Nalika ngasilake AI, ana akeh tantangan sing bisa sampeyan temoni, kayata carane ngetrapake model AI menyang proses utawa wong, nyetabilake data lan model, carane supaya model sampeyan akurat nalika ngganti lingkungan lan suwene wektu, skala, lan cara tuwuh. utawa nambah kabisan model AI sampeyan.
Semat AI
Nglakokake Proof of Concept (PoC) machine learning sing sukses kanthi algoritma anyar mung 10% saka gaweyan sing dibutuhake kanggo ngasilake lan entuk nilai nyata. Sisa 90% bisa dipérang dadi perkara sing kudu ditindakake kanggo nggawe produk sing bisa digunakake lan apa sing kudu ditindakake kanggo nggawe produk sing migunani.
Kanggo nggawe produk sing bisa digunakake, sampeyan kudu nggedhekake implementasi teknis supaya produk kasedhiya kanggo pangguna. Kanggo nggawe migunani, sampeyan kudu ndeleng semat produk menyang proses kanggo pangguna. Nanging, pisanan, apa bedane antarane PoC lan produk sing bisa digunakake?
Kaping pisanan, PoCs ora dimaksudake kanggo produksi. Produk kudu bisa digunakake sawayah-wayah, kapan wae, lan ing kahanan sing owah-owahan. Sajrone PoC, sampeyan nemokake data sing digoleki, nggawe salinan, lan miwiti ngresiki lan nganalisa. Ing produksi, sumber data sampeyan kudu disambungake menyang platform data kanthi wektu nyata, aman, lan aman; stream data kudu diapusi kanthi otomatis lan dibandhingake / digabungake karo sumber data liyane.
Sajrone PoC sampeyan, sampeyan duwe kemewahan sing bisa ngobrol karo pangguna sing bakal teka lan nggarap kanggo ngrancang solusi, utawa sampeyan ora duwe pangguna, lan sampeyan ngrancang solusi teknis. Kanggo produk, sampeyan duwe pangguna sing kudu ngerti solusi kasebut, lan wong sing tanggung jawab kanggo njaga solusi teknis. Dadi, produk mbutuhake latihan, FAQ, lan/utawa garis dhukungan supaya bisa digunakake. Salajengipun, sampeyan mung nggawe versi anyar kanggo kasus panggunaan siji ing PoC. Produk mbutuhake nganyari, lan nalika sampeyan wis mbalek metu produk kanggo sawetara pelanggan, sampeyan kudu cara kanggo nyoba lan masang kode kanggo produksi (pipa CI/CD).
"Ing Itility, kita wis ngembangake Pabrik Data Itility lan Pabrik AI sing nutupi blok bangunan lan platform dhasar kanggo proyek apa wae. Iki tegese kita duwe sudut sing bisa digunakake wiwit wiwitan, supaya kita bisa fokus ing sudut sing migunani (sing luwih gumantung saka pelanggan lan nggunakake kasus), "ujare perusahaan.
Aplikasi deteksi hama - saka PoC nganti produk sing bisa digunakake
"Fase Bukti Konsep saka Aplikasi Deteksi Hama kita kalebu model sing bisa nindakake tugas sempit klasifikasi lan ngetung lalat ing jebakan lem adhedhasar gambar sing dijupuk dening anggota tim omah kaca. Yen ora kejawab gambar utawa ana sing salah, dheweke bisa bali lan njupuk liyane, utawa langsung ndandani ing dashboard. Cukup sawetara pamriksa manual dibutuhake.
"Donya PoC kita prasaja, adhedhasar siji piranti, siji pangguna, lan siji pelanggan. Nanging, kanggo nggawe produk sing bisa digunakake, kita kudu skala lan ndhukung sawetara pelanggan. Banjur, pitakonan babagan carane supaya data dipisahake lan aman muncul. Kajaba iku, saben pelanggan / mesin mbutuhake persiyapan lan konfigurasi standar. Dadi, kepiye carane ngatur / nyiyapake 20 pelanggan anyar? Kepiye sampeyan ngerti kapan nggawe antarmuka admin lan ngotomatisasi onboarding? Ing 2 pelanggan, 20, utawa 200?"
Mesthi wae, sampeyan bisa uga duwe pitakon, kayata 'kepiye carane ngetung laler mbantu pelangganku? Kepiye carane nggawe nilai saka informasi iki? Kepiye cara menehi rekomendasi keputusan lan tumindak? Kepiye aplikasi AI iki cocog karo proses bisnis?'. Langkah siji yaiku ngganti pigura referensi saka perspektif teknis/data menyang perspektif pangguna pungkasan. Iki tegese nerusake obrolan karo pelanggan lan ndeleng kepiye PoC sing wis kabukten cocog karo proses saben dina.
"Sampeyan uga kudu ngetutake proses kasebut sajrone wektu sing luwih suwe, sampeyan kudu melu rapat-rapat operasional lan taktis kanggo ngerti sejatine tumindak sing ditindakake saben dina adhedhasar informasi, pira wektu digunakake kanggo nindakake apa, lan alasane. konco tumindak tartamtu. Tanpa mangerteni carane informasi saka model sampeyan digunakake kanggo nggawe nilai bisnis, sampeyan ora bakal entuk produk sing migunani.
"Ing kasus kita, kita nemokake informasi apa sing digunakake kanggo nggawe keputusan. Contone, kita nemokake manawa kanggo sawetara hama, luwih penting ngetutake tren mingguan (sing ora mbutuhake akurasi super dhuwur) dene liyane mbutuhake tumindak nalika tandha pisanan ana hama (sing tegese luwih becik duwe pasangan. saka positif palsu tinimbang duwe malah siji negatif palsu).
"Kajaba iku, kita nemokake manawa pelanggan sadurunge duwe pengalaman 'ala' karo alat sing padha ngaku akurasi sing ora bisa ditindakake ing praktik. Yagene dheweke bakal percaya karo kita? Kita ngrampungake masalah kepercayaan iki lan nggawe akurasi lan transparansi minangka fitur utama produk kasebut. Kita nggunakake informasi iki kanggo nggawe produk kita migunani kanthi nyesuekake aplikasi menyang cara kerja pangguna pungkasan, lan kanthi nambah transparansi ing interaksi, menehi pangguna kontrol luwih akeh babagan aplikasi kasebut, "terusake perusahaan.
Apa tantangan paling gedhe?
"Ing skenario counting fly, kita bisa ngomong babagan skor akurasi kabeh sing dikarepake. Nanging, supaya migunani, pangguna (spesialis omah kaca) mbutuhake luwih saka persentase. Sing dibutuhake yaiku ngalami, lan sinau kanggo percaya. Sing paling awon sing bisa kedadeyan yaiku nalika pangguna mbandhingake asil sampeyan karo asil manual dhewe lan ana bedo (gedhe). Reputasi sampeyan rusak lan ora ana ruang kanggo entuk kepercayaan maneh. Kita nglawan iki kanthi nambahake piranti lunak menyang produk sing nyengkuyung pangguna kanggo nggoleki bedo kasebut lan mbenerake.
"Pendekatan kita yaiku nggawe pangguna dadi bagian saka solusi AI tinimbang nampilake minangka sistem sing bakal ngganti spesialis kasebut. Kita ngowahi spesialis dadi operator. AI nambah kabisan lan spesialis tetep ngontrol kanthi terus-terusan ngajar lan nuntun AI supaya sinau luwih akeh lan nggawe koreksi nalika lingkungan utawa variabel liyane mabur. Minangka operator, spesialis minangka bagean integral saka solusi - mulang lan nglatih AI kanthi tumindak tartamtu.
Klik kene kanggo ndeleng video kanthi rincian liyane babagan pendekatan operator-sentris.