AIプロジェクトを管理する方法：POVからすぐに実行できるソリューションまで
公開: 2020-03-17AIを使用することで、企業がプロセスを合理化し、プロアクティブなソリューションの提供を支援できるかどうかという問題は、デジタルの世界によって解決され、まとまりがあります。
今日、人工知能が備えている高い収益と価値提供の可能性に気づいていない業界はほとんどありません。 2020年以降の有望なAI技術のトレンドから明らかな宣言的事実。
この迅速な採用は、一方では企業とエンドユーザーの両方に多くのメリットをもたらしましたが、他方では非常にネイティブな段階にあります。 つまり、企業はまだ具体的なユースケースとリターンの有効性を見つけていません。 この厄介さとメリットの組み合わせにより、AIプロジェクトの管理方法に関する多くの質問が生まれました。
AIプロジェクト管理ソリューションの中心に複雑さがどのようにあるかを見て、AIプロジェクトの管理の複雑さを理解することが重要です。
この記事では、AppinventivでAIプロジェクト管理を実行する方法と、Proof of Value（POV）を効率的なAIソリューションとサービスに正常に変換するための手順に関するすべての質問と要素に回答します。
目次
- AIプロジェクトは従来のプロジェクトとどのように異なりますか？
- AIを2つの異なるカテゴリに分割
- 少し回り道：AIプロジェクトの成功の柱を理解する
- AIプロジェクト開発の課題：AIプロジェクトが失敗する理由
- 時間の質問に答える：AIプロジェクトを管理する方法
- AIプロジェクト管理の手順に関するFAQ
AIプロジェクトは従来のプロジェクトとどのように異なりますか？
AIプロジェクト管理では、AIプロジェクト管理と従来のモバイルアプリプロジェクト管理との間に類似点がある場合、異なるアプローチが必要になります。 つまり、AIプロジェクトと従来のITプロジェクトの違いは多岐にわたります。
従来のモバイルアプリ開発プロセスは、指定されたソリューションです。 解決策を特定することが困難になると、結果は不確実でリスクが高くなります。 この開発タイプは、トップダウンプログラミングに分類されます。
反対に、AIプロジェクトのProof of Value（POV）の場合、ボトムアップアプローチが採用されます。 その場合、AIは、広範なデータセットを操作する独自のルールとプロセスから結論を導き出します。
AI開発の展望は、サイクルが成熟するにつれて、いくつかの機会を開く傾向もあります。 つまり、プロジェクトが完了したと見なされるには、探索とヒットおよび試行のいくつかの段階を通過する必要があります。 このアプローチの結果は、ほとんどの場合、収益に配慮したものですが、多くの場合、開発コストが高くなり、開発スケジュールが長くなります。
AIプロジェクトを管理する方法に関する質問の最後の部分は、変更管理をアジャイルプロセスの不可欠な部分にすることにあります。 AIプログラムマネージャーが一般的に取り組んでいる原則はフェイルファストです。このアイデアは、開発プロセスの後の段階ではなく、迅速に調査し、間違ったアプローチの開始時に失敗することです。
AIを2つの異なるカテゴリに分割
AIプロジェクトの計画の最初の部分は、私たちのチームがそれが属するカテゴリを理解することから始まります。 カテゴリ1は、ある言語を別の言語に翻訳したり、画像を単語に変換したりするなど、本質的に一般的なプロジェクトを扱います。 カテゴリ2はもっと複雑です。 心拍の検出や睡眠の監視などのタスクを処理します。
2つのカテゴリでは、既存のAIを組み込むか、カスタムAIプロジェクト管理ソリューションを作成するという2つの異なるソリューションが必要です。
既存の人工知能ソリューション
AIを含めることが一般的で主流になっているイベントはたくさんあります。 つまり、エンジニアがAIをアプリケーションに統合するだけでよい既製のツールがあります。 私たちのチームが一般的に使用しているプラットフォームには、Microsoft Azure AI、Google AIプラットフォーム、Amazon MachineLearningなどがあります。
カスタム人工知能ソリューション
複雑なプロジェクトが手元にある場合、最近のように、ユーザーの声に基づいてユーザーの健康に関する洞察を提供するニューラルネットワーク駆動のヘルスケアアプリを作成した場合、カスタムAIソリューション開発に頼る必要があります。 プロセスを簡単にするために、Android 11は、機械学習アプリをデバイス上でスムーズに実行するための取り組みとして、新しいニューラルネットワークAPI1.3を使用します。
少し回り道：AIプロジェクトの成功の柱を理解する
人工知能を使った私たちの旅は2019年に始まりました。AIプロジェクトの成功の秘訣は、人とデータという2つの柱にあることを理解するために、納期を延長する必要がありました。 AIは、2つの柱が存在する場合にのみ、顧客体験を完全に向上させることができます。
技術的な専門知識があるかどうかに関係なく、アプリケーションが準拠しているさまざまなセクションから専門家を呼び込むことから始めました。 AIシステムを効率的かつ偏りのないものにするために、ドメイン固有のデータをアルゴリズムにフィードする必要がありました。
次の部分– 2番目の柱–はデータでした。 データは、正しく保存されていない場合、または完全に保存されていない場合、まったく役に立たない。 現在、企業が排出するデータには、構造化データ（生年月日、住所など）と非構造化データ（請求書、音声録音、電子メールなど）の2種類があります。 AIプロジェクト管理の過程で、両方のデータ型を考慮する必要があります。
ディープラーニングや人工知能に使用できるデータになるために、データが通過しなければならない特定のステップがあります。 スケールアップやエンタープライズクライアント向けの人工知能（AI）ソリューションを開発する際に、データエンジニアのチームが取り組んでいるもの。
マズローの階層のニーズに基づいて、データがこのピラミッド内の場所を見つけるのが速いほど、AIプロジェクトの攪拌が速くなり、エンジニアがデータのフィルタリングに集中するのではなく、モデリングに取り組む可能性が高くなります。
私たちの探索の旅の結果は、価値のあるAIソリューションを作成するものに答えるときに遭遇するさまざまな問題の理解でした。 価値の証明（POV）がエンドシステムに反映されるようにAIプロジェクトを管理する段階を説明する前に、これらの問題に対処しましょう。
AIプロジェクト開発の課題：AIプロジェクトが失敗する理由
AIを実装する際に企業が直面する課題のリストを作成するために座った場合、そのリストは非常に広範囲になります。 しかし、 Proof of Valuesが失敗する理由のすべての核心には、2つの主な原因があります。それは、期待のずれとデータ管理機能の不足です。 企業がAIでお金を稼ぐのを妨げる原因。
期待のずれ
多くの場合、AIプロジェクトの大部分は、期待のずれが原因で、日の目を見ることができません。 ビジネスにおける人工知能の課題の根本的な原因は、本質的に長期モードで動作するテクノロジーからの短期的な期待が高まっているために明らかになることがよくあります。
AIベースのソリューションがさまざまなユーザーの認識に対応するのに十分正確であると想定している企業では、期待がずれている次の例が見られます。 たとえば、音楽ストリーミングアプリケーションの場合、AIが提案している「次の曲」がまさにユーザーがそのジャンルに属していると信じているものであると仮定すると、問題の領域になります。 これが、ユーザーが次に興味を持つ可能性のある製品やサービスを紹介するときに、企業が「かもしれない」という言葉をよく使用する理由です。
非効率的なデータ管理
AIは、間違ったデータセットに基づいて間違った決定を下す傾向があります。 AIプロジェクト管理ソリューションの問題は、データが正しくないか不完全な場合、つまりAIモデルに適合する準備ができていない場合に発生します。
AIシステムが期待どおりに機能するためには、システムがパターンの学習と分析に使用できる洗練されたデータが必要です。 AI対応のデータセットを構築するとき、私たちの焦点は主に、最新のデータ収集戦略に従って構造化情報と非構造化情報を分割することにあります。
時間の質問に答える：AIプロジェクトを管理する方法
1.問題の特定
AIプロジェクトの管理に関する最初のステップは、問題を特定することです。 まず、パートナーに2つの質問をします。「何を解決しても構わないと思っていますか？」 そして「あなたにとって望ましい結果は何ですか？」
問題ステートメントを決定するときは、AI自体が解決策ではなく、ニーズを満たすための手段/ツールであることを理解することが重要です。 そのことに注意して、私たちは複数のソリューションを選択します。これらはAIの助けを借りて構築でき、それに依存することはありません。
2.問題解決策の適合性のテスト
この段階は、理想的にはAIプロジェクトを開始する方法に答えます。 AIプロジェクトの開発プロセスを開始する前に、まずテストを行い、構築しているものに対して人々が喜んでお金を払うことを確認することが重要です。
従来のリーンアプローチや製品設計スプリントなどの多くの手法を通じて、問題解決の適合性をテストします。
AIテクノロジーの最も優れている点の1つは、実際の人間またはMVPを使用して、ソリューションの基本レベルバージョンを非常に簡単に作成できることです。 これの利点は、ソリューションの分析が簡単であるだけでなく、製品が実際にAIソリューションを必要としていることを時間内に保証することです。
3.データの準備と管理
ソリューションの顧客基盤が存在し、AIを構築できると確信できるようになったら、データを収集してその管理を処理することで、機械学習プロジェクトの管理を開始します。
まず、利用可能なデータを構造化形式と非構造化形式に分割します。 複数のデータを持たない新興企業や企業と協力している場合、ステージはかなり簡単ですが、エンタープライズ向けに複数の適用されたAIソリューションを構築するのは難しいことです。 一般に、大企業はAIに対応できる可能性のある巨大な独自のデータベースデータを持っており、それをさらに困難にする可能性があるのは、データがサイロに保存される可能性があるという事実です。
当社のデータエンジニアは、データの整理とクリーンアップから始めます。原則として、時系列の順序を定義し、必要に応じてラベルを追加します。
4.適切なアルゴリズムの選択
記事の本質を維持するために、ここではAIアルゴリズムの専門性については触れませんが、知っておくべき重要なことは、実行する学習に基づいて異なるさまざまなタイプのアルゴリズムがあることです。
- 教師あり学習
基本的に、分類はラベルを予測し、回帰は数量を予測します。 明日の降雨確率など、イベント発生の可能性を理解したい場合は、通常、分類アルゴリズムを選択します。
一方、シナリオを定量化する必要がある場合、たとえば、エリアが溺れる可能性を知りたい場合は、回帰アルゴリズムを使用します。
プロジェクトの要件に応じて、エンジニアが選択するアルゴリズムは他にもいくつかあります。単純ベイズ分類、ランダムフォレスト、ロジスティック回帰、サポートベクターマシンです。
- 教師なし学習
データが整理されていないか、特定のタイプに従っているため、アルゴリズムの選択はここでは大きく異なります。 オブジェクトをグループ化するためのクラスタリングアルゴリズムや、異なるオブジェクト間のリンクを見つける際の関連付けアルゴリズムなどを使用する場合があります。
5.アルゴリズムのトレーニング
アルゴリズムを選択したら、モデルの精度の重要性を考慮しながら、モデルにデータを入力するモデルのトレーニングに進みます。
私たちのエンジニアチームは、最小許容しきい値の設定と統計的規律の適用がAIの開発を加速するための重要なステップであり、後で最小限の微調整が必要になることを理解しています。
アルゴリズムのトレーニングと次の開発ステップを実行するために、Python、R、Java、およびC ++の専門家である技術専門家を採用しています。 プロジェクトのニーズに応じて、機械学習アプリ開発のトップ言語であるJuliaを理解している専門家も参加します。
6.プロジェクトの展開
通常、パートナーには、製品の立ち上げと展開のニーズに対応するために、Machine Learning as aServiceなどの既製のプラットフォームを使用することをお勧めします。 これらのプラットフォームは、人工知能を簡素化および促進し、AIプロジェクトの展開フェーズを支援するために開発されました。 また、さまざまな言語やアルゴリズムを追加するために使用できるクラウドベースの高度な分析も提供します。
[また読む：見事なプロジェクト計画を書くための重要なステップを検討する]
AIプロジェクト管理の手順に関するFAQ
Q.人工知能と機械学習を始める方法
AIプロジェクト管理のプロセスには、問題の特定、問題解決の適合性のテスト、データ管理、適切なアルゴリズムの選択、アルゴリズムのトレーニング、適切なプラットフォームへの製品の展開という6つのステップが含まれます。
Q.人工知能プロジェクトの良いアイデアは何ですか？
AIは、多くの業界にまたがる範囲を獲得しています。 必要なのは、生成されたデータを整理して実用的な分析に変換する方法でテクノロジーを組み込んだユースケースを見つけることです。 AIソリューション自体がサービスになるのではなく、サービスの進歩に役立つツールとして扱うという観点から、AIソリューションに対する期待を現実的にすることが重要です。
Q. AIプロジェクトは従来のITプロジェクトよりも優れていますか？
それは状況によって異なります。 確かに、AIを含めることでより効果的なプロジェクトがいくつかありますが、テクノロジーの統合によって不必要に複雑になる他のアプリケーションもあります。 最終的に、それはユースケースと人工知能でどれほど価値があるかによって異なります。