あなたが遭遇しなければならないAI開発の問題をどのように解決するか

公開: 2020-04-02

従来の従来のソフトウェア開発環境の大部分は、分析、計画、設計、構築、品質保証、および展開を含む通常のフェーズに従います。

ただし、人工知能の開発環境は異なります。 AIプロジェクトの場合、開発はデータソースの特定とデータの収集、クレンジング、およびそれらの洞察への変換を中心に行われます。このようなアプローチでは、異なる考え方とスキルセットが必要になります。

人工知能プロジェクトにネットワーク化されたこの型破りなことには、 AI開発の課題を解決する方法に関するまったく新しい一連の問題と回答が含まれています。

私たちの人工知能開発スペシャリストのチームは、約7つの本格的なソリューションと17以上のPOCに取り組んできましたが、同じ業界に属するものは2つありません。仕事の露出は私たちにいくつかのことを非常に明確にしました–

AIソフトウェア開発プロジェクトの結果が従来の製品と同じになることは期待できません。これは、 AIを使用する場合、ゲームはヒットとトライアルに重点を置いているためです。
技術者だけでなく、チーム全体が参加しているときに、AI戦略とプログラムをビジネスに最適に実装できるようになります。
AI以外のアプリプロジェクトの場合と同様に、AIプロジェクトの場合の制限もアイデアごとに異なります。ただし、製品間で類似しているAI開発の課題とソリューションがいくつかあります。

3番目の学習を掘り下げると、どのアイデアが製品を裏付けているかに関係なく、製品間で類似している問題があります。どのアプリケーションを開発していても、これらの問題が発生したため、これらは再発していると考えて間違いありません。

起業家に積極的なアプローチを吸収するために、またはデータエンジニアは、 AI開発サービスを採用する際に一般的に発生する問題を、個々の人工知能の困難と機会に対する洞察とともにリストアップしました。

AI開発の課題とソリューション

1.データ収集と管理の問題

AIシステムは、それが基づいているデータと同じくらい優れているという声明は、一般的ではありますが、いくつかの固有の問題があります。この面で直面する問題は、主にデータ収集とその改良に関するものです。しかし、他にも次のような課題があります–

A.データの質と量

前述のように、AIシステムの品質は、システムに供給されるデータの量と品質に大きく依存します。パターンを識別し、期待どおりに動作するために、AIには多くの高品質のデータが必要です。

Appinventivでは、私たちが持っているデータとモデルが操作する必要のあるデータをリストアップすることにより、AI戦略とプログラムを実装するプロセスを開始します。そのために、オープンデータとGoogleのデータセット検索の両方を使用して、モデルのトレーニングに役立つデータにアクセスします。

データのラベリング

数年前まで、データの大部分はテキストで構造化されていました。しかし、オムニチャネルのカスタマーエクスペリエンスとモノのインターネットの登場により、ビジネスシステムで提供されるデータタイプはほとんど構造化されていません。問題は、AIシステムの大部分が監視対象のデータセットを回避するようにトレーニングされていることです。

Appinventivでは、 AI開発の課題を解決する方法に答える際に、データのラベル付けを処理するために複数のアプローチを使用し、主にデータプログラミングと合成のラベル付け、フィードバックループシステムなどを中心に展開しています。

データの偏り

AIが偏っているという話は広まっています。問題は、特にテクノロジーが意識的ではなく、したがって悪い意図を持つことができないため、それがどのように起こるのかということです。

バイアスは、誤って収集されたデータから助長されます。これが最終的な収益です。データのソースにバイアスがかかると、システムは差別的になります。

すべてのデータを調べて、最初から偏りがないことを確認します。このように、彼らがAIシステムに入るとき、画像に偏りの余地はありません。

Contact Our DATA Engineers

ケースに焦点を当てた学習

ヒューマンインテリジェンスにより、ある分野から別の分野に経験を適用することができます。 AIが簡単に扱えるものではありません。

ビジネス向けのAIを活用したツールは専門的です。片手で行うことになっています。コアの複雑さを考えると、AIが、あるプロジェクトから得た経験を別のプロジェクトで使用することは非常に難しい場合があります。

AIモデルをトレーニングしてタスクを実行し、その学習を同様のアクティビティに適用する、転移学習アプローチを使用します。これは、タスクA用に考案されたモデルを、後でタスクBモデルの開始点として使用できることを意味します。

2.人中心の問題

AIが普及する中、技術に慣れている人材が数えられます。これにより、 AIベースのアプリケーションを作成する際に、短期的および長期的に企業に多くの永続的な課題が発生します。

技術者以外の従業員の理解の欠如

AIの実装では、経営陣がAIテクノロジー、その機会と制限などを理解する必要があります。ノウハウがないため、実際に影響を与える可能性のある場所で、ビジネスでAIを正しく採用することができません。

フィールドスペシャリストの希少性

AI業界が必要としているのは、AIの問題と技術に関する技術的理解と市場のノウハウを融合させた専門家です。問題は、特にAIソフトウェア開発に必要なコアスキルを持つFAMGAグループの人材を採用する場合、両方を組み合わせたフルタイムの社内リソースを見つけることが非常に難しいことです。

これが、企業がAIソリューション開発を私たちのようなAIアプリ開発会社にアウトソーシングすることが多い最大の理由です。この会社は、業界に関する深い知識も持っている専門家のチームで構成されています。

3.統合の課題

現在のシステムに人工知能を追加または統合することは、ブラウザにプラグインを追加するよりもはるかに複雑なプロセスです。ビジネスニーズに対応するために設定する要素とインターフェイスは複数あります。

私たちのデータサイエンティストチームは、個々のデータインフラストラクチャのニーズ、データのラベル付け、ストレージ、およびシステムにデータを供給するプロセスを検討するため、起動時のAIアプリの実装に関する課題に直面する必要はありません。また、モデルのトレーニングとAIの有効性のテストにも取り組んでおり、人々の行動に基づいてモデルを改善するためのフィードバックループを開発しています。

4.インフラストラクチャ機能

企業がAIソリューションを展開するには、データの処理とその計算、ストレージ、スケーリング、セキュリティ、拡張性などがすべて必要です。 AIソリューションを導入する際のビジネスの成功は、インフラストラクチャ環境がどれほど適切であり、ワークロードとAIアプリケーションをどの程度サポートしているかに答えることから始まります。悲しいことに、その答えは、エンタープライズAIの最大の課題の1つでもあります。

私たちのビジネスアナリストが非常に早い段階で注意することがいくつかあります。

ディープラーニングと機械学習モデルをサポートするための高速ストレージと処理機能の適切な組み合わせ。
基盤となるハードウェアに合わせて最適化および調整できる最高のソフトウェア。
ほとんどの可動コンポーネントと部品を管理するインターフェース。
パフォーマンスを最適化するためにクラウドまたはオンプレミスのデータセンターに導入できるインフラストラクチャ。

5.マルチタスク能力の欠如

ディープラーニングモデルは非常に訓練可能です。トレーニングが終了すると、オブジェクトを特定する場合でも、顧客の検索履歴に基づいて製品を推奨する場合でも、ソリューションがそのタスクを最もよく実行することを確認できます。

これは、システムにマルチタスクを実行させたい場合のAIの最大の問題の1つです。たとえば、AIがビデオ内の人物を識別し、バックグラウンドで再生されている曲の出所を追跡する場合、効率が低下します。

データエンジニアが特定したこの問題の解決策は、プログレッシブニューラルネットワークを使用することです。これは、情報のビットが簡単に通過できるように、個別の深層学習モデルを接続することを意味します。このモデルはまだ実際には適用されていませんが、この方法はロボットアームの開発に非常に役立つことが証明されており、学習を数週間から1日に短縮します。

progressive neutral network

これは、AI開発の課題と解決策に対する私たちの見解でした。しかし、AI開発の難しさを克服するためのヒントは、これらだけにとどまりません。 AIプロジェクトの考案と展開の世界を深く掘り下げると、ビジネスに解決して回答を提供するためのAIの問題の実装は、最終的には、パートナーの人工知能開発会社が持っているスキルセットと技術+ビジネスの理解に帰着することがわかります。

6.人間レベルの相互作用

これはおそらくAIの主な課題であり、組織や新しいビジネスでのAIサービスの最先端にいる研究者を救ってきました。これらの組織は90％を超える正確さを誇っている可能性がありますが、人々はこれらすべての状況で改善することができます。たとえば、写真が犬か猫かをモデルに予測させます。人間は毎回正しい出力を確実に予測でき、99％を超える驚異的な精度を一掃します。

深遠な学習モデルで同様のパフォーマンスを実行するには、優れた微調整、ハイパーパラメータの向上、膨大なデータセット、明確に定義された正確なアルゴリズムに加えて、堅牢な処理能力、列車データの継続的なトレーニング、テストデータのテストが必要です。それは大変な作業のように聞こえますが、実際には見た目よりも何倍も面倒です。

すべての困難な作業を行わないようにすることができる1つの方法の解決策は、専門家組織を利用することです。専門家組織は、事前にトレーニングされたモデルを利用して明示的な深層学習モデルを準備できるからです。彼らは膨大な数の写真で訓練されており、最高の精度のために微調整されています。

7.データの不足

グーグル、フェイスブック、アップルなどの大手企業が生成されたユーザーデータの非倫理的な使用に関する告発に直面しているため、インドなどのさまざまな国が厳格なITルールを使用してフローを制限しています。したがって、これらの企業は現在、世界向けのアプリケーションを開発するためにローカルデータを使用するという問題に直面しており、それはバイアスをもたらすことになります。

生成されたユーザーデータの非倫理的な利用に関する起訴に対処するGoogle、Facebook、Appleなどの大規模な組織では、インドなどのさまざまな国がデータフローを制限するために厳しいITルールを使用しています。したがって、これらの組織は現在、世界向けのアプリケーションを作成するために近くのローカル情報を使用する問題に取り組んでおり、それはバイアスの結果をもたらすでしょう。

データはAIの重要な側面であり、ラベル付けされた情報は、機械を学習して予測を行うためのトレーニングに利用されます。いくつかの組織は新しい戦略を発明しようとしており、データの不足に関係なく正確な結果をもたらすことができるAIモデルの開発を中心としています。片側のデータや偏った情報では、システム全体に欠陥が生じる可能性があります。

結論

適応性があり、安全で、独自のアプリケーションに対する需要がますます高まる中、開発コミュニティには途方もない緊張があります。そのような場合、AIテクノロジーを採用することで、基本的なソリューションとイノベーションを生み出すための好ましい場所が得られます。人工知能と機械学習は間違いなくプログラミングとソフトウェア開発の未来であり、それらを受け入れることが組織にとって最良の選択です。

アプリ開発プロセスは、多くのアクティビティとそれを実行する専門家で構成されています。開発は、価格設定要素、開発、ツールなど、場所に基づいてAI開発のさまざまな要素に大きく貢献します。これは、米国のAI開発サービスから世界の他の地域のサービスまで場所によって異なります。

AI開発の課題とソリューションに関するFAQ

Q. AIを実装する際に企業が直面する課題は何ですか？

企業がビジネスにAIを実装する際に直面する問題は数多くあります。ここにそれらのいくつかがあります–

データの収集と改良
スキルセットの欠如
統合の課題
インフラストラクチャ機能

Q. AI開発の課題を解決するにはどうすればよいですか？

AI開発の問題に対する解決策は、最終的には、熟練したAI専門家のチームとのパートナーシップと、ソリューションが焦点を当てるユーザーと市場の理解に帰着します。

Q. AIの使用に関する主な倫理的懸念は何ですか？

これらは、人工知能を取り巻く最も顕著な倫理的懸念の一部です。失業、偏見、AIが大規模な重大なミスを犯す範囲、人々がデータセットを改ざんして彼らの裏の動機を満たす可能性などです。