Как управлять ИИ-проектами: от точки зрения к готовому решению

Вопрос о том , позволяет ли ИИ компаниям оптимизировать свои процессы и помогать им в предоставлении упреждающих решений, был решен цифровым миром.

Сегодня в мире вряд ли найдется какая-либо отрасль, которая не обращала бы внимания на высокий доход и потенциал предложения ценности, которыми обладает искусственный интеллект. Декларативный факт, очевидный из многообещающих тенденций в области технологий ИИ на 2020 год и позже.

Это быстрое внедрение, хотя, с одной стороны, принесло много преимуществ как для бизнеса, так и для конечных пользователей, с другой стороны, оно находится на очень естественной стадии. Это означает, что предприятиям еще предстоит найти конкретные варианты использования и вернуть эффективность. Это сочетание зарождения и преимуществ породило ряд вопросов о том, как управлять вашими проектами ИИ .

Видя, насколько сложность лежит в самом центре решений по управлению проектами ИИ, важно понимать тонкости управления проектами ИИ .

В этой статье мы отвечаем на все вопросы и элементы, связанные с тем, как мы в Appinventiv осуществляем управление проектами ИИ, и шаги, которые мы выполняем, чтобы успешно преобразовать Proof of Value (POV) в эффективные решения и услуги ИИ .

Таблица содержания

1. Чем проект ИИ отличается от традиционных проектов?
2. Разделение ИИ на две отдельные категории
3. Небольшой отход: понимание столпов успеха проекта ИИ
4. Проблемы разработки проектов ИИ: почему проекты ИИ терпят неудачу
5. Отвечая на вопрос часа: как управлять своими проектами ИИ
6. Часто задаваемые вопросы об этапах управления проектами ИИ

Чем проект ИИ отличается от традиционных проектов?

Управление проектами ИИ требует другого подхода, если проводить параллели между ними и традиционным управлением проектами мобильных приложений. Это означает, что различия между проектами ИИ и традиционными ИТ-проектами многообразны.

Традиционный процесс разработки мобильных приложений — это конкретное решение. Всякий раз, когда становится трудно определить решение, результаты становятся неопределенными и рискованными. Этот тип разработки подпадает под программирование сверху вниз.

Напротив, в случае Proof of Value (POV) проектов ИИ используется восходящий подход. В этом случае ИИ делает выводы из собственных правил и процессов работы с обширным набором данных.

Ландшафт развития ИИ также имеет тенденцию открывать несколько возможностей по мере созревания цикла. Это означает, что для того, чтобы проект считался завершенным, он должен пройти несколько этапов разведки, находок и испытаний. Хотя результат такого подхода почти всегда приносит высокую прибыль, он часто приводит к высокой стоимости разработки и увеличению сроков разработки.

Последняя часть вопроса о том, как управлять вашими проектами ИИ, заключается в том, чтобы сделать управление изменениями неотъемлемой частью Agile-процесса. Принцип, по которому обычно работают менеджеры программ ИИ, — отказоустойчивость, при этом идея состоит в том, чтобы быстро изучить и потерпеть неудачу в самом начале неправильного подхода, а не на более позднем этапе процесса разработки.

Разделение ИИ на две отдельные категории

Первая часть планирования вашего проекта ИИ начинается с того, что наша команда понимает, к какой категории он относится. Первая категория связана с обычными проектами, такими как перевод одного языка на другой или преобразование изображений в слова. Вторая категория более сложная. Он выполняет такие задачи, как обнаружение сердцебиения или мониторинг сна.

Эти две категории требуют двух разных решений — включение существующего ИИ или создание пользовательских решений для управления проектами ИИ .

Существующие решения искусственного интеллекта

Есть ряд событий, когда включение ИИ стало обычным явлением. То есть есть готовые инструменты, которые нашим инженерам только и нужны, чтобы интегрировать ИИ в приложения . Некоторые из платформ, которые обычно использует наша команда, включают Microsoft Azure AI, Google AI Platform, Amazon Machine Learning и т. д.

Индивидуальные решения искусственного интеллекта

В случае, если у нас есть сложный проект, как недавно мы сделали приложение для здравоохранения на основе нейронной сети, которое дает пользователям представление об их здоровье на основе их голоса, мы должны прибегнуть к разработке индивидуального решения ИИ. Чтобы упростить этот процесс, Android 11 будет использовать свой новый API нейронных сетей 1.3, чтобы обеспечить бесперебойную работу ваших приложений машинного обучения на устройствах.

Небольшой отход: понимание столпов успеха проекта ИИ

Наше путешествие с искусственным интеллектом началось еще в 2019 году. Нам потребовался длительный срок поставки, чтобы понять, что секрет успеха проекта ИИ заключается в двух столпах — людях и данных. Только при наличии двух столпов ИИ способен полностью улучшить качество обслуживания клиентов.

Мы начали с привлечения экспертов из разных разделов, которых придерживалось приложение, независимо от того, обладали ли они технической экспертизой. Чтобы сделать систему ИИ эффективной и беспристрастной, необходимо было ввести в алгоритм данные, специфичные для предметной области.

Следующей частью — второй опорой — были данные. Данные, если они хранятся неправильно или не полностью, совершенно бесполезны. Теперь есть два типа данных, которые выбрасывает бизнес — структурированные (например, дата рождения, адрес и т. д.) и неструктурированные данные (счета-фактуры, голосовые записи, электронные письма и т. д.). В процессе управления проектами ИИ вы должны учитывать оба типа данных.

Есть определенные шаги, которые должны пройти данные, чтобы стать теми, которые можно использовать для глубокого обучения или искусственного интеллекта. Те, над которыми работает наша команда инженеров по данным, когда мы разрабатываем решения искусственного интеллекта (ИИ) для масштабирования и корпоративных клиентов .

Чем быстрее данные найдут место в этой пирамиде, основанной на иерархии Маслоу , тем быстрее начнет работать ваш проект ИИ, и тем больше будет возможностей для инженеров, работающих над моделированием, вместо того, чтобы сосредоточиться на фильтрации данных.

Результатом нашего исследовательского путешествия стало понимание различных проблем, возникающих при поиске ответа на вопрос о том, что создает ценное решение ИИ . Давайте рассмотрим эти проблемы, прежде чем познакомим вас с этапами управления проектами ИИ таким образом, чтобы их Доказательство ценности (POV) отражалось в конечной системе.

Проблемы разработки проектов ИИ: почему проекты ИИ терпят неудачу

Если мы сядем за составление списка проблем, с которыми сталкиваются компании при внедрении ИИ , список будет очень обширным. Но в основе всего, почему Proof of Values ​​терпит неудачу , лежат две основные причины — несоответствие ожиданий и недостаточные возможности управления данными. Причины, которые мешают бизнесу зарабатывать деньги на ИИ .

Неверные ожидания

Чаще всего большинство проектов ИИ не увидят свет из-за несовпадения ожиданий. Коренная причина проблем искусственного интеллекта в бизнесе часто возникает из-за повышенных краткосрочных ожиданий от технологии, которая по своей природе работает в долгосрочном режиме.

Следующий случай несоответствия ожиданий можно увидеть в компаниях, которые предполагают, что их решение на основе ИИ будет достаточно точным, чтобы соответствовать различным представлениям пользователей. Например, в случае приложения для потоковой передачи музыки предположение, что «следующая песня», которую предлагает ваш ИИ, — это именно то, что, по мнению пользователя, принадлежит к жанру, является проблемной областью. Именно по этой причине компании часто используют слово «может» при демонстрации продуктов или услуг, которые могут заинтересовать их пользователей.

Неэффективное управление данными

ИИ склонен принимать неверные решения на основе неправильных наборов данных. Проблема в решениях по управлению проектами ИИ возникает, когда данные неверны или неполны — короче говоря, не готовы вписаться в модель ИИ.

Чтобы система ИИ работала должным образом, необходимы уточненные данные, которые система может использовать для изучения и анализа закономерностей. Когда мы создаем готовый к ИИ набор данных, мы в первую очередь уделяем внимание разделению структурированной и неструктурированной информации в соответствии с современной стратегией сбора данных .

Отвечая на вопрос часа: как управлять своими проектами ИИ

1. Определение проблемы

Первым шагом для нас, когда дело доходит до управления проектами ИИ, является выявление проблемы. Мы начинаем с того, что задаем нашим партнерам два вопроса: «Что вы готовы решить?» и «Каков желаемый результат для вас?»

При выборе постановки задачи важно понимать, что ИИ сам по себе является не решением, а средством/инструментом для удовлетворения потребности. При этом мы выбираем несколько решений, на которые можно опираться с помощью ИИ и не зависеть от него.

2. Проверка соответствия решения проблемы

Этот этап в идеале отвечает за то, как начать проект ИИ . Прежде чем мы начнем процесс разработки проекта ИИ, сначала важно протестировать и убедиться, что люди готовы платить за то, что вы создаете.

Мы проверяем соответствие проблемы и решения с помощью ряда методов, таких как традиционный бережливый подход и спринт по дизайну продукта .

Одна из лучших особенностей технологии ИИ заключается в том, что очень легко создать базовую версию решения с использованием реальных людей или MVP. Преимущество этого заключается не только в простом анализе решения, но и в своевременной гарантии того, что продукт действительно нуждается в решении ИИ.

3. Подготовка и управление данными

Достигнув момента, когда мы знаем, что существует клиентская база для вашего решения, и вы уверены, что ИИ может быть создан, мы начинаем управлять проектами машинного обучения, собирая данные и управляя ими.

Начнем с разделения имеющихся данных на структурированные и неструктурированные формы. Хотя этот этап довольно прост, когда мы работаем со стартапом или компанией, у которой нет нескольких данных, создание нескольких прикладных решений ИИ для предприятия является сложной задачей. Как правило, крупные фирмы имеют огромные собственные базы данных данных, которые могут быть готовы для ИИ, и что может сделать его еще более сложным, так это тот факт, что данные могут храниться в хранилищах.

Наши инженеры данных начинают с организации и очистки данных, где в принципе они определяют хронологический порядок и добавляют метки там, где это необходимо.

4. Выбор правильного алгоритма

Хотя, чтобы сохранить суть статьи, мы не будем упоминать здесь технические особенности алгоритмов ИИ, но важно знать, что существуют разные типы алгоритмов, которые различаются в зависимости от вашего обучения.

• Контролируемое обучение

По своей сути классификация предсказывает метку, а регрессия предсказывает количество. Обычно мы выбираем алгоритмы классификации, когда хотим понять вероятность возникновения события, например вероятность дождя завтра.

С другой стороны, мы используем алгоритмы регрессии, когда нам нужно количественно оценить сценарий, например, когда мы хотим узнать вероятность затопления района.

Есть несколько других алгоритмов, которые наши инженеры выбирают в зависимости от требований проекта: наивная байесовская классификация, случайный лес, логистическая регрессия и метод опорных векторов.

• Неконтролируемое обучение

Выбор алгоритма здесь будет совсем другим, поскольку данные не организованы или относятся к определенному типу. Мы могли бы использовать алгоритмы кластеризации для группировки объектов или алгоритмы ассоциации при поиске связей между различными объектами и т. д.

5. Обучение алгоритмов

После того, как мы выбрали алгоритм, мы переходим к обучению модели, в которой мы вводим данные в модель, учитывая важность точности модели.

Наша команда инженеров понимает, что установка минимально приемлемого порога и применение статистической дисциплины являются ключевыми шагами для ускорения разработки ИИ таким образом, что позже потребуется минимальная тонкая настройка.

Для обучения алгоритмов и выполнения следующих шагов разработки мы нанимаем технических экспертов, которые хорошо разбираются в Python, R, Java и C++. В зависимости от потребностей проекта мы также привлекаем экспертов, которые понимают Julia — лучший язык для разработки приложений машинного обучения .

6. Развертывание проекта

Как правило, мы советуем нашим партнерам использовать готовые платформы, такие как «Машинное обучение как услуга», для запуска и развертывания их продуктов. Эти платформы разработаны для упрощения и упрощения работы с искусственным интеллектом, а также для помощи на этапе развертывания проекта ИИ . Они также предоставляют расширенную облачную аналитику, которую можно использовать для добавления на разных языках и алгоритмах.

[Также читайте: рассмотрите важные шаги для написания искусного плана проекта]

Часто задаваемые вопросы об этапах управления проектами ИИ

Q. Как начать работу с искусственным интеллектом и машинным обучением

Процесс управления проектами ИИ состоит из шести этапов: выявление проблемы, проверка пригодности решения проблемы, управление данными, выбор правильного алгоритма, обучение алгоритма и развертывание продукта на правильной платформе.

В. Какова хорошая идея для проекта искусственного интеллекта?

ИИ получил распространение в ряде отраслей. Что необходимо, так это найти вариант использования, который включает технологию таким образом, чтобы сгенерированные данные были организованы и преобразованы в действенный анализ. Важно реалистично относиться к своим ожиданиям от решений ИИ с точки зрения отношения к ним как к инструменту, помогающему в продвижении вашего сервиса, а не как к самому сервису.

В. Являются ли проекты ИИ лучше традиционных ИТ-проектов?

Это зависит от ситуации к ситуации. Есть действительно некоторые проекты, которые лучше работают с включением ИИ, в то время как есть другие приложения, которые становятся излишне сложными с интеграцией технологии. В конечном счете, это зависит от варианта использования и от того, насколько ценным он станет с искусственным интеллектом.