Cum rezolvăm problemele de dezvoltare AI pe care trebuie să le întâlniți

Majoritatea mediului tradițional, convențional de dezvoltare a software-ului urmează fazele obișnuite, care includ analiza, planificarea, proiectarea, construirea, asigurarea calității și implementarea.

Mediul de dezvoltare a inteligenței artificiale funcționează însă diferit. În cazul proiectelor AI, dezvoltarea se concentrează pe identificarea sursei de date și colectarea datelor, curățarea acestora și transformarea lor în perspective. O astfel de abordare necesită o mentalitate și un set de abilități diferite.

Acest neconvenționalism care este conectat în rețea în proiectele de inteligență artificială vine cu un set cu totul nou de probleme și răspunsuri pentru cum să rezolvi provocările de dezvoltare a AI .

Echipa noastră de specialiști în dezvoltarea inteligenței artificiale a lucrat la aproximativ 7 soluții cu drepturi depline și peste 17 POC, niciunul dintre acestea nu aparțin aceleiași industrii. Expunerea la locul de muncă ne-a clarificat câteva lucruri –

1. Nu vă puteți aștepta ca rezultatul proiectului dvs. de dezvoltare software AI să fie același cu cel al unui produs convențional, deoarece cu AI, jocul se bazează mai mult pe succes și încercări.
2. Veți putea implementa cel mai bine strategiile și programele AI în afacerea dvs. atunci când întreaga echipă este la bord, și nu doar tehnicienii.
3. Ca și în cazul proiectelor de aplicații non-AI, limitările în cazul proiectelor AI variază de la o idee la alta. Dar există unele provocări și soluții de dezvoltare a AI care sunt similare între produse.

Săpând la a treia învățare, există probleme care sunt similare între produse, indiferent de ideea care le susține. Indiferent de aplicația pe care am dezvoltat-o, am întâmpinat aceste probleme, făcând să presupunem că acestea sunt recurente.

Pentru a îmbogăți antreprenorilor o abordare proactivă, sau inginerii de date au enumerat problemele care apar frecvent la adoptarea serviciilor de dezvoltare AI, împreună cu înțelegerea lor față de dificultățile și oportunitățile individuale ale inteligenței artificiale.

Provocări și soluții de dezvoltare AI

1. Probleme de colectare și gestionare a datelor

Afirmația că sistemul AI este la fel de bun ca datele pe care se bazează, deși este comună, vine cu mai multe probleme inerente. Problemele care apar pe acest front sunt în principal în ceea ce privește colectarea datelor și rafinarea acesteia. Dar există și alte provocări, cum ar fi...

A. Calitatea și cantitatea datelor

După cum sa menționat mai sus, calitatea sistemului AI depinde în mare măsură de cantitatea și calitatea datelor care sunt introduse în sistem. Pentru a identifica tiparele și a se comporta așa cum se așteaptă de la ele, AI are nevoie de multe date de calitate.

La Appinventiv , începem procesul de implementare a strategiilor și programelor AI prin enumerarea datelor pe care le avem și a datelor de care modelul trebuie să funcționeze. Pentru a face acest lucru, folosim atât datele deschise, cât și căutarea setului de date Google pentru a obține acces la datele care ajută la formarea modelului.

• Etichetarea datelor

Până acum câțiva ani, majoritatea datelor erau textuale și structurate. Dar odată cu apariția experienței clienților omnicanal și a Internetului lucrurilor, tipul de date care este alimentat în sistemul de afaceri este în mare parte nestructurat. Problema este că majoritatea sistemelor AI sunt instruite să lucreze în jurul seturilor de date supravegheate.

La Appinventiv , folosim mai multe abordări pentru a gestiona etichetarea datelor, care se învârte în principal în jurul programării datelor și etichetării sintetice, a sistemului de buclă de feedback etc. atunci când răspundem la modul de rezolvare a provocărilor de dezvoltare AI .

• Prejudicierea datelor

Poveștile despre părtinirea AI sunt larg răspândite. Întrebarea este cum se întâmplă asta, mai ales că tehnologia nu este conștientă și, prin urmare, nu poate avea intenții rele, nu?

Prejudecățile favorizează din datele colectate greșit. Aceasta este concluzia. Când sursa datelor este părtinitoare, sistemul devine discriminatoriu.

Ne uităm la toate datele, asigurându-ne că sunt imparțiali încă de la început. În acest fel, atunci când intră în sistemul AI, nu există niciun domeniu de părtinire în imagine.

• Învățare centrată pe caz

Inteligența umană ne permite să aplicăm experiența dintr-un domeniu în altul. Nu este ceva pe care AI-ul se poate descurca cu ușurință.

Instrumentele bazate pe inteligență artificială pentru afaceri sunt specializate. Ar trebui să îndeplinească o sarcină cu o singură mână. În funcție de complexitatea sa de bază, AI poate fi foarte dificil să folosească experiența pe care a obținut-o dintr-un proiect pentru a o folosi în altul.

Folosim o abordare Transfer Learning în care antrenăm modelul AI pentru a îndeplini o sarcină și apoi aplicăm învățarea unei activități similare. Înseamnă că modelul conceput pentru sarcina A poate fi folosit ulterior ca punct de plecare pentru modelul sarcinii B.

2. Probleme centrate pe oameni

Chiar și în mijlocul adoptării IA pe scară largă, sunt luate în calcul resursele umane care se simt confortabil să lucreze în jurul tehnologiei. Acest lucru, la rândul său, provoacă o serie de provocări persistente pentru companii, atât pe termen scurt, cât și pe termen lung, atunci când creează aplicații bazate pe inteligență artificială .

• Lipsa înțelegerii în rândul angajaților netehnici

Implementarea AI necesită ca managementul să înțeleagă tehnologiile AI, oportunitățile și limitările acestora etc. absența know-how-ului împiedică adoptarea corectă a AI în afaceri, în locurile în care aceasta poate, în realitate, să aibă un impact.

• Raritatea specialiștilor de domeniu

Ceea ce are nevoie industria AI sunt experți care au un amestec de înțelegere tehnică și cunoștințe de piață pentru problemele și tehnicile AI . Problema este că găsirea de resurse interne cu normă întreagă care să aibă o combinație a ambelor este foarte dificilă, mai ales în cazul în care grupul FAMGA angajează talente care au abilitățile de bază necesare pentru dezvoltarea software-ului AI.

Acesta este motivul numărul unu pentru care companiile își externalizează adesea dezvoltarea de soluții AI către o companie de dezvoltare de aplicații AI precum a noastră, care este formată dintr-o echipă de experți care au, de asemenea, o cunoaștere aprofundată a industriilor.

3. Provocări de integrare

Adăugarea sau integrarea inteligenței artificiale în sistemul dvs. actual este un proces mult mai complicat decât adăugarea unui plugin în browser. Există mai multe elemente și interfețe care trebuie configurate pentru a răspunde nevoilor dvs. de afaceri.

Echipa noastră de cercetători ia în considerare nevoile dvs. individuale de infrastructură de date, etichetarea datelor, stocarea și procesul de alimentare cu date în sistem, astfel încât să nu trebuiască să vă confruntați cu nicio problemă de implementare a aplicației AI la pornire . De asemenea, lucrăm la antrenarea modelului și la testarea eficienței AI, dezvoltând astfel o buclă de feedback pentru îmbunătățirea modelelor pe baza acțiunilor oamenilor.

4. Capabilitati de infrastructura

Manipularea datelor și calcularea acestora, stocarea, scalarea, securitatea, extensibilitatea etc. sunt toate necesare pentru ca întreprinderile să implementeze soluții AI. Succesul unei afaceri atunci când implementează o soluție AI începe cu a răspunde cât de adecvat este mediul lor de infrastructură și cât de bine suportă sarcinile de lucru și aplicațiile AI. Răspunsul, din păcate, este, de asemenea, una dintre cele mai mari provocări ale AI pentru întreprinderi .

Există câteva lucruri de care analiștii noștri de afaceri iau notă în stadiile incipiente:

• Combinația potrivită de capacități de stocare și procesare de mare viteză pentru susținerea modelelor de învățare profundă și de învățare automată.
• Cel mai bun software care poate fi optimizat și reglat pentru a se potrivi cu hardware-ul de bază.
• O interfață care gestionează majoritatea componentelor și pieselor mobile.
• O infrastructură care poate fi implementată în cloud sau în centrul de date local pentru performanță optimizată.

5. Lipsa abilităților de multi-tasking

Modelele de învățare profundă sunt extrem de ușor de antrenat. Odată ce cursul se termină, puteți fi sigur că soluția își va îndeplini cel mai bine sarcina, indiferent dacă este identificarea obiectelor sau recomandarea produselor pe baza istoricului căutărilor clienților dvs.

Aceasta este una dintre cele mai mari probleme ale AI atunci când doriți ca sistemul să facă mai multe sarcini. De exemplu, atunci când doriți ca AI să identifice persoana dintr-un videoclip și să urmărească originile melodiei care se redă în fundal, eficiența se va pierde.

O soluție la această problemă, pe care inginerii noștri de date au identificat-o, este utilizarea rețelelor neuronale progresive . Înseamnă, conectarea unor modele de deep learning separate într-un mod în care biții de informație pot trece cu ușurință. Deși încă nu aplicăm modelul în practică, metoda s-a dovedit a fi extrem de utilă în dezvoltarea brațelor robotice - grăbindu-le învățarea de la săptămâni la doar o zi.

Aceasta a fost opinia noastră asupra provocărilor și soluțiilor de dezvoltare a AI. Dar sfaturile pentru a depăși dificultățile de dezvoltare a AI nu se termină doar cu acestea. Pe măsură ce vă aprofundați în lumea elaborării și implementării proiectelor AI, veți descoperi că implementarea problemelor AI pentru a rezolva și a oferi răspunsuri afacerilor se rezumă în cele din urmă la setul de abilități și la înțelegerea tehnică și comercială pe care compania dvs. de dezvoltare a inteligenței artificiale parteneră le are.

6. Interacțiunea la nivel uman

Aceasta este, probabil, principala provocare în AI, una care i-a salvat pe cercetători pe marginea serviciilor AI în organizații și noile afaceri. Aceste organizații se pot lăuda cu o precizie de peste 90%, totuși oamenii se pot îmbunătăți în toate aceste situații. De exemplu, lăsați modelul nostru să prezică dacă imaginea este a unui câine sau a unei pisici. Omul poate prevedea ieșirea corectă de fiecare dată fără greș, ștergând o precizie uluitoare de peste 99%.

Pentru ca un model de învățare profund să aibă o performanță similară, ar necesita o reglare fină remarcabilă, avansarea hiperparametrilor, un set de date uriaș și un algoritm bine definit și precis, alături de putere de procesare robustă, instruire continuă cu privire la datele de tren și testarea datelor de testare. Sună ca o tonă de muncă și, în realitate, este de multe ori mai supărător decât pare.

O soluție unică prin care puteți încerca să nu faceți toată munca dificilă este pur și simplu să utilizați o organizație specializată, deoarece acestea pot pregăti modele explicite de învățare profundă folosind modele pre-instruite. Sunt instruiți pe un număr mare de imagini și sunt ajustați pentru cea mai mare precizie.

7. Lipsa datelor

Întrucât companii importante precum Google, Facebook și Apple se confruntă cu acuzații privind utilizarea neetică a datelor generate de utilizatori, diverse țări, cum ar fi India, folosesc reguli IT stricte pentru a restricționa fluxul. Astfel, aceste companii se confruntă acum cu problema utilizării datelor locale pentru dezvoltarea de aplicații pentru lume, iar asta ar duce la părtinire.

Cu organizații mari, cum ar fi Google, Facebook și Apple, care se confruntă cu acuzații cu privire la utilizarea neetică a datelor generate de utilizatori, diferite națiuni, cum ar fi India, folosesc reguli IT severe pentru a limita fluxul de date. Prin urmare, aceste organizații se ocupă în prezent de problema utilizării informațiilor locale din apropiere pentru crearea de aplicații pentru lume, ceea ce ar aduce un rezultat părtinitor.

Datele sunt un aspect vital al AI, iar informațiile etichetate sunt utilizate pentru a antrena mașinile să învețe și să facă predicții. Câteva organizații încearcă să inventeze noi strategii și se concentrează pe dezvoltarea modelelor AI care pot oferi rezultate precise, indiferent de deficitul de date. Cu date unilaterale sau informații părtinitoare, întregul sistem ar putea deveni defect.

Gânduri de încheiere

Cu o cerere din ce în ce mai mare pentru aplicații adaptabile, sigure și unice, există o tensiune uriașă în comunitatea de dezvoltare. În astfel de cazuri, adoptarea tehnologiei AI va oferi soluții de bază și un loc favorabil pentru a genera inovație. Inteligența artificială și învățarea automată sunt fără îndoială viitorul programării și dezvoltării software, iar adoptarea acestora este cea mai bună alegere pe care o pot face organizațiile.

Procesul de dezvoltare a aplicației cuprinde o serie de activități și un expert care să-l efectueze. Dezvoltarea contribuie în mod semnificativ la diferiții factori ai dezvoltării AI în funcție de locație, cum ar fi factorul de preț, dezvoltarea, instrumentele etc. depind de la un loc la altul, de la serviciile de dezvoltare AI în SUA până la serviciile din alte părți ale globului.

Întrebări frecvente despre provocările și soluțiile de dezvoltare ale AI

Î. Cu ce ​​provocări se confruntă companiile atunci când implementează AI?

Există o serie de probleme cu care se confruntă companiile atunci când implementează AI în afacerea lor. Iată câteva dintre ele -

• Colectarea și rafinarea datelor
• Lipsa setului de abilități
• Provocări de integrare
• Capabilitati de infrastructura

Î. Cum să rezolvi provocările de dezvoltare a AI?

Soluțiile la problemele de dezvoltare a AI se reduc în cele din urmă la parteneriatul cu o echipă de experți calificați în AI și la înțelegerea utilizatorilor și a pieței pe care se va concentra soluția.

Î. Care sunt preocupările etice majore cu privire la utilizarea AI?

Acestea sunt unele dintre cele mai proeminente preocupări etice din jurul inteligenței artificiale - pierderea locurilor de muncă, părtinire, scopul AI care face greșeli grave la scară în masă, probabilitatea ca oamenii să modifice seturile de date pentru a-și îndeplini motivele ascunse.