Cum să gestionați proiectele AI: de la POV la soluție gata de executat

Întrebarea dacă AI permite sau nu companiilor să-și eficientizeze procesele și să le ajute să furnizeze soluții proactive a fost răspunsă și ștearsă de lumea digitală.

În prezent, aproape că nu există nicio industrie în lume care să nu țină seama de veniturile mari și potențialul de ofertă de valoare cu care este plină inteligența artificială. Un fapt declarativ care este evident din tendințele promițătoare ale tehnologiei AI pentru 2020 și ulterior.

Această adoptare rapidă, deși pe de o parte a adus o mulțime de beneficii atât pentru companii, cât și pentru utilizatorii finali, pe de altă parte este într-un stadiu foarte nativ. Înseamnă, întreprinderile trebuie să găsească încă cazuri de utilizare concrete și să returneze eficiența. Această combinație de apariție și beneficii a dat naștere unui număr de întrebări despre cum să vă gestionați proiectele AI .

Văzând cum complexitatea se află în centrul soluțiilor de management al proiectelor AI, este important să înțelegem complexitățile gestionării proiectelor AI .

În acest articol, răspundem la fiecare întrebare și element despre modul în care, la Appinventiv, realizăm managementul de proiect AI și pașii pe care îi urmăm pentru a transforma cu succes o Dovadă de valoare (POV) în soluție și servicii AI eficiente .

Cuprins

1. Cum este un proiect AI diferit de proiectele tradiționale?
2. Împărțirea IA în două categorii distincte
3. Un mic ocol: înțelegerea pilonilor succesului proiectului AI
4. Provocările dezvoltării proiectelor AI: de ce proiectele AI eșuează
5. Răspuns la întrebarea orei: Cum să vă gestionați proiectele AI
6. Întrebări frecvente despre pașii managementului de proiect AI

Cum este un proiect AI diferit de proiectele tradiționale?

Managementul proiectelor AI necesită o abordare diferită atunci când se realizează paralele între acestea și managementul tradițional de proiect al aplicațiilor mobile. Adică, diferențele dintre proiectele AI și proiectele IT tradiționale sunt multiple.

Procesul tradițional de dezvoltare a aplicațiilor mobile este o soluție specificată. Ori de câte ori devine dificil să specificați o soluție, rezultatele devin incerte și riscante. Acest tip de dezvoltare se încadrează în programarea de sus în jos.

Dimpotrivă, în cazul Proof of Value (POV) a proiectelor AI, este urmată o abordare de jos în sus. În acest caz, AI trage concluzii din propriile reguli și procese de lucru cu un set extins de date.

Peisajul dezvoltării AI tinde, de asemenea, să deschidă mai multe oportunități pe măsură ce ciclul se maturizează. Adică, pentru ca un proiect să fie considerat finalizat, trebuie să traverseze mai multe etape de explorare și succese și încercări. În timp ce rezultatul abordării este aproape întotdeauna favorabil veniturilor mari, deseori duce la costuri mari de dezvoltare și la termene extinse de dezvoltare.

Ultima parte a întrebării despre cum să vă gestionați proiectele AI constă în a face din managementul schimbării o parte integrantă a procesului Agile. Principiul la care lucrează în general managerii de programe AI este eșec rapid, în care ideea este să exploreze rapid și să eșueze chiar la începutul unei abordări greșite, nu într-o etapă ulterioară a procesului de dezvoltare.

Împărțirea IA în două categorii distincte

Prima parte a planificării proiectului dumneavoastră AI începe cu echipa noastră care înțelege categoria căreia îi aparține. Categoria unu se ocupă de proiecte care sunt comune în natură, cum ar fi traducerea unei limbi în alta sau conversia imaginilor în cuvinte. Categoria a doua este mai complexă. Se ocupă de sarcini precum detectarea bătăilor inimii sau monitorizarea somnului.

Cele două categorii necesită două soluții distincte – încorporarea unui AI existent sau crearea de soluții personalizate de management al proiectelor AI .

Soluții existente de inteligență artificială

Există o serie de evenimente în care includerea AI a devenit comună și generalizată. Adică, există instrumente gata făcute pe care inginerii noștri le au doar pentru a integra AI în aplicații . Câteva dintre platformele pe care echipa noastră le utilizează în general includ Microsoft Azure AI, Google AI Platform și Amazon Machine Learning etc.

Soluții personalizate de inteligență artificială

În cazul în care există un proiect complex în mână, cum am creat recent o aplicație de asistență medicală condusă de rețeaua neuronală care le-a oferit utilizatorilor informații despre sănătatea lor pe baza vocii lor, trebuie să recurgem la dezvoltarea de soluții personalizate de AI. Pentru a ușura procesul, Android 11 va folosi noul său API Neural Networks 1.3, ca un efort de a face ca aplicațiile de învățare automată să funcționeze fără probleme pe dispozitive.

Un mic ocol: înțelegerea pilonilor succesului proiectului AI

Călătoria noastră cu inteligența artificială a început în 2019. Ne-a fost nevoie de un termen de livrare extins pentru a înțelege că secretul succesului unui proiect AI constă în doi piloni – oameni și date. Numai în prezența celor doi piloni, AI este capabilă să îmbunătățească experiența clienților în totalitate.

Am început prin a aduce experți din diferite secțiuni la care a aderat aplicația – indiferent dacă au sau nu o expertiză tehnică. A fost necesar să se introducă în algoritm date specifice domeniului pentru a face sistemul AI eficient și imparțial.

Următoarea parte – al doilea pilon – au fost date. Datele, atunci când nu sunt stocate corect sau când nu sunt în întregime, sunt total inutile. Acum, există două tipuri de date pe care o companie le ejectează – structurate (cum ar fi data nașterii, adresa etc.) și date nestructurate (facturi, înregistrări vocale, e-mailuri etc.). Când sunteți în procesul de management al proiectelor AI, trebuie să luați în considerare ambele tipuri de date.

Există anumiți pași prin care trebuie să parcurgă datele pentru a deveni unul care poate fi folosit pentru învățarea profundă sau pentru inteligența artificială. Cele la care lucrează echipa noastră de ingineri de date atunci când dezvoltăm soluții de inteligență artificială (AI) pentru extinderi și clienții întreprinderilor .

Cu cât datele își găsesc mai repede un loc în această piramidă, care se bazează pe nevoile ierarhiei lui Maslow , cu atât proiectul dvs. AI va începe să se producă mai repede și cu atât va fi mai mare posibilitatea ca inginerii să lucreze la modelare în loc să își păstreze atenția pe filtrarea datelor.

Rezultatul călătoriei noastre de explorare a fost o înțelegere a diferitelor probleme care apar atunci când răspundem la ceea ce creează o soluție AI valoroasă . Permiteți-ne să contracarăm aceste probleme înainte de a vă ghida prin etapele de gestionare a proiectelor AI într-un mod în care Dovada valorii lor (POV) se reflectă în sistemul final.

Provocările dezvoltării proiectelor AI: de ce proiectele AI eșuează

Dacă ne așezăm să facem o listă cu provocările cu care se confruntă companiile atunci când implementează AI , lista va fi foarte extinsă. Dar în centrul tuturor motivelor pentru care Proof of Values ​​eșuează , stau două cauze principale – așteptări nealiniate și capacități insuficiente de gestionare a datelor. Cauzele care împiedică companiile să facă bani în AI .

Așteptări nealiniate

De cele mai multe ori, majoritatea proiectelor de inteligență artificială nu văd lumina zilei din cauza nealinierii atașate a așteptărilor. Cauza principală a provocărilor inteligenței artificiale în afaceri apare adesea din cauza așteptărilor sporite pe termen scurt de la o tehnologie care funcționează în mod inerent pe termen lung.

Următorul exemplu de așteptări nealiniate poate fi observat în companii care presupun că soluția lor bazată pe inteligență artificială va fi suficient de precisă pentru a răspunde diferitelor percepții ale utilizatorilor. De exemplu, în cazul unei aplicații de streaming de muzică, presupunând că „următorul cântec” pe care o sugerează AI-ul tău este exact ceea ce utilizatorul crede că aparține genului este o zonă cu probleme. Acesta este motivul pentru care companiile folosesc adesea cuvântul „poate” atunci când prezintă produse sau servicii de care utilizatorii lor ar putea fi interesați, în continuare.

Gestionarea ineficientă a datelor

AI tinde să ia decizii greșite pe baza unor seturi de date greșite. Problema soluțiilor de management de proiect AI apare atunci când datele sunt incorecte sau incomplete – pe scurt, nu sunt pregătite să se încadreze în modelul AI.

Pentru ca un sistem AI să funcționeze conform așteptărilor, este necesar să existe date rafinate pe care sistemul le poate folosi pentru a învăța și analiza modele. Când construim un set de date pregătit pentru AI, ne concentrăm în primul rând pe împărțirea informațiilor structurate și nestructurate, urmând strategia modernă de colectare a datelor .

Răspuns la întrebarea orei: Cum să vă gestionați proiectele AI

1. Identificarea problemei

Primul pas pentru noi atunci când vine vorba de gestionarea proiectelor AI este identificarea problemei. Începem cu a pune partenerilor noștri două întrebări: „ce sunteți dispus să rezolvați?” și „care este rezultatul dorit pentru tine?”

Atunci când stabiliți o enunțare a problemei, este important să înțelegeți că AI în sine nu este o soluție, ci un mijloc/instrument pentru a răspunde nevoii. Menționând că, alegem mai multe soluții, care pot fi construite cu ajutorul AI și care nu pot fi dependente de aceasta.

2. Testarea problemei Soluție Fit

Această etapă, în mod ideal, răspunde la modul de a începe un proiect AI . Înainte de a iniția procesul de dezvoltare a proiectului AI, este mai întâi important să testați și să vă asigurați că oamenii sunt dispuși să plătească pentru ceea ce construiți.

Testăm potrivirea problemă-soluție printr-o serie de tehnici precum abordarea tradițională lean și Product Design Sprint .

Unul dintre cele mai bune lucruri despre tehnologia AI este că este destul de ușor să creezi o versiune la nivel de bază a unei soluții folosind oameni reali sau MVP. Beneficiul acestui lucru nu este doar o analiză ușoară a unei soluții, ci și garantarea în timp a faptului că produsul are nevoie de o soluție AI.

3. Pregătirea și gestionarea datelor

Ajunși la punctul în care știm că există o bază de clienți pentru soluția dvs. și aveți încredere că IA poate fi construită, inițiam gestionarea proiectelor de învățare automată prin colectarea datelor și gestionarea acestora.

Începem prin a împărți datele disponibile în forme structurate și nestructurate. Deși etapa este destul de ușoară atunci când lucrăm cu un startup sau o companie care nu are mai multe date, crearea de mai multe soluții AI aplicate pentru întreprinderi este dificilă. În general, marile firme au date uriașe de baze de date proprietare care ar putea fi pregătite pentru AI și ceea ce ar putea face acest lucru și mai dificil este faptul că datele ar putea fi stocate în silozuri.

Inginerii noștri de date încep cu organizarea și curățarea datelor, unde, în principiu, definesc o ordine cronologică și adaugă etichete acolo unde este necesar.

4. Alegerea algoritmului potrivit

Deși, pentru a păstra esența articolului, nu vom menționa aici aspectele tehnice ale algoritmilor AI, dar ceea ce este important de știut este că există diferite tipuri de algoritmi, care variază în funcție de învățarea pe care o faci.

• Învățare supravegheată

În esență, clasificarea prezice o etichetă, iar regresia prezice cantitatea. În general, alegem algoritmi de clasificare atunci când dorim să înțelegem șansele de apariție a unui eveniment, de exemplu șansa de a ploua mâine.

Pe de altă parte, mergem cu algoritmi de regresie atunci când trebuie să cuantificăm scenariul, de exemplu când vrem să știm șansa ca o zonă să se înece.

Există câțiva alți algoritmi din care aleg inginerii noștri în funcție de cerințele proiectului – clasificare Bayes naivă, pădure aleatoare, regresie logistică și mașină vectorială de suport.

• Învățare nesupravegheată

Alegerea algoritmului ar fi foarte diferită aici, deoarece datele nu sunt organizate sau urmează un anumit tip. Am putea folosi algoritmi de grupare pentru a grupa obiecte împreună sau algoritmi de asociere atunci când găsim legături între diferite obiecte etc.

5. Antrenarea algoritmilor

Odată ce am selectat algoritmul, trecem la antrenarea modelului în care introducem date în model, ținând cont de importanța acurateței modelului.

Echipa noastră de ingineri înțelege că stabilirea pragului minim acceptabil și aplicarea disciplinei statistice sunt pașii cheie pentru a accelera dezvoltarea IA , într-un mod în care aceasta necesită o reglare minimă mai târziu.

Pentru antrenarea algoritmilor și pentru a parcurge următorii pași de dezvoltare, angajăm experți în tehnologie care sunt experți în Python, R, Java și C++. În funcție de nevoile proiectului, implicăm și experți care înțeleg Julia – limbajul de top pentru dezvoltarea aplicațiilor de învățare automată .

6. Desfăşurarea Proiectului

În general, sfătuim partenerii noștri să folosească platforme gata făcute, cum ar fi Machine Learning as a Service, pentru nevoile lor de lansare și implementare a produselor. Aceste platforme sunt dezvoltate pentru a simplifica și a facilita inteligența artificială și pentru a ajuta faza de implementare a unui proiect AI . De asemenea, oferă analize avansate bazate pe cloud, care pot fi utilizate pentru a adăuga în diferite limbi și algoritmi.

[Citiți și: Luați în considerare pași importanți pentru a scrie un plan de proiect magistral]

Întrebări frecvente despre pașii managementului de proiect AI

Î. Cum să începeți cu inteligența artificială și învățarea automată

Există șase pași care sunt acoperiți în procesul de management al proiectului AI: identificarea problemei, testarea potrivirii soluției problemei, gestionarea datelor, selectarea algoritmului potrivit, antrenamentul algoritmului și implementarea produsului pe platforma potrivită.

Î. Care este o idee bună pentru un proiect de inteligență artificială?

Inteligența artificială a obținut un domeniu de aplicare într-un număr de industrii. Ceea ce este necesar este să găsiți un caz de utilizare care să încorporeze tehnologia într-un mod în care datele generate să fie organizate și convertite în analiză acționabilă. Este important să fii realist cu privire la așteptările tale de la soluțiile AI în ceea ce privește tratarea lor ca pe un instrument care ajută la dezvoltarea serviciului tău, în loc să devină un serviciu în sine.

Î. Sunt proiectele AI mai bune decât proiectele IT tradiționale?

Depinde de la situație la situație. Există într-adevăr unele proiecte care se descurcă mai bine cu includerea AI, în timp ce există alte aplicații care devin inutil de complexe odată cu integrarea tehnologiei. În cele din urmă, depinde de cazul de utilizare și de cât de apreciat ar deveni cu inteligența artificială.