كيفية إدارة مشاريع الذكاء الاصطناعي: من POV إلى الحل الجاهز للتنفيذ

لقد أجاب العالم الرقمي على السؤال عما إذا كان الذكاء الاصطناعي سيمكن الشركات من تبسيط عملياتها ومساعدتها في تقديم حلول استباقية أم لا.

لا يكاد يوجد أي عامل صناعي في العالم اليوم غافل عن الإيرادات العالية والقيمة التي تقدم إمكانات التي يأتي بها الذكاء الاصطناعي. حقيقة تصريحية تتضح من اتجاهات تكنولوجيا الذكاء الاصطناعي الواعدة لعام 2020 وما بعده.

هذا التبني السريع ، على الرغم من أنه أتى من ناحية بالكثير من الفوائد لكل من الشركات والمستخدمين النهائيين ، إلا أنه من ناحية أخرى في مرحلة محلية للغاية. بمعنى ، الشركات لم تجد بعد حالات استخدام ملموسة وعودة الفعالية. لقد ولدت مجموعة المزايا والمزايا هذه عددًا من الاستفسارات حول كيفية إدارة مشاريع الذكاء الاصطناعي الخاصة بك .

معرفة كيف يكمن التعقيد في صميم حلول إدارة مشاريع الذكاء الاصطناعي ، من المهم فهم تعقيدات إدارة مشاريع الذكاء الاصطناعي .

في هذه المقالة ، نجيب على كل سؤال وعنصر يحيط بكيفية قيامنا ، في Appinventiv ، بإدارة مشروع الذكاء الاصطناعي والخطوات التي نتبعها لتحويل إثبات القيمة (POV) بنجاح إلى حلول وخدمات ذكاء اصطناعي فعالة .

قائمة المحتويات

1. كيف يختلف مشروع الذكاء الاصطناعي عن المشاريع التقليدية؟
2. تقسيم الذكاء الاصطناعي إلى فئتين مميزتين
3. منعطف طفيف: فهم ركائز نجاح مشروع الذكاء الاصطناعي
4. تحديات تطوير مشاريع الذكاء الاصطناعي: لماذا تفشل مشاريع الذكاء الاصطناعي
5. الإجابة على سؤال الساعة: كيف تدير مشاريع الذكاء الاصطناعي الخاصة بك
6. أسئلة وأجوبة حول خطوات إدارة مشروع الذكاء الاصطناعي

كيف يختلف مشروع الذكاء الاصطناعي عن المشاريع التقليدية؟

تستدعي إدارة مشروع الذكاء الاصطناعي نهجًا مختلفًا عند رسم أوجه تشابه بينها وبين إدارة مشاريع تطبيقات الأجهزة المحمولة التقليدية. بمعنى أن الاختلافات بين مشاريع الذكاء الاصطناعي ومشاريع تكنولوجيا المعلومات التقليدية متعددة الجوانب.

تعتبر عملية تطوير تطبيقات الأجهزة المحمولة التقليدية حلاً محددًا. كلما كان من الصعب تحديد حل ، تصبح النتائج غير مؤكدة ومحفوفة بالمخاطر. يندرج هذا النوع من التطوير تحت البرمجة من أعلى إلى أسفل.

على العكس من ذلك ، في حالة إثبات القيمة لمشاريع الذكاء الاصطناعي (POV) ، يتم اتباع نهج من القاعدة إلى القمة. في هذه الحالة ، يستخلص الذكاء الاصطناعي استنتاجات من قواعده وعملياته الخاصة بالعمل مع مجموعة بيانات شاملة.

يميل مشهد تطوير الذكاء الاصطناعي أيضًا إلى فتح العديد من الفرص مع نضوج الدورة. بمعنى ، لكي يتم اعتبار المشروع كاملاً ، يجب أن يمر بعدة مراحل من الاستكشاف والنجاحات والتجارب. في حين أن نتيجة هذا النهج دائمًا ما تكون صديقة للإيرادات عالية ، إلا أنها غالبًا ما تؤدي إلى تكلفة تطوير عالية وجداول زمنية ممتدة للتطوير.

يكمن الجزء الأخير من السؤال المتعلق بكيفية إدارة مشاريع الذكاء الاصطناعي في جعل إدارة التغيير جزءًا لا يتجزأ من عملية Agile. المبدأ الذي يعمل عليه مديرو برامج الذكاء الاصطناعي بشكل عام سريع الفشل ، حيث تكمن الفكرة في الاستكشاف بسرعة والفشل في بداية نهج خاطئ ، بدلاً من مرحلة لاحقة في عملية التطوير.

تقسيم الذكاء الاصطناعي إلى فئتين مميزتين

يبدأ الجزء الأول من التخطيط لمشروع الذكاء الاصطناعي الخاص بك بفهم فريقنا للفئة التي ينتمي إليها. الفئة الأولى تتعامل مع المشاريع الشائعة في الطبيعة ، مثل ترجمة لغة إلى أخرى ، أو تحويل الصور إلى كلمات. الفئة الثانية أكثر تعقيدًا. إنه يتولى مهام مثل الكشف عن ضربات القلب أو مراقبة النوم.

تستدعي الفئتان حلين متميزين - دمج ذكاء اصطناعي موجود أو إنشاء حلول مخصصة لإدارة مشروع الذكاء الاصطناعي .

حلول الذكاء الاصطناعي الحالية

هناك عدد من الأحداث التي أصبح فيها إدراج الذكاء الاصطناعي أمرًا شائعًا وعامًا. بمعنى ، هناك أدوات جاهزة يتعين على مهندسينا فقط دمجها في التطبيقات . بعض الأنظمة الأساسية التي يستخدمها فريقنا بشكل عام تشمل Microsoft Azure AI و Google AI Platform و Amazon Machine Learning ، إلخ.

حلول الذكاء الاصطناعي المخصصة

في حالة وجود مشروع معقد في متناول اليد ، كما هو الحال مؤخرًا ، قمنا بإنشاء تطبيق رعاية صحية مدفوع بالشبكة العصبية والذي أعطى المستخدمين نظرة ثاقبة حول صحتهم على أساس أصواتهم ، يتعين علينا اللجوء إلى تطوير حلول الذكاء الاصطناعي المخصصة. لتسهيل العملية ، سيستخدم Android 11 واجهة برمجة تطبيقات Neural Networks الجديدة 1.3 ، في محاولة لجعل تطبيقات التعلم الآلي الخاصة بك تعمل بسلاسة على الأجهزة.

منعطف طفيف: فهم ركائز نجاح مشروع الذكاء الاصطناعي

بدأت رحلتنا مع الذكاء الاصطناعي في عام 2019. واستغرق الأمر منا جدولًا زمنيًا ممتدًا للتسليم لفهم أن سر نجاح مشروع الذكاء الاصطناعي يكمن في ركيزتين - الأشخاص والبيانات. فقط في ظل وجود الركيزتين ، يمكن للذكاء الاصطناعي تحسين تجربة العملاء بالكامل.

بدأنا بإحضار خبراء من الأقسام المختلفة التي التزم بها التطبيق - بغض النظر عما إذا كان لديهم خبرة فنية أم لا. كان من الضروري إدخال بيانات خاصة بالمجال في الخوارزمية لجعل نظام الذكاء الاصطناعي فعالاً وغير متحيز.

الجزء التالي - الركيزة الثانية - كان البيانات. البيانات ، عندما لا يتم تخزينها بشكل صحيح أو عندما لا تكون في مجملها ، تكون عديمة الفائدة تمامًا. الآن ، هناك نوعان من البيانات التي تخرجها الشركة - منظمة (مثل تاريخ الميلاد والعنوان وما إلى ذلك) والبيانات غير المنظمة (الفواتير والتسجيلات الصوتية ورسائل البريد الإلكتروني وما إلى ذلك). عندما تكون في عملية إدارة مشروع الذكاء الاصطناعي ، عليك مراعاة نوعي البيانات.

هناك بعض الخطوات التي يجب أن تمر بها البيانات لتصبح واحدة يمكن استخدامها في التعلم العميق أو الذكاء الاصطناعي. العناصر التي يعمل عليها فريق مهندسي البيانات لدينا عندما نطور حلول الذكاء الاصطناعي (AI) لتوسيع النطاق وعملاء المؤسسة .

كلما وجدت البيانات الأسرع مكانًا في هذا الهرم ، والذي يعتمد على احتياجات التسلسل الهرمي لماسلو ، كلما بدأ مشروع الذكاء الاصطناعي الخاص بك في التقلب بشكل أسرع وكلما زادت إمكانية عمل المهندسين على النمذجة بدلاً من التركيز على ترشيح البيانات.

كانت نتيجة رحلتنا الاستكشافية فهمًا للقضايا المختلفة التي تظهر عند الإجابة على ما يخلق حلًا ذا قيمة للذكاء الاصطناعي . دعنا نتصدى لهذه المشكلات قبل أن نوجهك خلال مراحل إدارة مشاريع الذكاء الاصطناعي بطريقة تعكس إثبات القيمة (POV) في النظام النهائي.

تحديات تطوير مشاريع الذكاء الاصطناعي: لماذا تفشل مشاريع الذكاء الاصطناعي

إذا جلسنا لإعداد قائمة بالتحديات التي تواجهها الشركات عند تطبيق الذكاء الاصطناعي ، فستكون القائمة واسعة جدًا. ولكن في جوهر كل ذلك ، يكمن سبب فشل إثبات القيم في سببين رئيسيين - التوقعات غير المتوازنة وقدرات إدارة البيانات غير الكافية. الأسباب التي تمنع الشركات من جني الأموال في الذكاء الاصطناعي .

التوقعات المنحرفة

في أغلب الأحيان ، لا ترى غالبية مشاريع الذكاء الاصطناعي ضوء النهار بسبب الاختلال في التوقعات المصاحبة. غالبًا ما يظهر السبب الجذري لتحديات الذكاء الاصطناعي في الأعمال بسبب التوقعات المتزايدة على المدى القصير من التكنولوجيا التي تعمل بطبيعتها في وضع طويل الأجل.

يمكن رؤية المثال التالي للتوقعات المنحرفة في الشركات التي تفترض أن الحل القائم على الذكاء الاصطناعي سيكون دقيقًا بما يكفي لتلبية تصورات المستخدمين المختلفة. على سبيل المثال ، في حالة تطبيق دفق الموسيقى ، بافتراض أن "الأغنية التالية" التي يقترحها الذكاء الاصطناعي هي بالضبط ما يعتقد المستخدم أنه ينتمي إلى هذا النوع ، يمثل مشكلة. هذا هو السبب وراء استخدام الشركات غالبًا لكلمة "يجوز" عند عرض المنتجات أو الخدمات التي قد يهتم بها مستخدموها ، بعد ذلك.

إدارة البيانات غير الفعالة

يميل الذكاء الاصطناعي إلى اتخاذ قرارات خاطئة على أساس مجموعات البيانات الخاطئة. تظهر المشكلة في حلول إدارة مشروع الذكاء الاصطناعي عندما تكون البيانات غير صحيحة أو غير كاملة - باختصار ، غير مستعدة لتلائم نموذج الذكاء الاصطناعي.

لكي يعمل نظام الذكاء الاصطناعي كما هو متوقع ، من الضروري أن يكون لديك بيانات مُحسَّنة يمكن للنظام استخدامها لتعلم الأنماط وتحليلها. عندما نبني مجموعة بيانات جاهزة للذكاء الاصطناعي ، ينصب تركيزنا بشكل أساسي على تقسيم المعلومات المهيكلة وغير المهيكلة باتباع استراتيجية جمع البيانات الحديثة .

الإجابة على سؤال الساعة: كيف تدير مشاريع الذكاء الاصطناعي الخاصة بك

1. تحديد المشكلة

الخطوة الأولى بالنسبة لنا عندما يتعلق الأمر بإدارة مشاريع الذكاء الاصطناعي هي تحديد المشكلة. نبدأ بطرح سؤالين لشركائنا: "ما الذي ترغب في حله؟" و "ما هي النتيجة المرجوة بالنسبة لك؟"

عند الاستقرار على بيان المشكلة ، من المهم أن نفهم أن الذكاء الاصطناعي في حد ذاته ليس حلاً ولكنه وسيلة / أداة لتلبية الحاجة. مع ملاحظة ذلك ، نختار حلولًا متعددة يمكن البناء عليها بمساعدة الذكاء الاصطناعي ولا تعتمد عليها.

2. اختبار ملاءمة حل المشكلة

تجيب هذه المرحلة بشكل مثالي على كيفية بدء مشروع الذكاء الاصطناعي . قبل أن نبدأ عملية تطوير مشروع الذكاء الاصطناعي ، من المهم أولاً أن تختبر وتتأكد من استعداد الناس للدفع مقابل ما تقوم ببنائه.

نحن نختبر ملاءمة حل المشكلة من خلال عدد من التقنيات مثل النهج التقليدي المرن و Product Design Sprint .

أحد أفضل الأشياء في تقنية الذكاء الاصطناعي هو أنه من السهل جدًا إنشاء نسخة أساسية من الحل باستخدام بشر حقيقيين أو MVP. الفائدة من ذلك ليست مجرد تحليل سهل للحل ولكن أيضًا ضمن الوقت الذي يضمن أن المنتج يحتاج بالفعل إلى حل ذكاء اصطناعي.

3. إعداد وإدارة البيانات

بعد أن وصلنا إلى النقطة التي نعلم فيها أن هناك قاعدة عملاء للحل الخاص بك ولديك ثقة في أنه يمكن بناء الذكاء الاصطناعي ، فإننا نبدأ في إدارة مشاريع التعلم الآلي من خلال جمع البيانات والتعامل مع إدارتها.

نبدأ بتقسيم البيانات المتاحة في أشكال منظمة وغير منظمة. على الرغم من أن المرحلة سهلة إلى حد ما عندما نعمل مع شركة ناشئة أو شركة ليس لديها بيانات متعددة ، إلا أن بناء العديد من حلول الذكاء الاصطناعي التطبيقية للمؤسسات هو أمر صعب. بشكل عام ، تمتلك الشركات الكبرى بيانات ضخمة لقاعدة بيانات الملكية والتي قد تكون جاهزة للذكاء الاصطناعي وما قد يجعل الأمر أكثر صعوبة هو حقيقة أن البيانات قد يتم تخزينها في صوامع.

يبدأ مهندسو البيانات لدينا بتنظيم البيانات وتنظيفها ، حيث يحددون من حيث المبدأ ترتيبًا زمنيًا ويضيفون ملصقات عند الحاجة.

4. اختيار الخوارزمية الصحيحة

بالرغم من ذلك ، للحفاظ على جوهر المقال ، فإننا لن نذكر الجوانب الفنية لخوارزميات الذكاء الاصطناعي هنا ، ولكن المهم أن نعرف أن هناك أنواعًا مختلفة من الخوارزميات ، والتي تختلف على أساس التعلم الذي تقوم به.

• التعلم الخاضع للإشراف

في جوهره ، يتنبأ التصنيف بالتسمية ويتنبأ الانحدار بالكمية. نختار عمومًا خوارزميات التصنيف عندما نريد أن نفهم فرص حدوث حدث ما ، مثل فرصة هطول الأمطار غدًا.

من ناحية أخرى ، نتبع خوارزميات الانحدار عندما يتعين علينا تحديد السيناريو ، على سبيل المثال عندما نريد معرفة فرصة غرق منطقة ما.

هناك العديد من الخوارزميات الأخرى التي يختار مهندسينا من بينها اعتمادًا على متطلبات المشروع - تصنيف Bayes الساذج ، والغابات العشوائية ، والانحدار اللوجستي ، وآلة المتجهات الداعمة.

• تعليم غير مشرف عليه

سيكون اختيار الخوارزمية مختلفًا جدًا هنا لأن البيانات غير منظمة أو تتبع نوعًا معينًا. قد نستخدم خوارزميات التجميع لتجميع الكائنات معًا أو ربط الخوارزميات عند العثور على روابط بين كائنات مختلفة ، إلخ.

5. تدريب الخوارزميات

بمجرد اختيار الخوارزمية ، ننتقل إلى تدريب النموذج حيث نقوم بإدخال البيانات في النموذج ، مع مراعاة أهمية دقة النموذج.

يدرك فريق المهندسين لدينا أن تحديد الحد الأدنى المقبول وتطبيق الانضباط الإحصائي هي الخطوات الأساسية لتسريع تطوير الذكاء الاصطناعي ، بطريقة تتطلب الحد الأدنى من الضبط لاحقًا.

لتدريب الخوارزميات واتخاذ خطوات التطوير التالية ، نوظف خبراء تقنيين خبراء في Python و R و Java و C ++. اعتمادًا على احتياجات المشروع ، نشرك أيضًا خبراء يفهمون لغة Julia - اللغة الأفضل لتطوير تطبيقات التعلم الآلي .

6. انتشار المشروع

ننصح عمومًا شركائنا بالذهاب مع منصات جاهزة مثل التعلم الآلي كخدمة لاحتياجات إطلاق المنتجات ونشرها. تم تطوير هذه المنصات لتبسيط وتسهيل الذكاء الاصطناعي والمساعدة في مرحلة نشر مشروع الذكاء الاصطناعي . كما أنها توفر تحليلات متقدمة قائمة على السحابة يمكن استخدامها لإضافة لغات وخوارزميات مختلفة.

[اقرأ أيضًا: ضع في اعتبارك خطوات مهمة لكتابة خطة مشروع بارعة]

أسئلة وأجوبة حول خطوات إدارة مشروع الذكاء الاصطناعي

س: كيف تبدأ مع الذكاء الاصطناعي وتعلم الآلة

هناك ست خطوات يتم تناولها في عملية إدارة مشروع الذكاء الاصطناعي: تحديد المشكلة ، واختبار حل المشكلة المناسب ، وإدارة البيانات ، واختيار الخوارزمية الصحيحة ، وتدريب الخوارزمية ، ونشر المنتج على النظام الأساسي الصحيح.

س: ما هي الفكرة الجيدة لمشروع الذكاء الاصطناعي؟

حصل الذكاء الاصطناعي على نطاق عبر عدد من الصناعات. ما هو ضروري هو العثور على حالة استخدام تتضمن التكنولوجيا بطريقة يتم فيها تنظيم البيانات المولدة وتحويلها إلى تحليل عملي. من المهم أن تكون واقعيًا بشأن توقعاتك من حلول الذكاء الاصطناعي من حيث التعامل معها كأداة تساعد في تقدم خدمتك ، بدلاً من أن تصبح خدمة بحد ذاتها.

س: هل مشاريع الذكاء الاصطناعي أفضل من مشاريع تكنولوجيا المعلومات التقليدية؟

هذا يعتمد من حالة إلى أخرى. هناك بالفعل بعض المشاريع التي تعمل بشكل أفضل مع تضمين الذكاء الاصطناعي ، في حين أن هناك تطبيقات أخرى تصبح معقدة بشكل غير ضروري مع تكامل التكنولوجيا. في النهاية ، يعتمد الأمر على حالة الاستخدام وكيف ستصبح ذات قيمة مع الذكاء الاصطناعي.