 10% pekee ya juhudi zinazohitajika ili kuizalisha na kupata thamani halisi kutoka kwayo. Asilimia 90 iliyobaki inaweza kugawanywa katika mambo unayohitaji kufanya ili kutengeneza bidhaa inayoweza kutumika na mambo unayohitaji kufanya ili kutengeneza bidhaa muhimu.
Ili kutengeneza bidhaa inayoweza kutumika, unahitaji kuvuta karibu juu ya utekelezaji wa kiufundi wa kufanya bidhaa ipatikane kwa watumiaji wako. Ili kuifanya iwe muhimu, unapaswa kuangalia kupachika bidhaa kwenye mchakato wa watumiaji. Kwanza, hata hivyo, ni tofauti gani hasa kati ya PoC na bidhaa inayoweza kutumika?
Kwanza kabisa, PoCs hazikusudiwa uzalishaji. Bidhaa zinahitaji kufanya kazi wakati wote, wakati wowote, na chini ya hali ya kuhama. Wakati wa PoC yako, unapata data unayotafuta, tengeneza nakala, na uanze kuisafisha na kuichanganua. Katika uzalishaji, chanzo chako cha data kinapaswa kuunganishwa kwenye jukwaa la data kwa wakati halisi, kwa usalama na kwa usalama; utiririshaji wa data lazima ubadilishwe kiotomatiki na ikilinganishwa na/kuunganishwa na vyanzo vingine vya data.
Wakati wa PoC yako, unaweza kuwa na anasa ya kuweza kuzungumza na watumiaji wako wa baadaye na kufanya kazi nao kuunda suluhisho, au huna watumiaji kabisa, na unaunda suluhisho la kiufundi. Kwa bidhaa, una watumiaji wanaohitaji kuelewa suluhu hiyo, na watu wanaowajibika kuweka suluhu la kiufundi likiendelea. Kwa hivyo, bidhaa inahitaji mafunzo, Maswali Yanayoulizwa Mara kwa Mara, na/au njia za usaidizi ili iweze kutumika. Zaidi ya hayo, unaunda tu toleo jipya la kesi yako moja ya utumiaji katika PoC. Bidhaa zinahitaji masasisho, na unapokuwa umesambaza bidhaa yako kwa wateja wengi, unahitaji njia ya kujaribu na kupeleka msimbo wako kwa ajili ya uzalishaji (CI/CD pipelines).
"Katika Itility, tumeunda Kiwanda chetu cha Data cha Itility na Kiwanda cha AI ambacho kinashughulikia vizuizi vya ujenzi na jukwaa la msingi la miradi yetu yoyote. Hii inamaanisha kuwa tuna pembe inayotumika iliyofunikwa tangu mwanzo, ili tuweze kuzingatia pembe inayofaa (ambayo inategemea zaidi mteja na utumiaji)," kampuni ilisema.
Programu ya kugundua wadudu - kutoka PoC hadi bidhaa inayoweza kutumika
"Awamu ya Uthibitisho wa Dhana ya Programu yetu ya Kugundua Wadudu ilijumuisha muundo ambao unaweza kutekeleza kazi finyu ya kuainisha na kuhesabu nzi kwenye mtego wa gundi kulingana na picha zilizopigwa na washiriki wa timu ya greenhouse. Iwapo walikosa picha au ikiwa hitilafu fulani, wanaweza kurudi nyuma na kuchukua nyingine, au kuirekebisha moja kwa moja kwenye dashibodi. Ukaguzi fulani wa mikono ulihitajika.
"Ulimwengu wetu wa PoC ulikuwa rahisi, kulingana na kifaa kimoja, mtumiaji mmoja, na mteja mmoja. Hata hivyo, ili kuifanya kuwa bidhaa inayoweza kutumika, tulihitaji kuongeza na kusaidia wateja wengi. Kisha, swali la jinsi ya kuweka data kutengwa na salama hutokea. Zaidi ya hayo, kila mteja/mashine inahitaji usanidi na usanidi chaguo-msingi. Kwa hivyo, jinsi ya kusanidi / kusanidi wateja wapya 20? Unajuaje wakati wa kuunda kiolesura cha msimamizi na uwekaji kiotomatiki? Kwa wateja 2, 20, au 200?"
Bila shaka, unaweza kuwa na maswali, kama vile 'kuhesabu nzi kunasaidiaje mteja wangu? Jinsi ya kuunda thamani kutoka kwa habari hii? Jinsi ya kupendekeza maamuzi na kuchukua hatua? Je, maombi haya ya AI yanafaaje katika mchakato wa biashara?'. Hatua ya kwanza ni kubadilisha mfumo wako wa marejeleo kutoka kwa mtazamo wa kiufundi/data hadi mtazamo wa mtumiaji wa mwisho. Hii inamaanisha kuendelea na mazungumzo na mteja wako na kuona jinsi PoC iliyothibitishwa inafaa katika michakato ya kila siku.
"Pia inabidi ufuatilie kwa ukaribu mchakato huo kwa muda mrefu zaidi, unahitaji kujiunga na mikutano ya kiutendaji na ya kimbinu ili kuelewa ni hatua gani zinachukuliwa kila siku kulingana na taarifa gani, muda gani unatumika kufanya nini, na hoja. nyuma ya vitendo fulani. Bila kuelewa jinsi maelezo kutoka kwa mtindo wako hutumiwa kuunda thamani ya biashara, huwezi kupata bidhaa muhimu.
"Kwa upande wetu, tuligundua ni habari gani ilitumika kufanya maamuzi. Kwa mfano, tuligundua kuwa kwa baadhi ya wadudu ilikuwa muhimu zaidi kufuata mtindo wa kila wiki (ambao hauhitaji usahihi wa hali ya juu) huku wengine wakihitaji hatua kwa ishara ya kwanza ya wadudu (hiyo inamaanisha ni bora kuwa na wanandoa. cha chanya za uwongo kuliko kuwa na hasi moja ya uwongo).
"Zaidi ya hayo, tuligundua kuwa mteja wetu alikuwa na uzoefu 'mbaya' hapo awali na zana kama hiyo inayodai kuwa na usahihi ambayo haikuweza kutoa kwa vitendo. Kwa nini waamini yetu? Tulichukulia tatizo hili la kuaminiana moja kwa moja na tukafanya usahihi na uwazi kuwa kipengele muhimu cha bidhaa. Tulitumia maelezo haya kufanya bidhaa yetu kuwa muhimu kwa kurekebisha programu kulingana na mbinu za kufanya kazi za mtumiaji wa mwisho, na kwa kuongeza uwazi katika mwingiliano, na kumpa mtumiaji udhibiti zaidi wa programu," kampuni inaendelea.
Changamoto kubwa ni ipi?
"Katika hali yetu ya kuhesabu nzi, tunaweza kuzungumza juu ya alama zetu za usahihi tunachotaka. Hata hivyo, ili kuwa na manufaa, mtumiaji (mtaalamu wa chafu) anahitaji zaidi ya asilimia. Kinachohitajika ni kuipitia, na kujifunza kuiamini. Jambo baya zaidi ambalo linaweza kutokea ni wakati watumiaji wako wanalinganisha matokeo yako na matokeo yao ya mwongozo na kuna tofauti (kubwa). Sifa yako imeharibika na hakuna nafasi ya kurejesha uaminifu. Tulipinga hili kwa kuongeza programu kwenye bidhaa ambayo inahimiza mtumiaji kutafuta hitilafu hizo na kuzirekebisha.
"Njia yetu kwa hivyo ni kumfanya mtumiaji kuwa sehemu ya suluhisho la AI badala ya kuiwasilisha kama mfumo ambao utachukua nafasi ya mtaalamu. Tunageuza mtaalamu kuwa mwendeshaji. AI inaongeza uwezo wao na wataalamu wanabaki kudhibiti kwa kuendelea kufundisha na kuongoza AI kujifunza zaidi na kufanya masahihisho wakati mazingira au vigezo vingine vinapotoshwa. Kama mwendeshaji, mtaalamu ni sehemu muhimu ya suluhisho - kufundisha na kufunza AI kwa vitendo maalum.
Bonyeza hapa ili kuona video iliyo na maelezo zaidi juu ya mbinu inayozingatia waendeshaji.