Når du produktiserer AI, er der adskillige udfordringer, du kan støde på, såsom hvordan du anvender din AI-model til en proces eller mennesker, stabilisering af data og modeller, hvordan du holder din model nøjagtig i skiftende miljøer og over tid, skalering og hvordan du vokser eller øg din AI-models muligheder.
Indlejring af AI
At køre en succesfuld maskinlæring Proof of Concept (PoC) med en ny algoritme er kun 10 % af den indsats, der kræves for at producere den og få den faktiske værdi ud af den. De resterende 90% kan opdeles i ting du skal gøre for at lave et brugbart produkt og ting du skal gøre for at lave et brugbart produkt.
For at lave et brugbart produkt skal du zoome ind på den tekniske implementering af at gøre produktet tilgængeligt for dine brugere. For at gøre det nyttigt, bør du se på at integrere produktet i en proces for brugerne. For det første, hvad er egentlig forskellen mellem en PoC og et brugbart produkt?
Først og fremmest er PoC'er ikke beregnet til produktion. Produkter skal fungere hele tiden, når som helst og under skiftende omstændigheder. Under din PoC finder du de data, du leder efter, laver en kopi og begynder at rydde op og analysere dem. I produktionen skal din datakilde være forbundet til en dataplatform i realtid, sikkert og sikkert; datastrømmen skal manipuleres automatisk og sammenlignes med/kombineres med andre datakilder.
Under din PoC har du enten den luksus at kunne tale med dine fremtidige brugere og arbejde sammen med dem om at designe en løsning, eller også har du slet ingen brugere, og du designer en teknisk løsning. For et produkt har du brugere, der skal forstå den løsning, og personer, der er ansvarlige for at holde den tekniske løsning kørende. Et produkt kræver således træning, ofte stillede spørgsmål og/eller supportlinjer for at det kan bruges. Desuden opretter du bare en ny version til din ene use case i en PoC. Produkter kræver opdateringer, og når du har udrullet dit produkt til flere kunder, har du brug for en måde at teste og implementere din kode til produktion (CI/CD pipelines).
"Hos Itility har vi udviklet vores Itility Data Factory og AI Factory, der dækker byggestenene og den underliggende platform for alle vores projekter. Det betyder, at vi har den brugbare vinkel dækket fra start, så vi kan fokusere på den brugbare vinkel (som er mere kunde- og use-case afhængig),” oplyser virksomheden.
Skadedyrsdetektionsapp – fra PoC til brugbart produkt
"Proof of Concept-fasen af vores Pest Detection App bestod af en model, der kan udføre den snævre opgave at klassificere og tælle fluer på en limfælde baseret på billeder taget af drivhusteamets medlemmer. I tilfælde af at de gik glip af et billede, eller hvis noget gik galt, kunne de gå tilbage og tage et andet eller rette det direkte i dashboardet. Der var behov for en del manuelle kontroller.
“Vores PoC-verden var enkel, baseret på én enkelt enhed, én enkelt bruger og én enkelt kunde. Men for at gøre det til et brugbart produkt var vi nødt til at skalere og supportere flere kunder. Så opstår spørgsmålet om, hvordan man holder data adskilt og sikkert. Desuden kræver hver enkelt kunde/maskine en opsætning og standardkonfiguration. Så hvordan konfigurerer/opretter man 20 nye kunder? Hvordan ved du, hvornår du skal bygge en admin-grænseflade og automatisere onboarding? Hos 2 kunder, 20 eller 200?”
Selvfølgelig kan du have spørgsmål, såsom 'hvordan hjælper det min kunde at tælle fluer? Hvordan skaber man værdi ud fra denne information? Hvordan kan man anbefale beslutninger og handle? Hvordan passer denne AI-applikation ind i forretningsprocessen?'. Trin et er at ændre din referenceramme fra et teknisk/dataperspektiv til et slutbrugerperspektiv. Det betyder at fortsætte samtalen med din kunde og se, hvordan den gennemprøvede PoC passer ind i daglige processer.
"Man skal også nøje følge processen i længere tid, man skal deltage i operationelle og taktiske møder for virkelig at forstå, hvilke handlinger der foretages hver dag baseret på hvilken information, hvor meget tid der bruges på at gøre hvad, og ræsonnementet bag visse handlinger. Uden at forstå, hvordan informationen fra din model bruges til at skabe forretningsværdi, kommer du ikke til et brugbart produkt.
"I vores tilfælde opdagede vi, hvilke oplysninger der blev brugt til at træffe beslutninger. For eksempel opdagede vi, at for nogle skadedyr var det vigtigere at følge den ugentlige trend (som du ikke behøver super høj nøjagtighed for), mens andre kræver handling ved det første tegn på et skadedyr (hvilket betyder, at det er bedre at have et par af falske positive end at have blot én falsk negativ).
“Derudover opdagede vi, at vores kunde tidligere havde haft en 'dårlig' oplevelse med et lignende værktøj, der hævdede at have nøjagtigheder, det ikke kunne levere i praksis. Hvorfor skulle de stole på vores? Vi tog dette tillidsproblem direkte og gjorde nøjagtighed og gennemsigtighed til en nøglefunktion ved produktet. Vi brugte denne information til at gøre vores produkt brugbart ved at tilpasse applikationen til slutbrugerens arbejdsmetoder, og ved at øge gennemsigtigheden i interaktionen, hvilket giver brugeren mere kontrol over applikationen,” fortsætter virksomheden.
Hvad er den største udfordring?
"I vores scenarie med fluetæller kan vi tale om vores nøjagtighedsscore alt, hvad vi vil. Men for at være nyttig har brugeren (en drivhusspecialist) brug for mere end procenter. Det, der skal til, er at opleve det og lære at stole på det. Det værste, der kan ske, er, når dine brugere sammenligner dine resultater med deres egne manuelle resultater, og der er en (stor) uoverensstemmelse. Dit omdømme er ødelagt, og der er ikke plads til at genvinde tilliden. Vi modvirkede dette ved at tilføje software til produktet, der tilskynder brugeren til at lede efter disse uoverensstemmelser og rette dem.
”Vores tilgang er således at gøre brugeren til en del af AI-løsningen i stedet for at præsentere den som et system, der skal erstatte specialisten. Vi gør specialisten til en operatør. AI øger deres evner, og specialisterne forbliver i kontrollen ved løbende at undervise og vejlede AI'en til at lære mere og foretage rettelser, når miljøet eller andre variabler driver. Som operatør er specialisten en integreret del af løsningen – undervisning og træning af AI med specifikke handlinger."
Klik link. for at se en video med flere detaljer om den operatørcentrerede tilgang.