Jak zarządzać projektami AI: od POV do rozwiązania gotowego do wykonania

Na pytanie, czy sztuczna inteligencja pozwala firmom usprawnić ich procesy i pomóc im w dostarczaniu proaktywnych rozwiązań, odpowiedział i odrzucił świat cyfrowy.

W dzisiejszym świecie prawie żadna branża nie jest nieświadoma potencjału wysokich przychodów i wartości oferowanych przez sztuczną inteligencję. Deklaratywny fakt, który wynika z obiecujących trendów w technologii AI na rok 2020 i później.

To szybkie przyjęcie, choć z jednej strony przyniosło wiele korzyści zarówno firmom, jak i użytkownikom końcowym, z drugiej jest na bardzo rodzimym etapie. Oznacza to, że firmy muszą jeszcze znaleźć konkretne przypadki użycia i skuteczność zwrotu. To połączenie nowoczesności i korzyści zrodziło wiele pytań dotyczących zarządzania projektami AI .

Widząc, jak złożoność leży w samym centrum rozwiązań do zarządzania projektami AI, ważne jest zrozumienie zawiłości zarządzania projektami AI .

W tym artykule odpowiadamy na każde pytanie i element dotyczący tego, w jaki sposób w Appinventiv zarządzamy projektami AI i jakie kroki podejmujemy, aby skutecznie przekształcić dowód wartości (POV) w wydajne rozwiązanie i usługi AI .

Spis treści

1. Czym różni się projekt AI od tradycyjnych projektów?
2. Podział AI na dwie odrębne kategorie
3. Niewielki objazd: zrozumienie filarów sukcesu projektu AI
4. Wyzwania związane z opracowywaniem projektów AI: dlaczego projekty AI kończą się niepowodzeniem
5. Odpowiadając na pytanie godziny: jak zarządzać projektami AI
6. Często zadawane pytania dotyczące etapów zarządzania projektami AI

Czym różni się projekt AI od tradycyjnych projektów?

Zarządzanie projektami AI wymaga innego podejścia, gdy rysuje się paralele między nimi a tradycyjnym zarządzaniem projektami aplikacji mobilnych. Oznacza to, że różnice między projektami AI a tradycyjnymi projektami IT są wielorakie.

Określonym rozwiązaniem jest tradycyjny proces tworzenia aplikacji mobilnych . Gdy trudno jest określić rozwiązanie, wyniki stają się niepewne i ryzykowne. Ten rodzaj rozwoju podlega programowaniu odgórnemu.

W przeciwieństwie do tego, w przypadku dowodu wartości projektów AI (POV) stosuje się podejście oddolne. W takim przypadku AI wyciąga wnioski z własnych reguł i procesów pracy z obszernym zbiorem danych.

Krajobraz rozwoju sztucznej inteligencji również otwiera kilka możliwości w miarę dojrzewania cyklu. Oznacza to, że aby projekt został uznany za ukończony, musi przejść kilka etapów eksploracji oraz trafień i prób. Chociaż rezultat tego podejścia prawie zawsze sprzyja wysokim przychodom, często prowadzi do wysokich kosztów rozwoju i wydłużonych terminów rozwoju.

Ostatnia część pytania dotyczącego zarządzania projektami AI polega na uczynieniu zarządzania zmianą integralną częścią procesu Agile. Zasada, na której generalnie pracują menedżerowie programów AI, to szybkość niepowodzenia, zgodnie z którą chodzi o to, aby szybko zbadać i odnieść porażkę na początku niewłaściwego podejścia, a nie na późniejszym etapie procesu rozwoju.

Podział AI na dwie odrębne kategorie

Pierwsza część planowania projektu AI zaczyna się od zrozumienia przez nasz zespół kategorii, do której należy. Kategoria pierwsza dotyczy projektów o charakterze powszechnym, takich jak tłumaczenie języka na inny lub zamiana obrazów na słowa. Kategoria druga jest bardziej złożona. Obsługuje takie zadania, jak wykrywanie bicia serca lub monitorowanie snu.

Te dwie kategorie wymagają dwóch odrębnych rozwiązań – włączenia istniejącej sztucznej inteligencji lub stworzenia niestandardowych rozwiązań do zarządzania projektami AI .

Istniejące rozwiązania sztucznej inteligencji

Istnieje wiele wydarzeń, w których włączenie sztucznej inteligencji stało się powszechne i powszechne. Oznacza to, że istnieją gotowe narzędzia, które nasi inżynierowie muszą jedynie zintegrować sztuczną inteligencję z aplikacjami . Niektóre z platform, z których nasz zespół zwykle korzysta, to Microsoft Azure AI, Google AI Platform, Amazon Machine Learning itp.

Niestandardowe rozwiązania sztucznej inteligencji

W przypadku złożonego projektu, jak ostatnio, stworzyliśmy aplikację opieki zdrowotnej opartą na sieci neuronowej, która daje użytkownikom wgląd w ich stan zdrowia na podstawie ich głosu, musimy uciec się do tworzenia niestandardowych rozwiązań AI. Aby uprościć ten proces, Android 11 będzie korzystał z nowego interfejsu API sieci neuronowych 1.3, aby Twoje aplikacje uczenia maszynowego działały płynnie na urządzeniach.

Niewielki objazd: zrozumienie filarów sukcesu projektu AI

Nasza przygoda ze sztuczną inteligencją rozpoczęła się w 2019 roku. Zajęło nam nieco dłuższego czasu realizacji, aby zrozumieć, że sekret sukcesu projektu AI tkwi w dwóch filarach – ludziach i danych. Tylko w obecności dwóch filarów sztuczna inteligencja jest w stanie poprawić w pełni doświadczenie klienta .

Zaczęliśmy od sprowadzenia ekspertów z różnych sekcji, do których odnosiła się aplikacja – niezależnie od tego, czy posiadali wiedzę techniczną, czy też nie. Konieczne było wprowadzenie do algorytmu danych specyficznych dla domeny, aby system AI był wydajny i bezstronny.

Kolejna część – drugi filar – to dane. Dane, które nie są prawidłowo przechowywane lub nie są w całości, są całkowicie bezużyteczne. Obecnie istnieją dwa rodzaje danych, które firma wyrzuca – dane strukturalne (takie jak data urodzenia, adres itp.) oraz dane niestrukturalne (faktury, nagrania głosowe, e-maile itp.). W procesie zarządzania projektami AI musisz wziąć pod uwagę oba typy danych.

Istnieją pewne kroki, przez które dane muszą przejść, aby stać się takimi, które można wykorzystać do głębokiego uczenia się lub sztucznej inteligencji. Te, nad którymi pracuje nasz zespół inżynierów danych, gdy opracowujemy rozwiązania sztucznej inteligencji (AI) dla skalowalności i klientów korporacyjnych .

Im szybciej dane znajdą miejsce w tej piramidzie, która jest oparta na potrzebach Hierarchii Maslowa , tym szybciej Twój projekt AI zacznie się obracać i tym większa będzie możliwość inżynierów pracujących nad modelowaniem zamiast skupiania się na filtrowaniu danych.

Rezultatem naszej podróży badawczej było zrozumienie różnych problemów, które napotykamy, gdy odpowiadamy, co tworzy wartościowe rozwiązanie AI . Pozwól nam przeciwdziałać tym problemom, zanim przeprowadzimy Cię przez etapy zarządzania projektami AI w taki sposób, aby ich dowód wartości (POV) odzwierciedlał się w systemie końcowym.

Wyzwania związane z opracowywaniem projektów AI: dlaczego projekty AI kończą się niepowodzeniem

Jeśli usiądziemy, aby sporządzić listę wyzwań, przed którymi stoją firmy podczas wdrażania AI , lista będzie bardzo obszerna. Jednak sednem tego wszystkiego, dlaczego Proof of Values ​​nie udaje się , są dwie główne przyczyny – niedopasowane oczekiwania i niewystarczające możliwości zarządzania danymi. Przyczyny, które powstrzymują firmy przed zarabianiem pieniędzy na sztucznej inteligencji .

Niezgodne oczekiwania

Najczęściej większość projektów AI nie wychodzi na światło dzienne z powodu niedopasowania oczekiwań. Podstawowa przyczyna wyzwań związanych ze sztuczną inteligencją w biznesie często wynika z podwyższonych krótkoterminowych oczekiwań wobec technologii, która z natury działa w trybie długoterminowym.

Kolejny przypadek rozbieżnych oczekiwań można zaobserwować w firmach, które zakładają, że ich rozwiązanie oparte na sztucznej inteligencji będzie wystarczająco dokładne, aby sprostać różnym wyobrażeniom użytkowników. Na przykład w przypadku aplikacji do strumieniowego przesyłania muzyki założenie, że „następna piosenka” sugerowana przez sztuczną inteligencję jest dokładnie tym, co według użytkownika należy do gatunku, jest obszarem problematycznym. To jest powód, dla którego firmy często używają słowa „może”, prezentując następnie produkty lub usługi, którymi mogą zainteresować się ich użytkownicy.

Nieefektywne zarządzanie danymi

AI ma tendencję do podejmowania błędnych decyzji na podstawie błędnych zbiorów danych. Problem w rozwiązaniach do zarządzania projektami AI pojawia się, gdy dane są nieprawidłowe lub niekompletne – krótko mówiąc, nieprzygotowane do dopasowania do modelu AI.

Aby system sztucznej inteligencji działał zgodnie z oczekiwaniami, konieczne jest posiadanie dopracowanych danych, które system może wykorzystać do uczenia się i analizowania wzorców. Kiedy budujemy zestaw danych przystosowany do sztucznej inteligencji, skupiamy się przede wszystkim na dzieleniu uporządkowanych i nieustrukturyzowanych informacji zgodnie z nowoczesną strategią gromadzenia danych .

Odpowiadając na pytanie godziny: jak zarządzać projektami AI

1. Identyfikacja problemu

Pierwszym krokiem dla nas, jeśli chodzi o zarządzanie projektami AI, jest identyfikacja problemu. Zaczynamy od zadania naszym partnerom dwóch pytań: „co chcesz rozwiązać?” i „jaki jest dla ciebie pożądany rezultat?”

Rozwiązując problem, ważne jest, aby zrozumieć, że sztuczna inteligencja sama w sobie nie jest rozwiązaniem, ale środkiem/narzędziem do zaspokojenia potrzeb. Zauważając, że wybieramy wiele rozwiązań, na których można budować za pomocą sztucznej inteligencji i nie być od niej uzależnionym.

2. Testowanie problemu Rozwiązanie Fit

Ten etap idealnie odpowiada, jak rozpocząć projekt AI . Zanim rozpoczniemy proces tworzenia projektu AI, najpierw należy przetestować i upewnić się, że ludzie są gotowi zapłacić za to, co budujesz.

Testujemy dopasowanie problemu do rozwiązania za pomocą wielu technik, takich jak tradycyjne podejście lean i sprint projektowania produktu .

Jedną z najlepszych rzeczy w technologii AI jest to, że bardzo łatwo jest stworzyć podstawową wersję rozwiązania przy użyciu prawdziwych ludzi lub MVP. Zaletą tego jest nie tylko łatwa analiza rozwiązania, ale także gwarancja na czas, że produkt faktycznie potrzebuje rozwiązania AI.

3. Przygotowywanie i zarządzanie danymi

Dochodząc do punktu, w którym wiemy, że istnieje baza klientów dla Twojego rozwiązania, a Ty masz pewność, że można zbudować sztuczną inteligencję, inicjujemy zarządzanie projektami uczenia maszynowego poprzez zbieranie danych i obsługę ich zarządzania.

Zaczynamy od podzielenia dostępnych danych na formularze ustrukturyzowane i nieustrukturyzowane. Chociaż etap jest dość łatwy, gdy pracujemy ze start-upem lub firmą, która nie ma wielu danych, budowanie wielu rozwiązań AI dla przedsiębiorstw jest trudne. Ogólnie rzecz biorąc, duże firmy mają ogromne, zastrzeżone dane bazodanowe, które mogą być gotowe na sztuczną inteligencję, a tym, co może to utrudnić, jest fakt, że dane mogą być przechowywane w silosach.

Nasi inżynierowie danych zaczynają od organizowania i czyszczenia danych, gdzie w zasadzie definiują porządek chronologiczny i dodają etykiety w razie potrzeby.

4. Wybór odpowiedniego algorytmu

Chociaż, aby zachować sedno artykułu, nie będziemy tu wspominać o technicznych aspektach algorytmów AI, ale ważne jest, aby wiedzieć, że istnieją różne typy algorytmów, które różnią się w zależności od tego, czego się uczysz.

• Nadzorowana nauka

Zasadniczo klasyfikacja przewiduje etykietę, a regresja przewiduje ilość. Generalnie wybieramy algorytmy klasyfikacyjne, gdy chcemy zrozumieć szanse wystąpienia zdarzenia, np. szansę na opady deszczu jutro.

Z drugiej strony korzystamy z algorytmów regresji, gdy musimy określić ilościowo scenariusz, np. gdy chcemy poznać prawdopodobieństwo zatonięcia obszaru.

Istnieje kilka innych algorytmów, z których nasi inżynierowie wybierają w zależności od wymagań projektu – naiwna klasyfikacja Bayesa, losowy las, regresja logistyczna i maszyna wektora nośnego.

• Nauka nienadzorowana

Wybór algorytmu byłby tutaj zupełnie inny, ponieważ dane nie są zorganizowane lub są zgodne z określonym typem. Możemy użyć algorytmów grupowania do grupowania obiektów lub algorytmów asocjacyjnych podczas znajdowania powiązań między różnymi obiektami itp.

5. Trening algorytmów

Po wybraniu algorytmu przechodzimy do uczenia modelu, w którym wprowadzamy dane do modelu, biorąc pod uwagę znaczenie dokładności modelu.

Nasz zespół inżynierów rozumie, że ustalenie minimalnego dopuszczalnego progu i zastosowanie dyscypliny statystycznej to kluczowe kroki w celu przyspieszenia rozwoju sztucznej inteligencji w sposób, który wymaga minimalnego dostrojenia później.

Do szkolenia algorytmów i podejmowania kolejnych kroków rozwojowych zatrudniamy ekspertów technicznych, którzy są ekspertami w Pythonie, R, Javie i C++. W zależności od potrzeb projektu angażujemy również ekspertów, którzy rozumieją Julię – najlepszy język do tworzenia aplikacji do uczenia maszynowego .

6. Wdrożenie Projektu

Zasadniczo zalecamy naszym partnerom korzystanie z gotowych platform, takich jak Machine Learning jako usługa, na potrzeby wprowadzania i wdrażania produktów. Platformy te zostały opracowane, aby uprościć i ułatwić sztuczną inteligencję oraz wspomóc fazę wdrażania projektu AI . Zapewniają również zaawansowaną analizę opartą na chmurze, którą można wykorzystać do dodawania różnych języków i algorytmów.

[Przeczytaj również: Rozważ ważne kroki, aby napisać mistrzowski plan projektu]

Często zadawane pytania dotyczące etapów zarządzania projektami AI

P. Jak rozpocząć pracę ze sztuczną inteligencją i uczeniem maszynowym?

Proces zarządzania projektami AI obejmuje sześć kroków: identyfikacja problemu, testowanie dopasowania rozwiązania problemu, zarządzanie danymi, wybór odpowiedniego algorytmu, szkolenie algorytmu i wdrożenie produktu na właściwej platformie.

P. Jaki jest dobry pomysł na projekt sztucznej inteligencji?

Sztuczna inteligencja ma zasięg w wielu branżach. Niezbędne jest znalezienie przypadku użycia, który uwzględnia technologię w taki sposób, aby wygenerowane dane były zorganizowane i przekształcone w wykonalną analizę. Ważne jest, aby realistycznie podchodzić do swoich oczekiwań wobec rozwiązań AI w zakresie traktowania go jako narzędzia wspomagającego rozwój Twojej usługi, a nie samego stawania się usługą.

P. Czy projekty AI są lepsze niż tradycyjne projekty IT?

To zależy od sytuacji. W rzeczywistości istnieją projekty, które lepiej radzą sobie z włączeniem sztucznej inteligencji, podczas gdy istnieją inne aplikacje, które stają się niepotrzebnie złożone wraz z integracją technologii. Ostatecznie zależy to od przypadku użycia i tego, jak ceniona będzie sztuczna inteligencja.