När du producerar AI finns det många utmaningar du kan stöta på, till exempel hur du applicerar din AI-modell på en process eller människor, stabiliserar data och modeller, hur du håller din modell korrekt i föränderliga miljöer och över tid, skalning och hur du växer eller utöka kapaciteten hos din AI-modell.
Inbädda AI
Att köra en framgångsrik maskininlärning Proof of Concept (PoC) med en ny algoritm är bara 10 % av ansträngningen som krävs för att producera den och få verkligt värde av den. Resterande 90% kan delas upp i saker du behöver göra för att göra en användbar produkt och saker du behöver göra för att göra en användbar produkt.
För att göra en användbar produkt behöver du zooma in på den tekniska implementeringen av att göra produkten tillgänglig för dina användare. För att göra det användbart bör du titta på att bädda in produkten i en process för användarna. Men först, exakt vad är skillnaden mellan en PoC och en användbar produkt?
För det första är PoC inte avsedda för produktion. Produkter måste fungera hela tiden, när som helst och under skiftande omständigheter. Under din PoC hittar du informationen du letar efter, gör en kopia och börjar rensa upp och analysera den. I produktionen måste din datakälla vara ansluten till en dataplattform i realtid, säkert och säkert; dataströmmen måste manipuleras automatiskt och jämföras med/kombineras med andra datakällor.
Under din PoC har du antingen lyxen att kunna prata med dina framtida användare och arbeta med dem för att designa en lösning, eller så har du inga användare alls, och du designar en teknisk lösning. För en produkt har du användare som behöver förstå den lösningen och personer som är ansvariga för att hålla den tekniska lösningen igång. Således kräver en produkt utbildning, vanliga frågor och/eller supportlinjer för att den ska vara användbar. Dessutom skapar du bara en ny version för ditt enda användningsfall i en PoC. Produkter kräver uppdateringar, och när du har rullat ut din produkt för flera kunder behöver du ett sätt att testa och distribuera din kod för produktion (CI/CD-pipelines).
"På Itility har vi utvecklat vår Itility Data Factory och AI Factory som täcker byggstenarna och den underliggande plattformen för alla våra projekt. Det betyder att vi har den användbara vinkeln täckt från början, så att vi kan fokusera på den användbara vinkeln (som är mer kund- och användningsfallsberoende)”, sa företaget.
Skadedjursdetekteringsapp – från PoC till användbar produkt
“Proof of Concept-fasen av vår Pest Detection App bestod av en modell som kan utföra den smala uppgiften att klassificera och räkna flugor på en limfälla baserat på bilder tagna av växthusteammedlemmar. Om de missade en bild eller om något gick fel, kunde de gå tillbaka och ta en annan, eller direkt fixa den i instrumentpanelen. Det behövdes en del manuella kontroller.
"Vår PoC-värld var enkel, baserad på en enda enhet, en enda användare och en enda kund. Men för att göra det till en användbar produkt behövde vi skala och stödja flera kunder. Då uppstår frågan om hur man håller data åtskilda och säkra. Dessutom kräver varje enskild kund/maskin en inställning och standardkonfiguration. Så, hur konfigurerar man/ställer in 20 nya kunder? Hur vet du när du ska bygga ett administratörsgränssnitt och automatisera onboarding? Hos 2 kunder, 20 eller 200?"
Naturligtvis kan du ha frågor som "hur hjälper det att räkna flugor min kund?" Hur skapar man värde från denna information? Hur kan man rekommendera beslut och vidta åtgärder? Hur passar denna AI-applikation i affärsprocessen?'. Steg ett är att ändra din referensram från ett tekniskt/dataperspektiv till ett slutanvändarperspektiv. Detta innebär att fortsätta samtalet med din kund och se hur den beprövade PoC passar in i dagliga processer.
”Man måste också noga följa processen under en längre tid, man behöver gå med i operativa och taktiska möten för att verkligen förstå vilka åtgärder som vidtas varje dag baserat på vilken information, hur mycket tid som läggs på att göra vad och resonemanget bakom vissa handlingar. Utan att förstå hur informationen från din modell används för att skapa affärsvärde kommer du inte till en användbar produkt.
”I vårt fall upptäckte vi vilken information som användes för att fatta beslut. Till exempel upptäckte vi att för vissa skadedjur var det viktigare att följa veckotrenden (för vilken du inte behöver superhög noggrannhet) medan andra kräver åtgärder vid första tecknet på ett skadedjur (vilket betyder att det är bättre att ha ett par av falska positiva än att ha ens en falsk negativ).
"Dessutom upptäckte vi att vår kund tidigare hade en "dålig" erfarenhet av ett liknande verktyg som påstod sig ha noggrannhet som det inte kunde leverera i praktiken. Varför skulle de lita på våra? Vi tog detta förtroendeproblem direkt och gjorde noggrannhet och transparens till en nyckelfunktion i produkten. Vi använde denna information för att göra vår produkt användbar genom att anpassa applikationen till slutanvändarens arbetssätt, och genom att öka transparensen i interaktionen, vilket ger användaren mer kontroll över applikationen”, fortsätter företaget.
Vilken är den största utmaningen?
"I vårt flugräkningsscenario kan vi prata om vår noggrannhetspoäng allt vi vill. Men för att vara användbar behöver användaren (en växthusspecialist) mer än procent. Det som behövs är att uppleva det och lära sig att lita på det. Det värsta som kan hända är när dina användare jämför dina resultat med sina egna manuella resultat och det finns en (stor) diskrepans. Ditt rykte är förstört och det finns inget utrymme att återvinna förtroendet. Vi motverkade detta genom att lägga till programvara i produkten som uppmuntrar användaren att leta efter dessa avvikelser och korrigera dem.
”Vårt tillvägagångssätt är alltså att göra användaren till en del av AI-lösningen istället för att presentera den som ett system som ska ersätta specialisten. Vi gör specialisten till en operatör. AI ökar sina förmågor och specialisterna har kvar kontrollen genom att kontinuerligt lära ut och vägleda AI:n att lära sig mer och göra korrigeringar när miljön eller andra variabler driver. Som operatör är specialisten en integrerad del av lösningen – lära ut och träna AI med specifika åtgärder.”
Klicka här. för att se en video med mer information om det operatörscentrerade tillvägagångssättet.