Come gestire i progetti di intelligenza artificiale: dal punto di vista alla soluzione pronta per l'esecuzione

La domanda se l'intelligenza artificiale consenta o meno alle aziende di semplificare i propri processi e aiutarle a fornire soluzioni proattive è stata risolta e spolverata dal mondo digitale.

Non c'è quasi nessun settore operativo al mondo oggi che sia ignaro dell'alto potenziale di entrate e valore offerto dall'intelligenza artificiale. Un fatto dichiarativo che è evidente dalle promettenti tendenze della tecnologia AI per il 2020 e successivi.

Questa rapida adozione, se da un lato ha comportato molti vantaggi sia per le aziende che per gli utenti finali, dall'altro è in una fase molto nativa. Ciò significa che le aziende devono ancora trovare casi d'uso concreti e restituire l'efficacia. Questa combinazione nascente e vantaggiosa ha dato vita a una serie di domande su come gestire i tuoi progetti di intelligenza artificiale .

Vedendo come la complessità sia al centro delle soluzioni di gestione dei progetti di intelligenza artificiale, è importante comprendere le complessità della gestione dei progetti di intelligenza artificiale .

In questo articolo, rispondiamo a tutte le domande e agli elementi relativi al modo in cui, in Appinventiv, eseguiamo la gestione dei progetti di intelligenza artificiale e ai passaggi che seguiamo per trasformare con successo una prova di valore (POV) in soluzioni e servizi di intelligenza artificiale efficienti .

Tabella dei contenuti

1. In che modo un progetto di intelligenza artificiale è diverso dai progetti tradizionali?
2. Dividere l'IA in due categorie distinte
3. Una leggera deviazione: comprendere i pilastri del successo del progetto AI
4. Le sfide dello sviluppo di progetti di intelligenza artificiale: perché i progetti di intelligenza artificiale falliscono
5. Rispondere alla domanda del momento: come gestire i tuoi progetti di intelligenza artificiale
6. Domande frequenti sulle fasi di AI Project Management

In che modo un progetto di intelligenza artificiale è diverso dai progetti tradizionali?

La gestione dei progetti di intelligenza artificiale richiede un approccio diverso quando vengono tracciati parallelismi tra loro e la tradizionale gestione dei progetti di app mobili. Ciò significa che le differenze tra i progetti di intelligenza artificiale e i progetti IT tradizionali sono molteplici.

Il tradizionale processo di sviluppo di app mobili è una soluzione specifica. Ogni volta che diventa difficile specificare una soluzione, i risultati diventano incerti e rischiosi. Questo tipo di sviluppo rientra nella programmazione top-down.

Al contrario, in caso di Proof of Value (POV) dei progetti AI, viene seguito un approccio dal basso verso l'alto. In tal caso, l'IA trae conclusioni dalle proprie regole e processi di lavoro con un ampio set di dati.

Il panorama dello sviluppo dell'IA tende anche ad aprire diverse opportunità man mano che il ciclo matura. Ciò significa che, affinché un progetto sia considerato completo, deve attraversare diverse fasi di esplorazione, successi e prove. Sebbene il risultato dell'approccio sia quasi sempre favorevole alle entrate elevate, spesso porta a costi di sviluppo elevati e tempi di sviluppo prolungati.

L'ultima parte della domanda su come gestire i tuoi progetti di intelligenza artificiale sta nel rendere la gestione del cambiamento una parte integrante del processo Agile. Il principio su cui generalmente lavorano i gestori dei programmi di intelligenza artificiale è quello del fail-fast, in cui l'idea è di esplorare rapidamente e fallire proprio all'inizio di un approccio sbagliato, invece che in una fase successiva del processo di sviluppo.

Dividere l'IA in due categorie distinte

La prima parte della pianificazione del tuo progetto di intelligenza artificiale inizia con il nostro team che comprende la categoria a cui appartiene. La prima categoria si occupa di progetti di natura comune, come la traduzione di una lingua in un'altra o la conversione di immagini in parole. La categoria due è più complessa. Gestisce attività come il rilevamento del battito cardiaco o il monitoraggio del sonno.

Le due categorie richiedono due soluzioni distinte: incorporazione di un'IA esistente o creazione di soluzioni personalizzate di gestione dei progetti di IA .

Soluzioni di intelligenza artificiale esistenti

Ci sono una serie di eventi in cui l'inclusione dell'IA è diventata comune e mainstream. Ciò significa che esistono strumenti già pronti che i nostri ingegneri devono solo integrare l'IA nelle applicazioni . Alcune delle piattaforme utilizzate generalmente dal nostro team includono Microsoft Azure AI, Google AI Platform e Amazon Machine Learning, ecc.

Soluzioni personalizzate di intelligenza artificiale

Nel caso in cui ci sia un progetto complesso in mano, come di recente abbiamo realizzato un'app sanitaria basata su rete neurale che ha fornito agli utenti informazioni sulla loro salute sulla base della loro voce, dobbiamo ricorrere allo sviluppo di soluzioni di intelligenza artificiale personalizzate. Per semplificare il processo, Android 11 utilizzerà la sua nuova API 1.3 per le reti neurali, nel tentativo di far funzionare senza problemi le tue app di Machine Learning sui dispositivi.

Una leggera deviazione: comprendere i pilastri del successo del progetto AI

Il nostro viaggio con l'intelligenza artificiale è iniziato nel 2019. Ci sono voluti tempi di consegna più lunghi per capire che il segreto del successo di un progetto di intelligenza artificiale risiede in due pilastri: persone e dati. Solo in presenza dei due pilastri, l' IA è in grado di migliorare la customer experience nella sua totalità.

Abbiamo iniziato con l'assunzione di esperti provenienti da diverse sezioni a cui l'applicazione ha aderito, indipendentemente dal fatto che avessero o meno competenze tecniche. Era necessario inserire nell'algoritmo dati specifici del dominio per rendere il sistema di intelligenza artificiale efficiente e imparziale.

La parte successiva – il secondo pilastro – erano i dati. I dati, quando non correttamente conservati o quando non nella loro interezza sono del tutto inutili. Ora, ci sono due tipi di dati che un'azienda espelle: dati strutturati (come data di nascita, indirizzo, ecc.) e dati non strutturati (fatture, registrazioni vocali, e-mail, ecc.). Quando sei nel processo di gestione del progetto AI, devi considerare entrambi i tipi di dati.

Ci sono alcuni passaggi che un dato deve attraversare per diventare uno che può essere utilizzato per il deep learning o l'intelligenza artificiale. Quelli su cui lavora il nostro team di ingegneri dei dati quando sviluppiamo soluzioni di Intelligenza Artificiale (AI) per scale-up e clienti aziendali .

Più velocemente i dati trovano un posto in questa piramide, che si basa sulle esigenze della gerarchia di Maslow , più velocemente il tuo progetto di intelligenza artificiale inizierà a girare e maggiore sarebbe la possibilità che gli ingegneri lavorino sulla modellazione invece di concentrarsi sul filtraggio dei dati.

Il risultato del nostro viaggio di esplorazione è stata la comprensione dei diversi problemi che si incontrano quando si risponde a ciò che crea una preziosa soluzione di intelligenza artificiale . Cerchiamo di contrastare questi problemi prima di guidarti attraverso le fasi della gestione dei progetti di IA in un modo che la loro Proof of Value (POV) si rifletta nel sistema finale.

Le sfide dello sviluppo di progetti di intelligenza artificiale: perché i progetti di intelligenza artificiale falliscono

Se ci sediamo per fare un elenco delle sfide che le aziende devono affrontare quando implementano l'IA , l'elenco sarà molto ampio. Ma al centro di tutto il motivo per cui la Proof of Values ​​fallisce , si trovano due cause principali: aspettative disallineate e capacità di gestione dei dati insufficienti. Le cause che impediscono alle aziende di fare soldi con l'intelligenza artificiale .

Aspettative disallineate

Il più delle volte, la maggior parte dei progetti di intelligenza artificiale non vede la luce del giorno a causa del disallineamento annesso delle aspettative. La causa principale delle sfide dell'intelligenza artificiale negli affari emerge spesso a causa delle accresciute aspettative a breve termine da una tecnologia che opera intrinsecamente su una modalità a lungo termine.

La prossima istanza di aspettative disallineate può essere vista nelle aziende che presuppongono che la loro soluzione basata sull'intelligenza artificiale sarà sufficientemente accurata da soddisfare le diverse percezioni degli utenti. Ad esempio, nel caso di un'applicazione di streaming musicale, supponendo che la "canzone successiva" suggerita dalla tua intelligenza artificiale sia esattamente ciò che l'utente crede appartenga al genere è un'area problematica. Questo è il motivo per cui le aziende usano spesso la parola "potrebbe" quando mostrano prodotti o servizi a cui i loro utenti potrebbero essere interessati.

Gestione dei dati inefficiente

L'IA tende a prendere decisioni sbagliate sulla base di set di dati sbagliati. Il problema nelle soluzioni di gestione dei progetti di intelligenza artificiale emerge quando i dati sono errati o incompleti, in breve, non sono preparati per adattarsi al modello di intelligenza artificiale.

Affinché un sistema di intelligenza artificiale funzioni come previsto, è necessario disporre di dati raffinati che il sistema possa utilizzare per apprendere e analizzare i modelli. Quando costruiamo un set di dati pronto per l'intelligenza artificiale, il nostro obiettivo è principalmente dividere le informazioni strutturate e non strutturate seguendo la moderna strategia di raccolta dei dati .

Rispondere alla domanda del momento: come gestire i tuoi progetti di intelligenza artificiale

1. Identificazione del problema

Il primo passo per noi quando si tratta di gestire progetti di IA è identificare il problema. Iniziamo ponendo ai nostri partner due domande: "che cosa sei disposto a risolvere?" e "qual è il risultato desiderato per te?"

Quando si stabilisce un problema, è importante capire che l'IA in sé non è una soluzione ma un mezzo/strumento per soddisfare il bisogno. Notando che, scegliamo più soluzioni, su cui è possibile costruire con l'aiuto dell'IA e non dipendere da essa.

2. Testare la soluzione del problema Adatta

Questa fase risponde idealmente a come avviare un progetto di intelligenza artificiale . Prima di avviare il processo di sviluppo del progetto di intelligenza artificiale, è importante testare e accertarsi che le persone siano disposte a pagare per ciò che stai costruendo.

Testiamo l'adattamento del problema alla soluzione attraverso una serie di tecniche come l'approccio snello tradizionale e lo Sprint di progettazione del prodotto .

Una delle cose migliori della tecnologia AI è che è abbastanza facile creare una versione di livello base di una soluzione utilizzando esseri umani reali o MVP. Il vantaggio di ciò non è solo la facile analisi di una soluzione, ma anche la garanzia nel tempo che il prodotto abbia effettivamente bisogno di una soluzione di intelligenza artificiale.

3. Preparazione e gestione dei dati

Dopo aver raggiunto il punto in cui sappiamo che esiste una base di clienti per la tua soluzione e hai la certezza che l'IA può essere costruita, iniziamo a gestire progetti di apprendimento automatico raccogliendo dati e gestendo la loro gestione.

Iniziamo dividendo i dati disponibili in moduli strutturati e non strutturati. Sebbene la fase sia abbastanza facile quando lavoriamo con una startup o un'azienda che non dispone di più dati, la creazione di più soluzioni di intelligenza artificiale applicata per le imprese è ciò che è complicato. In generale, le grandi aziende dispongono di enormi database proprietari che potrebbero essere pronti per l'IA e ciò che potrebbe renderlo ancora più difficile è il fatto che i dati potrebbero essere archiviati in silos.

I nostri ingegneri dei dati iniziano con l'organizzazione e la pulizia dei dati, dove in linea di principio definiscono un ordine cronologico e aggiungono etichette dove necessario.

4. Scegliere l'algoritmo giusto

Anche se, per mantenere l'essenza dell'articolo, non menzioneremo qui i tecnicismi degli algoritmi di intelligenza artificiale, ma ciò che è importante sapere è che ci sono diversi tipi di algoritmi, che variano in base all'apprendimento che fai.

• Apprendimento supervisionato

Al suo interno, la classificazione prevede un'etichetta e la regressione prevede la quantità. Generalmente scegliamo algoritmi di classificazione quando vogliamo comprendere le possibilità che si verifichi un evento, ad esempio la possibilità di precipitazioni domani.

D'altra parte, utilizziamo algoritmi di regressione quando dobbiamo quantificare lo scenario, ad esempio quando vogliamo conoscere la possibilità che un'area affoghi.

Esistono molti altri algoritmi tra cui i nostri ingegneri scelgono in base ai requisiti del progetto: classificazione ingenua di Bayes, foresta casuale, regressione logistica e macchina vettoriale di supporto.

• Apprendimento senza supervisione

La scelta dell'algoritmo sarebbe molto diversa qui poiché i dati non sono organizzati o seguono un certo tipo. Potremmo utilizzare algoritmi di clustering per raggruppare oggetti o algoritmi di associazione quando si trovano collegamenti tra oggetti diversi, ecc.

5. Addestrare gli algoritmi

Una volta selezionato l'algoritmo, passiamo all'addestramento del modello in cui inseriamo i dati nel modello, tenendo in considerazione l'importanza dell'accuratezza del modello.

Il nostro team di ingegneri comprende che l'impostazione della soglia minima accettabile e l'applicazione della disciplina statistica sono i passaggi chiave per accelerare lo sviluppo dell'IA , in modo tale da richiedere una messa a punto minima in un secondo momento.

Per addestrare gli algoritmi e intraprendere le fasi di sviluppo successive, ci avvaliamo di esperti di tecnologia esperti in Python, R, Java e C++. A seconda delle esigenze del progetto, coinvolgiamo anche esperti che conoscono Julia, il linguaggio migliore per lo sviluppo di app di machine learning .

6. Implementazione del progetto

In genere consigliamo ai nostri partner di utilizzare piattaforme già pronte come Machine Learning as a Service per le loro esigenze di lancio e distribuzione del prodotto. Queste piattaforme sono sviluppate per semplificare e facilitare l'intelligenza artificiale e aiutare la fase di implementazione di un progetto di intelligenza artificiale . Forniscono inoltre analisi avanzate basate su cloud che possono essere utilizzate per aggiungere linguaggi e algoritmi diversi.

[Leggi anche: Considera i passaggi importanti per scrivere un piano di progetto magistrale]

Domande frequenti sulle fasi di AI Project Management

D. Come iniziare con l'intelligenza artificiale e l'apprendimento automatico

Ci sono sei passaggi che sono trattati nel processo di gestione del progetto AI: identificazione del problema, test dell'adattamento della soluzione del problema, gestione dei dati, selezione dell'algoritmo giusto, training dell'algoritmo e distribuzione del prodotto sulla piattaforma giusta.

D. Qual è una buona idea per un progetto di intelligenza artificiale?

L'intelligenza artificiale ha avuto una portata in numerosi settori. Ciò che è necessario è trovare un caso d'uso che incorpori la tecnologia in modo che i dati generati siano organizzati e convertiti in analisi attuabili. È importante essere realistici riguardo alle tue aspettative rispetto alle soluzioni di intelligenza artificiale in termini di trattarle come uno strumento che aiuta nell'avanzamento del tuo servizio, invece di diventare un servizio stesso.

D. I progetti di intelligenza artificiale sono migliori dei tradizionali progetti IT?

Dipende da situazione a situazione. Ci sono infatti alcuni progetti che funzionano meglio con l'inclusione dell'IA, mentre ci sono altre applicazioni che diventano inutilmente complesse con l'integrazione della tecnologia. In definitiva, dipende dal caso d'uso e da quanto sarebbe apprezzato con l'intelligenza artificiale.