Cara Mengelola Proyek AI: Dari POV hingga Solusi yang Siap Dieksekusi

Pertanyaan apakah AI memungkinkan perusahaan untuk merampingkan proses mereka dan membantu mereka dalam memberikan solusi proaktif telah dijawab dan dibantah oleh dunia digital.

Hampir tidak ada industri yang beroperasi di dunia saat ini yang tidak menyadari potensi pendapatan dan penawaran nilai yang tinggi yang dilengkapi dengan kecerdasan buatan. Fakta deklaratif yang terbukti dari tren teknologi AI yang menjanjikan untuk tahun 2020 dan selanjutnya.

Adopsi cepat ini, sementara di satu sisi telah memberikan banyak manfaat bagi bisnis dan pengguna akhir, di sisi lain berada pada tahap yang sangat asli. Artinya, bisnis belum menemukan kasus penggunaan yang konkret dan efektivitas pengembalian. Kombinasi nascency dan benefit ini telah melahirkan sejumlah pertanyaan seputar bagaimana mengelola proyek AI Anda .

Melihat bagaimana kompleksitas terletak di pusat solusi manajemen proyek AI, penting untuk memahami seluk-beluk mengelola proyek AI .

Dalam artikel ini, kami menjawab setiap pertanyaan dan elemen seputar bagaimana kami, di Appinventiv, melakukan manajemen proyek AI dan langkah-langkah yang kami ikuti untuk berhasil mengubah Proof of Value (POV) menjadi solusi & layanan AI yang efisien .

Daftar Isi

1. Bagaimana Proyek AI Berbeda dari Proyek Tradisional?
2. Memisahkan AI Menjadi Dua Kategori Berbeda
3. Sedikit Memutar: Memahami Pilar Kesuksesan Proyek AI
4. Tantangan Pengembangan Proyek AI: Mengapa Proyek AI Gagal
5. Menjawab Pertanyaan Saat Ini: Bagaimana Mengelola Proyek AI Anda
6. FAQ Tentang Langkah-Langkah Manajemen Proyek AI

Bagaimana Proyek AI Berbeda dari Proyek Tradisional?

Manajemen proyek AI membutuhkan pendekatan yang berbeda ketika paralel dibuat di antara mereka dan manajemen proyek aplikasi seluler tradisional. Artinya, perbedaan antara proyek AI dan proyek TI tradisional sangat beragam.

Proses pengembangan aplikasi seluler tradisional adalah solusi yang ditentukan. Setiap kali sulit untuk menentukan solusi, hasilnya menjadi tidak pasti dan berisiko. Jenis pengembangan ini termasuk dalam pemrograman top-down.

Sebaliknya, dalam kasus Proof of Value (POV) proyek AI , pendekatan bottom-up diikuti. Dalam hal ini, AI menarik kesimpulan dari aturan dan prosesnya sendiri dalam bekerja dengan kumpulan data yang ekstensif.

Lanskap pengembangan AI juga cenderung membuka beberapa peluang seiring dengan semakin matangnya siklus. Artinya, agar sebuah proyek dianggap selesai, harus melewati beberapa tahap eksplorasi dan hit and trial. Meskipun hasil dari pendekatan ini hampir selalu ramah terhadap pendapatan tinggi, hal ini sering menyebabkan biaya pengembangan yang tinggi dan jangka waktu pengembangan yang diperpanjang.

Bagian terakhir dari pertanyaan seputar bagaimana mengelola proyek AI Anda terletak pada menjadikan manajemen perubahan sebagai bagian integral dari proses Agile. Prinsip yang umumnya dijalankan oleh manajer program AI adalah gagal-cepat, di mana idenya adalah untuk mengeksplorasi dengan cepat dan gagal tepat di awal pendekatan yang salah, bukan pada tahap selanjutnya dalam proses pengembangan.

Memisahkan AI Menjadi Dua Kategori Berbeda

Bagian pertama dari perencanaan proyek AI Anda dimulai dengan tim kami memahami kategorinya. Kategori satu berkaitan dengan proyek-proyek yang sifatnya umum, seperti menerjemahkan bahasa ke bahasa lain, atau mengubah gambar menjadi kata-kata. Kategori dua lebih kompleks. Ini menangani tugas-tugas seperti mendeteksi detak jantung atau memantau tidur.

Kedua kategori membutuhkan dua solusi berbeda – menggabungkan AI yang ada atau membuat solusi manajemen proyek AI khusus .

Solusi Kecerdasan Buatan yang Ada

Ada sejumlah peristiwa di mana penyertaan AI telah menjadi umum dan mainstream. Artinya, ada alat siap pakai yang hanya dimiliki oleh teknisi kami untuk mengintegrasikan AI ke dalam aplikasi . Beberapa platform yang biasanya digunakan tim kami termasuk Microsoft Azure AI, Google AI Platform, dan Amazon Machine Learning, dll.

Solusi Kecerdasan Buatan Kustom

Jika ada proyek yang kompleks, seperti baru-baru ini kami membuat aplikasi perawatan kesehatan berbasis jaringan saraf yang memberi pengguna wawasan tentang kesehatan mereka berdasarkan suara mereka, kami harus menggunakan pengembangan solusi AI khusus. Untuk mempermudah prosesnya, Android 11 akan menggunakan Neural Networks API 1.3 yang baru, sebagai upaya untuk membuat aplikasi Machine Learning Anda berjalan dengan lancar di perangkat.

Sedikit Memutar: Memahami Pilar Kesuksesan Proyek AI

Perjalanan kami dengan Artificial Intelligence dimulai pada tahun 2019. Kami membutuhkan waktu pengiriman yang diperpanjang untuk memahami bahwa rahasia kesuksesan proyek AI terletak pada dua pilar – orang dan data. Hanya dengan kehadiran dua pilar tersebut, AI mampu meningkatkan pengalaman pelanggan secara menyeluruh.

Kami mulai dengan membawa ahli dari berbagai bagian yang dipatuhi oleh aplikasi – terlepas dari apakah mereka memiliki keahlian teknis atau tidak. Itu perlu untuk memasukkan data spesifik domain ke dalam algoritme untuk membuat sistem AI efisien dan tidak bias.

Bagian selanjutnya – pilar kedua – adalah data. Data, bila tidak disimpan dengan benar atau bila tidak seluruhnya, sama sekali tidak berguna. Sekarang, ada dua jenis data yang dikeluarkan oleh bisnis – terstruktur (seperti tanggal lahir, alamat, dll.) dan data tidak terstruktur (faktur, rekaman suara, email, dll.). Saat dalam proses manajemen proyek AI, Anda harus mempertimbangkan kedua tipe data tersebut.

Ada langkah-langkah tertentu yang harus dilalui suatu data untuk menjadi data yang dapat digunakan untuk pembelajaran mendalam atau Artificial Intelligence. Yang dikerjakan oleh tim insinyur data kami saat kami mengembangkan solusi Kecerdasan Buatan (AI) untuk peningkatan skala dan klien perusahaan .

Semakin cepat data menemukan tempat di piramida ini, yang didasarkan pada kebutuhan Hirarki Maslow , semakin cepat proyek AI Anda akan mulai berputar dan semakin besar kemungkinan para insinyur mengerjakan pemodelan alih-alih tetap fokus pada penyaringan data.

Hasil dari perjalanan eksplorasi kami adalah pemahaman tentang berbagai masalah yang muncul saat menjawab apa yang menciptakan solusi AI yang berharga . Biarkan kami mengatasi masalah tersebut sebelum memandu Anda melalui tahapan pengelolaan proyek AI dengan cara yang mencerminkan Proof of Value (POV) mereka ke dalam sistem akhir.

Tantangan Pengembangan Proyek AI: Mengapa Proyek AI Gagal

Jika kita duduk untuk membuat daftar tantangan apa yang dihadapi perusahaan saat menerapkan AI , daftarnya akan sangat luas. Tetapi inti dari semua itu mengapa Bukti Nilai gagal , terletak dua penyebab utama – harapan yang tidak selaras dan kemampuan manajemen data yang tidak memadai. Penyebab yang menahan bisnis dari menghasilkan uang di AI .

Harapan yang tidak selaras

Lebih sering daripada tidak, sebagian besar proyek AI tidak melihat titik terang karena ketidakselarasan yang melekat dalam harapan. Akar penyebab tantangan kecerdasan buatan dalam bisnis sering muncul karena ekspektasi jangka pendek yang tinggi dari teknologi yang secara inheren beroperasi pada mode jangka panjang.

Contoh berikutnya dari ekspektasi yang tidak selaras dapat dilihat di bisnis dengan asumsi solusi berbasis AI mereka akan cukup akurat untuk memenuhi persepsi pengguna yang berbeda. Misalnya, dalam kasus aplikasi streaming musik, dengan asumsi bahwa "lagu berikutnya" yang disarankan AI Anda persis seperti yang diyakini pengguna sebagai bagian dari genre tersebut adalah area masalah. Inilah alasan mengapa bisnis sering menggunakan kata 'mungkin' saat menampilkan produk atau layanan yang mungkin diminati penggunanya, selanjutnya.

Manajemen Data yang Tidak Efisien

AI cenderung membuat keputusan yang salah berdasarkan kumpulan data yang salah. Masalah dalam solusi manajemen proyek AI muncul ketika data tidak benar atau tidak lengkap – singkatnya, tidak siap untuk masuk ke dalam model AI.

Agar sistem AI berfungsi seperti yang diharapkan, diperlukan data yang disempurnakan yang dapat digunakan sistem untuk mempelajari dan menganalisis pola. Saat kami membangun kumpulan data siap AI, fokus kami terutama adalah membagi informasi terstruktur dan tidak terstruktur mengikuti strategi pengumpulan data modern .

Menjawab Pertanyaan Saat Ini: Bagaimana Mengelola Proyek AI Anda

1. Mengidentifikasi Masalah

Langkah pertama bagi kami dalam mengelola proyek AI adalah mengidentifikasi masalahnya. Kami mulai dengan mengajukan dua pertanyaan kepada mitra kami: "apa yang ingin Anda selesaikan?" dan “apa hasil yang diinginkan untuk Anda?”

Saat menentukan pernyataan masalah, penting untuk dipahami bahwa AI itu sendiri bukanlah solusi tetapi sarana/alat untuk memenuhi kebutuhan. Memperhatikan itu, kami memilih beberapa solusi, yang dapat dibangun dengan bantuan AI dan tidak bergantung padanya.

2. Menguji Kesesuaian Solusi Masalah

Tahap ini, idealnya menjawab bagaimana memulai proyek AI . Sebelum kita memulai proses pengembangan proyek AI, pertama-tama penting untuk menguji dan memastikan bahwa orang-orang bersedia membayar untuk apa yang Anda bangun.

Kami menguji kesesuaian solusi masalah melalui sejumlah teknik seperti pendekatan lean tradisional dan Sprint Desain Produk .

Salah satu hal terbaik tentang teknologi AI adalah sangat mudah untuk membuat versi dasar solusi dengan menggunakan manusia atau MVP nyata. Manfaat dari ini bukan hanya analisis solusi yang mudah tetapi juga jaminan waktu yang tepat bahwa produk tersebut benar-benar membutuhkan solusi AI.

3. Menyiapkan dan Mengelola Data

Setelah mencapai titik di mana kami mengetahui bahwa terdapat basis pelanggan untuk solusi Anda dan Anda memiliki keyakinan bahwa AI dapat dibangun, kami memulai pengelolaan proyek pembelajaran mesin dengan mengumpulkan data dan menangani pengelolaannya.

Kita mulai dengan membagi data yang tersedia dalam bentuk terstruktur dan tidak terstruktur. Meskipun tahapannya cukup mudah ketika kita bekerja dengan startup atau perusahaan yang tidak memiliki banyak data, membangun beberapa solusi AI terapan untuk perusahaan adalah hal yang rumit. Umumnya, perusahaan besar memiliki data database kepemilikan yang besar yang mungkin siap untuk AI dan apa yang bisa membuatnya lebih sulit adalah kenyataan bahwa data tersebut mungkin disimpan dalam silo.

Insinyur data kami mulai dengan mengatur dan membersihkan data, di mana pada prinsipnya, mereka menentukan urutan kronologis dan menambahkan label jika diperlukan.

4. Memilih Algoritma yang Tepat

Meskipun, untuk menjaga esensi artikel, kami tidak akan menyebutkan teknis algoritme AI di sini, tetapi yang penting untuk diketahui adalah bahwa ada berbagai jenis algoritme, yang bervariasi berdasarkan pembelajaran yang Anda lakukan.

• Pembelajaran Terawasi

Pada intinya, klasifikasi memprediksi label dan regresi memprediksi kuantitas. Kami biasanya memilih algoritma klasifikasi ketika kami ingin memahami peluang terjadinya suatu peristiwa, misalnya peluang hujan besok.

Di sisi lain, kita menggunakan algoritma regresi ketika kita harus mengkuantifikasi skenario, misalnya ketika kita ingin mengetahui peluang suatu area tenggelam.

Ada beberapa algoritme lain yang dipilih oleh teknisi kami tergantung pada persyaratan proyek – klasifikasi naif Bayes, hutan acak, regresi logistik, dan mesin vektor dukungan.

• Pembelajaran tanpa pengawasan

Pilihan algoritma akan sangat berbeda di sini karena data tidak terorganisir atau mengikuti tipe tertentu. Kita mungkin menggunakan algoritme pengelompokan untuk mengelompokkan objek bersama-sama atau algoritme asosiasi ketika menemukan tautan antara objek yang berbeda, dll.

5. Melatih Algoritma

Setelah kami memilih algoritme, kami melanjutkan ke pelatihan model di mana kami memasukkan data ke dalam model, dengan tetap mempertimbangkan pentingnya akurasi model.

Tim teknisi kami memahami bahwa menetapkan ambang batas minimum yang dapat diterima dan menerapkan disiplin statistik adalah langkah kunci untuk mempercepat pengembangan AI , dengan cara yang memerlukan penyesuaian minimal di kemudian hari.

Untuk melatih algoritme dan mengambil langkah pengembangan berikutnya, kami mempekerjakan pakar teknologi yang ahli dalam Python, R, Java, dan C++. Bergantung pada kebutuhan proyek, kami juga melibatkan pakar yang memahami Julia – bahasa teratas untuk pengembangan aplikasi pembelajaran mesin .

6. Penerapan Proyek

Kami biasanya menyarankan mitra kami untuk menggunakan platform siap pakai seperti Machine Learning sebagai Layanan untuk kebutuhan peluncuran dan penerapan produk mereka. Platform ini dikembangkan untuk menyederhanakan dan memfasilitasi Kecerdasan Buatan dan membantu fase penerapan proyek AI . Mereka juga menyediakan analitik lanjutan berbasis cloud yang dapat digunakan untuk menambahkan dalam berbagai bahasa dan algoritme.

[Baca Juga: Pertimbangkan Langkah-Langkah Penting untuk Menulis Rencana Proyek yang Hebat]

FAQ Tentang Langkah-Langkah Manajemen Proyek AI

T. Bagaimana Memulai Kecerdasan Buatan dan Pembelajaran Mesin

Ada enam langkah yang tercakup dalam proses manajemen proyek AI: Identifikasi masalah, uji kecocokan solusi masalah, manajemen data, pemilihan algoritme yang tepat, pelatihan algoritme, dan penerapan produk pada platform yang tepat.

T. Apa ide bagus untuk proyek kecerdasan buatan?

AI telah mendapatkan cakupan di sejumlah industri. Yang diperlukan adalah menemukan kasus penggunaan yang menggabungkan teknologi sedemikian rupa sehingga data yang dihasilkan diatur dan diubah menjadi analisis yang dapat ditindaklanjuti. Penting untuk bersikap realistis tentang harapan Anda dari solusi AI dalam hal memperlakukannya sebagai alat yang membantu kemajuan layanan Anda, alih-alih menjadi layanan itu sendiri.

T. Apakah proyek AI lebih baik daripada proyek TI tradisional?

Itu tergantung dari situasi ke situasi. Memang ada beberapa proyek yang lebih baik dengan inklusi AI, sementara ada aplikasi lain yang menjadi tidak perlu rumit dengan integrasi teknologi. Pada akhirnya, itu tergantung pada kasus penggunaan dan seberapa berharganya dengan kecerdasan buatan.