วิธีจัดการโครงการ AI: จาก POV เป็นโซลูชันที่พร้อมดำเนินการ

คำถามที่ว่า AI ช่วยให้บริษัทต่างๆ สามารถปรับปรุงกระบวนการของพวกเขา และช่วยพวกเขาในการนำเสนอโซลูชั่นเชิงรุกได้หรือไม่นั้นได้รับคำตอบและปัดฝุ่นโดยโลกดิจิทัล

แทบไม่มีอุตสาหกรรมใดในโลกทุกวันนี้ที่มองข้ามรายได้สูงและศักยภาพในการนำเสนอมูลค่าที่ปัญญาประดิษฐ์มาพร้อมกับ ข้อเท็จจริงที่เปิดเผยชัดเจนจาก แนวโน้มเทคโนโลยี AI ที่มีแนวโน้มในปี 2020 และหลังจากนั้น

การนำไปใช้อย่างรวดเร็วนี้ ในขณะที่มีประโยชน์มากมายสำหรับทั้งธุรกิจและผู้ใช้ปลายทาง แต่ในทางกลับกันก็อยู่ในขั้นตอนดั้งเดิม หมายความว่า ธุรกิจต่างๆ ยังไม่พบกรณีการใช้งานที่เป็นรูปธรรมและผลตอบแทนที่ได้รับ การผสมผสานระหว่างความเพิ่งเกิดและผลประโยชน์นี้ทำให้เกิดคำถามมากมาย เกี่ยวกับวิธีจัดการโครงการ AI ของ คุณ

เมื่อเห็นว่าความซับซ้อนอยู่ที่ศูนย์กลางของโซลูชันการจัดการโครงการ AI สิ่งสำคัญคือต้องเข้าใจความซับซ้อนของ การ จัดการโครงการ AI

ในบทความนี้ เราจะตอบทุกคำถามและทุกองค์ประกอบเกี่ยวกับวิธีที่ Appinventiv ดำเนิน การจัดการโครงการ AI และขั้นตอนที่เราปฏิบัติตามเพื่อเปลี่ยน Proof of Value (POV) เป็น โซลูชันและบริการ AI ที่มี ประสิทธิภาพ

สารบัญ

1. โครงการ AI แตกต่างจากโครงการทั่วไปอย่างไร
2. แบ่ง AI ออกเป็นสองหมวดหมู่ที่แตกต่างกัน
3. ทางอ้อมเล็กน้อย: ทำความเข้าใจเสาหลักของความสำเร็จของโครงการ AI
4. ความท้าทายของการพัฒนาโครงการ AI: ทำไมโครงการ AI ถึงล้มเหลว
5. ตอบคำถามประจำชั่วโมง: วิธีจัดการโครงการ AI ของคุณ
6. คำถามที่พบบ่อยเกี่ยวกับขั้นตอนของการจัดการโครงการ AI

โครงการ AI แตกต่างจากโครงการทั่วไปอย่างไร

การจัดการโครงการ AI เรียกร้องให้มีแนวทางที่แตกต่างออกไปเมื่อมีการเปรียบเทียบความคล้ายคลึงระหว่างพวกเขากับการจัดการโครงการแอปบนอุปกรณ์เคลื่อนที่แบบเดิม ความหมาย ความ แตกต่างระหว่างโครงการ AI และโครงการไอทีแบบเดิม มีมากมาย

กระบวนการพัฒนาแอพมือถือ แบบดั้งเดิม เป็นโซลูชันที่ระบุ เมื่อใดก็ตามที่ระบุวิธีแก้ปัญหาได้ยาก ผลลัพธ์จะไม่แน่นอนและมีความเสี่ยง ประเภทการพัฒนานี้อยู่ภายใต้การเขียนโปรแกรมจากบนลงล่าง

ในทางตรงกันข้าม ในกรณีของ Proof of Value (POV) ของโครงการ AI จะใช้แนวทางจากล่างขึ้นบน ในกรณีดังกล่าว AI จะดึงข้อสรุปจากกฎเกณฑ์และกระบวนการทำงานของตัวเองกับชุดข้อมูลจำนวนมาก

แนวการพัฒนา AI ยังเปิดโอกาสหลายอย่างเมื่อวัฏจักรเติบโตขึ้น หมายความว่า โครงการจะถือว่าสมบูรณ์นั้นต้องผ่านหลายขั้นตอนของการสำรวจ การโจมตี และการทดลอง แม้ว่าผลลัพธ์ของวิธีการจะเป็นมิตรกับรายรับสูงเกือบทุกครั้ง แต่ก็มักจะนำไปสู่ต้นทุนการพัฒนาที่สูงและระยะเวลาในการพัฒนาที่ยืดเยื้อ

ส่วนสุดท้ายของคำถาม เกี่ยวกับวิธีจัดการโครงการ AI ของคุณนั้น อยู่ที่การทำให้การจัดการการเปลี่ยนแปลงเป็นส่วนสำคัญของกระบวนการ Agile หลักการที่ ผู้จัดการโปรแกรม AI ทำงานโดยทั่วไปนั้นล้มเหลวอย่างรวดเร็ว โดยแนวคิดคือการสำรวจอย่างรวดเร็วและล้มเหลวตั้งแต่เริ่มต้นแนวทางที่ผิด แทนที่จะเป็นในขั้นตอนต่อมาในกระบวนการพัฒนา

แบ่ง AI ออกเป็นสองหมวดหมู่ที่แตกต่างกัน

ส่วนแรกของการวางแผนโครงการ AI ของคุณเริ่มต้นด้วยทีมของเราที่เข้าใจหมวดหมู่ที่เป็นของ ประเภทที่หนึ่งเกี่ยวข้องกับโครงการที่มีลักษณะทั่วไป เช่น การแปลภาษาหรือการแปลงภาพเป็นคำ ประเภทที่สองมีความซับซ้อนมากขึ้น มันจัดการงานต่าง ๆ เช่นการตรวจจับการเต้นของหัวใจหรือการตรวจสอบการนอนหลับ

ทั้งสองประเภทเรียกร้องให้มีโซลูชันที่แตกต่างกันสองแบบ - การรวม AI ที่มีอยู่หรือการสร้าง โซลูชันการจัดการโครงการ AI แบบกำหนด เอง

โซลูชันปัญญาประดิษฐ์ที่มีอยู่

มีหลายเหตุการณ์ที่การรวม AI กลายเป็นเรื่องธรรมดาและเป็นกระแสหลัก หมายความว่ามีเครื่องมือสำเร็จรูปที่วิศวกรของเราต้อง ผสานรวม AI เข้ากับแอปพลิเคชัน เท่านั้น แพลตฟอร์มบางส่วนที่ทีมของเรามักใช้ ได้แก่ Microsoft Azure AI, Google AI Platform และ Amazon Machine Learning เป็นต้น

โซลูชันปัญญาประดิษฐ์ที่กำหนดเอง

ในกรณีที่มีโครงการที่ซับซ้อนอยู่ในมือ เช่นเดียวกับเมื่อเร็ว ๆ นี้เราได้สร้าง แอปการดูแลสุขภาพที่ขับเคลื่อนด้วยโครงข่ายประสาทเทียม ซึ่งให้ข้อมูลเชิงลึกแก่ผู้ใช้เกี่ยวกับสุขภาพของพวกเขาบนพื้นฐานของเสียงของพวกเขา เราต้องหันไปใช้การพัฒนาโซลูชัน AI แบบกำหนดเอง เพื่อให้กระบวนการนี้ง่ายขึ้น Android 11 จะใช้ Neural Networks API 1.3 ใหม่ เพื่อให้แอป Machine Learning ของคุณทำงานบนอุปกรณ์ต่างๆ ได้อย่างราบรื่น

ทางอ้อมเล็กน้อย: ทำความเข้าใจเสาหลักของความสำเร็จของโครงการ AI

การเดินทางด้วยปัญญาประดิษฐ์เริ่มต้นขึ้นในปี 2019 เราต้องใช้เวลาในการส่งมอบนานขึ้นเพื่อทำความเข้าใจว่าเคล็ดลับสู่ความสำเร็จของโครงการ AI นั้นอยู่ในสองเสาหลัก – ผู้คนและข้อมูล มีเพียงสองเสาหลักเท่านั้นที่ AI สามารถปรับปรุงประสบการณ์ของลูกค้าได้ อย่างครบถ้วน

เราเริ่มต้นด้วยการนำผู้เชี่ยวชาญจากส่วนต่างๆ ที่แอปพลิเคชันปฏิบัติตามโดยไม่คำนึงถึงว่าพวกเขามีความเชี่ยวชาญด้านเทคนิคหรือไม่ จำเป็นต้องป้อนข้อมูลเฉพาะโดเมนลงในอัลกอริธึมเพื่อให้ระบบ AI มีประสิทธิภาพและเป็นกลาง

ส่วนต่อไป – เสาที่สอง – คือข้อมูล ข้อมูลเมื่อไม่ถูกจัดเก็บอย่างถูกต้องหรือเมื่อไม่ครบถ้วนก็ไร้ประโยชน์โดยสิ้นเชิง ขณะนี้ มีข้อมูลสองประเภทที่ธุรกิจส่งออก - มีโครงสร้าง (เช่น วันเดือนปีเกิด ที่อยู่ ฯลฯ) และข้อมูลที่ไม่มีโครงสร้าง (ใบแจ้งหนี้ การบันทึกเสียง อีเมล ฯลฯ) เมื่ออยู่ในขั้นตอนการจัดการโครงการ AI คุณต้องพิจารณาข้อมูลทั้งสองประเภท

มีขั้นตอนบางอย่างที่ข้อมูลต้องผ่านเพื่อให้กลายเป็นขั้นตอนที่สามารถใช้สำหรับการเรียนรู้เชิงลึกหรือปัญญาประดิษฐ์ ทีมงานวิศวกรข้อมูลของเราทำงานเมื่อเราพัฒนา โซลูชันปัญญาประดิษฐ์ (AI) สำหรับการปรับขนาดและไคลเอนต์ องค์กร

ยิ่งข้อมูลพบตำแหน่งในพีระมิดนี้ได้เร็วเพียงใด ซึ่งอิงจาก ความต้องการลำดับชั้นของ Maslow ยิ่งโครงการ AI ของคุณเริ่มปั่นป่วนเร็วขึ้นเท่าไร และวิศวกรก็มีโอกาสทำงานเกี่ยวกับการสร้างแบบจำลองมากขึ้นเท่านั้น แทนที่จะให้ความสำคัญกับการกรองข้อมูล

ผลลัพธ์ของเส้นทางการสำรวจของเราคือความเข้าใจในปัญหาต่างๆ ที่พบเจอเมื่อตอบคำถาม ว่าอะไรที่สร้างโซลูชัน AI ที่มี คุณค่า ให้เราจัดการกับปัญหาเหล่านั้นก่อนที่จะแนะนำคุณผ่านขั้นตอนของ การจัดการโครงการ AI ในลักษณะที่ Proof of Value (POV) สะท้อนให้เห็นในระบบปลายทาง

ความท้าทายของการพัฒนาโครงการ AI: ทำไมโครงการ AI ถึงล้มเหลว

หากเรานั่งลงเพื่อเขียนรายการ ความท้าทายที่บริษัทต่างๆ เผชิญเมื่อนำ AI มาใช้ รายการนั้นจะครอบคลุมมาก แต่ที่แกนหลักคือ สาเหตุที่ Proof of Values ​​ล้มเหลว มีสาเหตุสำคัญสองประการคือ ความคาดหวังที่ไม่ตรงกันและความสามารถในการจัดการข้อมูลไม่เพียงพอ สาเหตุที่ขัดขวางไม่ให้ธุรกิจ ทำ เงิน ใน AI

ความคาดหวังที่ไม่ตรงกัน

บ่อยครั้งที่โครงการ AI ส่วนใหญ่ไม่เห็นแสงสว่างของวันเนื่องจากความคาดหวังที่แนบมาไม่ตรงแนว สาเหตุหลักของ ความท้าทายของปัญญาประดิษฐ์ในธุรกิจ มักเกิดขึ้นเนื่องจากความคาดหวังในระยะสั้นที่เพิ่มขึ้นจากเทคโนโลยีที่ดำเนินการในโหมดระยะยาวโดยเนื้อแท้

ตัวอย่างถัดไปของความคาดหวังที่ไม่ตรงกันนั้นสามารถเห็นได้ในธุรกิจต่างๆ โดยสมมติว่าโซลูชันที่ใช้ AI จะมีความแม่นยำเพียงพอที่จะตอบสนองการรับรู้ของผู้ใช้ที่แตกต่างกัน ตัวอย่างเช่น ในกรณีของแอปพลิเคชันสตรีมเพลง สมมติว่า "เพลงถัดไป" ที่ AI ของคุณแนะนำคือสิ่งที่ผู้ใช้เชื่อว่าเป็นเพลงประเภทเดียวกันนั้นเป็นปัญหา นี่คือเหตุผลที่ธุรกิจมักใช้คำว่า "อาจ" ในการนำเสนอผลิตภัณฑ์หรือบริการที่ผู้ใช้อาจสนใจในลำดับต่อไป

การจัดการข้อมูลที่ไม่มีประสิทธิภาพ

AI มักจะตัดสินใจผิดพลาดบนพื้นฐานของชุดข้อมูลที่ไม่ถูกต้อง ปัญหาใน โซลูชันการจัดการโครงการ AI เกิดขึ้นเมื่อข้อมูลไม่ถูกต้องหรือไม่สมบูรณ์ กล่าวโดยย่อ ไม่ได้เตรียมให้พอดีกับแบบจำลอง AI

เพื่อให้ระบบ AI ทำงานได้ตามที่คาดไว้ จำเป็นต้องมีข้อมูลที่ละเอียด ซึ่งระบบสามารถใช้เรียนรู้และวิเคราะห์รูปแบบได้ เมื่อเรา สร้างชุดข้อมูลที่พร้อม AI โฟกัสของเราอยู่ที่การแบ่งข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างตาม กลยุทธ์การรวบรวมข้อมูลที่ทันสมัย เป็นหลัก

ตอบคำถามประจำชั่วโมง: วิธีจัดการโครงการ AI ของคุณ

1. การระบุปัญหา

ขั้นตอนแรกสำหรับเราใน การจัดการโครงการ AI คือการระบุปัญหา เราเริ่มต้นด้วยการถามคำถามกับคู่ค้าของเราสองคำถาม: "คุณยินดีที่จะแก้ปัญหาอะไร" และ “ผลลัพธ์ที่คุณต้องการคืออะไร”

เมื่อต้องตัดสินใจเกี่ยวกับปัญหา สิ่งสำคัญคือต้องเข้าใจว่า AI ในตัวมันเองไม่ใช่วิธีแก้ปัญหา แต่เป็นเครื่องมือ/เครื่องมือที่ตอบสนองความต้องการ โดยสังเกตว่า เราเลือกโซลูชันที่หลากหลาย ซึ่งสามารถสร้างขึ้นได้ด้วยความช่วยเหลือของ AI และไม่ต้องพึ่งพาโซลูชันนั้น

2. การทดสอบการแก้ไขปัญหา Fit

ขั้นตอนนี้ เป็นคำตอบ ที่ดีในการเริ่ม ต้น โครงการ AI ก่อนที่เราจะเริ่มต้นกระบวนการพัฒนาโครงการ AI อันดับแรก การทดสอบและให้แน่ใจว่าผู้คนยินดีจ่ายสำหรับสิ่งที่คุณกำลังสร้าง

เราทดสอบวิธีแก้ปัญหาที่เหมาะสมโดยใช้เทคนิคต่างๆ เช่น วิธีการแบบลีนแบบดั้งเดิมและ Product Design Sprint

สิ่งที่ดีที่สุดประการหนึ่งเกี่ยวกับเทคโนโลยี AI คือมันค่อนข้างง่ายที่จะสร้างโซลูชันระดับฐานโดยใช้มนุษย์จริงหรือ MVP ประโยชน์ของสิ่งนี้ไม่ได้เป็นเพียงการวิเคราะห์โซลูชันอย่างง่าย แต่ยังรับประกันว่าผลิตภัณฑ์ต้องการโซลูชัน AI ภายในเวลาที่กำหนด

3. การเตรียมและจัดการข้อมูล

เมื่อมาถึงจุดที่เรารู้ว่ามีฐานลูกค้าสำหรับโซลูชันของคุณและคุณมีความมั่นใจว่า AI สามารถสร้างได้ เราจึงเริ่มจัดการโครงการการเรียนรู้ของเครื่องโดยรวบรวมข้อมูลและจัดการการจัดการของพวกเขา

เราเริ่มต้นด้วยการหารข้อมูลที่มีอยู่ในรูปแบบที่มีโครงสร้างและไม่มีโครงสร้าง แม้ว่าขั้นตอนจะค่อนข้างง่ายเมื่อเราทำงานกับสตาร์ทอัพหรือบริษัทที่ไม่มีข้อมูลจำนวนมาก แต่การ สร้างโซลูชัน AI ที่ปรับใช้หลายรายการสำหรับองค์กร เป็นสิ่งที่ยุ่งยาก โดยทั่วไป บริษัทขนาดใหญ่มีข้อมูลฐานข้อมูลที่เป็นกรรมสิทธิ์ขนาดใหญ่ ซึ่งอาจพร้อมสำหรับ AI และสิ่งที่ทำให้ยากขึ้นก็คือข้อเท็จจริงที่ว่าข้อมูลนั้นอาจถูกจัดเก็บในไซโล

วิศวกรข้อมูลของเราเริ่มต้นด้วยการจัดระเบียบและทำความสะอาดข้อมูล โดยหลักการแล้ว พวกเขาจะกำหนดลำดับเวลาและเพิ่มป้ายกำกับเมื่อจำเป็น

4. การเลือกอัลกอริธึมที่เหมาะสม

แม้ว่าเพื่อรักษาสาระสำคัญของบทความ เราจะไม่พูดถึงเทคนิคของอัลกอริทึม AI ที่นี่ แต่สิ่งสำคัญที่ต้องรู้คือมีอัลกอริทึมประเภทต่างๆ ซึ่งแตกต่างกันไปตามการเรียนรู้ที่คุณทำ

• การเรียนรู้ภายใต้การดูแล

ที่แกนหลัก การจัดประเภททำนายฉลากและการถดถอยทำนายปริมาณ โดยทั่วไปเราเลือกอัลกอริธึมการจำแนกประเภทเมื่อเราต้องการทำความเข้าใจโอกาสของเหตุการณ์ เช่น โอกาสที่ฝนตกในวันพรุ่งนี้

ในทางกลับกัน เราใช้อัลกอริธึมการถดถอยเมื่อเราต้องหาปริมาณของสถานการณ์ เช่น เมื่อเราต้องการทราบโอกาสที่พื้นที่จมน้ำ

มีอัลกอริธึมอื่นๆ อีกหลายอย่างที่วิศวกรของเราเลือกใช้ขึ้นอยู่กับความต้องการของโครงการ – การจำแนกประเภทที่ไร้เดียงสา ฟอเรสต์แบบสุ่ม การถดถอยของลอจิสติกส์ และเวกเตอร์สนับสนุน

• การเรียนรู้แบบไม่มีผู้ดูแล

การเลือกอัลกอริธึมจะแตกต่างกันมากที่นี่เนื่องจากข้อมูลไม่ได้จัดหรือตามประเภทใดประเภทหนึ่ง เราอาจใช้อัลกอริธึมการจัดกลุ่มเพื่อจัดกลุ่มออบเจ็กต์เข้าด้วยกันหรืออัลกอริธึมเชื่อมโยงเมื่อค้นหาลิงก์ระหว่างออบเจ็กต์ต่างๆ เป็นต้น

5. ฝึกอัลกอริทึม

เมื่อเราเลือกอัลกอริธึมแล้ว เราก็ไปฝึกโมเดลที่เราป้อนข้อมูลลงในโมเดล โดยคำนึงถึงความสำคัญของความถูกต้องของโมเดลด้วย

ทีมวิศวกรของเราเข้าใจดีว่าการกำหนดเกณฑ์ขั้นต่ำที่ยอมรับได้และการใช้ระเบียบวินัยทางสถิติเป็น ขั้นตอนสำคัญในการเร่งการพัฒนา AI ในลักษณะที่ต้องมีการปรับแต่งน้อยที่สุดในภายหลัง

สำหรับการฝึกอบรมอัลกอริทึมและการพัฒนาขั้นตอนต่อไป เราจ้างผู้เชี่ยวชาญด้านเทคโนโลยีซึ่งเป็นผู้เชี่ยวชาญใน Python, R, Java และ C++ เรายังเกี่ยวข้องกับผู้เชี่ยวชาญที่เข้าใจ Julia ซึ่งเป็นภาษายอดนิยมสำหรับการพัฒนาแอปการเรียนรู้ของเครื่อง ทั้งนี้ขึ้นอยู่กับความต้องการ ของ โครงการ

6. การดำเนินโครงการ

โดยทั่วไป เราแนะนำให้พันธมิตรของเราใช้แพลตฟอร์มสำเร็จรูป เช่น Machine Learning as a Service สำหรับการเปิดตัวผลิตภัณฑ์และความต้องการใช้งาน แพลตฟอร์มเหล่านี้ได้รับการพัฒนาเพื่อลดความซับซ้อนและอำนวยความสะดวกให้กับปัญญาประดิษฐ์ และช่วยใน ขั้นตอนการปรับใช้โครงการ AI พวกเขายังให้การวิเคราะห์ขั้นสูงบนคลาวด์ที่สามารถใช้เพื่อเพิ่มในภาษาและอัลกอริธึมต่างๆ

[ยังอ่าน: พิจารณาขั้นตอนสำคัญในการเขียนแผนโครงการที่เชี่ยวชาญ]

คำถามที่พบบ่อยเกี่ยวกับขั้นตอนของการจัดการโครงการ AI

ถาม วิธีเริ่มต้นใช้งานปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง

มีหกขั้นตอนที่ครอบคลุมในกระบวนการของการจัดการโครงการ AI: การระบุปัญหา การทดสอบการแก้ปัญหาที่เหมาะสม การจัดการข้อมูล การเลือกอัลกอริทึมที่เหมาะสม การฝึกอบรมอัลกอริทึม และการปรับใช้ผลิตภัณฑ์บนแพลตฟอร์มที่เหมาะสม

ถาม แนวคิดที่ดีสำหรับโครงการปัญญาประดิษฐ์คืออะไร

AI ได้รับขอบเขตในหลายอุตสาหกรรม สิ่งที่จำเป็นคือการหากรณีการใช้งานที่รวมเอาเทคโนโลยีในลักษณะที่ข้อมูลที่สร้างขึ้นได้รับการจัดระเบียบและแปลงเป็นการวิเคราะห์ที่นำไปปฏิบัติได้ สิ่งสำคัญคือต้องเป็นจริงเกี่ยวกับความคาดหวังของคุณจากโซลูชัน AI ในแง่ของการปฏิบัติต่อมันเป็นเครื่องมือที่ช่วยในการพัฒนาบริการของคุณ แทนที่จะกลายเป็นบริการเอง

ถาม โครงการ AI ดีกว่าโครงการไอทีทั่วไปหรือไม่

ขึ้นอยู่กับสถานการณ์ มีบางโครงการที่ทำได้ดีกว่าด้วยการรวม AI ในขณะที่มีแอปพลิเคชั่นอื่นที่ซับซ้อนโดยไม่จำเป็นด้วยการผสานรวมของเทคโนโลยี ท้ายที่สุดแล้ว ขึ้นอยู่กับกรณีการใช้งานและมูลค่าของปัญญาประดิษฐ์จะเป็นอย่างไร