Скорость создания данных значительно возросла за последние несколько лет. Прошли те времена, когда простая доступность данных могла выделить вас. Теперь у вас есть данные, и не просто данные — есть отличная вычислительная мощность и преимущества передовых алгоритмов, которые делают вас богатыми в аналитике — так что у вас есть идеальный рецепт для того, чтобы стать компанией, ориентированной на ИИ. Но какие уместные вопросы вы должны задать себе, прежде чем наметить путь ИИ для своей организации?
Согласно отчету Forbes, к 2030 году искусственный интеллект может добавить в мировую экономику около 15 триллионов долларов. Повсюду окружающий вас ажиотаж вокруг искусственного интеллекта держит вас в напряжении, чтобы сделать что-то с вашими данными, используя искусственный интеллект. Но есть много проектов, которые могут использовать возможности ИИ, так как же выбрать и расставить приоритеты, какие из них достойны времени и денег вашей организации?
Ключевые стратегические проекты, которые вы выбираете сегодня, задают тон и направление видения компании. Следовательно, крайне важно оценить множество идей, но сосредоточиться на нескольких последних, которые ориентированы на ценность и хорошо согласуются с целями организации.
Некоторые из ключевых факторов, которые помогают в выборе правильных проектов, перечислены ниже.
Поймите общую картину
Любое и каждое деловое решение должно включать в себя шаг назад и вопрос о том, почему вы заинтересованы в этом. Что является мотивирующим фактором, стимулирующим инициативы в области ИИ? Органично ли это входит в вашу бизнес-экосистему, или это FOMO (страх упустить возможность) управляет вашими прерогативами? Поймите пробел, который предлагаемое решение призвано заполнить, и оцените размер возможности, прежде чем сосредоточиться на ключевых инициативах. Используйте анализ размера возможности и пробела, чтобы оправдать время и усилия, которые потребуются для этого.
Иногда проект выглядит прибыльным, но просто не нуждается в сложных технологиях, таких как ИИ.
Задавая такие вопросы, как — какое влияние это окажет? или какие дополнительные выгоды он принесет, если я включу его с алгоритмами на основе ИИ? — поможет в понимании ценностного предложения.
Часть решения «как»
После того, как вы ответили на вопрос «Почему», стоящий за приоритизацией вашего проекта, следующий вопрос, который нужно выяснить, — как вы планируете его реализовать?
Это также требует, чтобы вы разбили свою проблему на подразделы, такие как:
- Требует ли решение создания решения с нуля или его нужно строить на основе существующего, но неэффективного процесса?
- Понимание экономики облака жизненно важно с точки зрения затрат. Несмотря на то, что доступность мощных вычислений является фактором реализации, она требует, чтобы руководители были осведомлены о стоимости вычислений при расчете чистой прибыли от таких сложных моделей. Многие неструктурированные данные в виде текста и изображений ранее оставались неиспользованными. К счастью, с появлением продвинутых моделей, основанных на глубоком обучении, в этой области можно добиться многого. Однако такие гигантские модели требуют больших вычислительных ресурсов и увеличивают отток.
- Всегда есть компромисс между универсалом и специалистом в отношении навыков. Использование компонента «люди» в «людях, процессах и технологиях» — это ниша для построения успешной стратегии для проектов ИИ.
Команда растет в геометрической прогрессии? Возможно, пришло время реализовать стратегию MLOps. Узнайте больше у эксперта по данным Харприта Сахоты.
Программное обеспечение ИИ против традиционного программного обеспечения
Поскольку большинство инженерных групп в значительной степени сосредоточены на коде, а не на данных, крайне важно понимать разницу между процессом разработки программного обеспечения ИИ и традиционным программным обеспечением.
Вероятностное решение
Традиционный процесс разработки программного обеспечения требует последовательности шагов, которые носят детерминированный характер. Тем не менее, алгоритмы ИИ представляют данные, чтобы изучить из них закономерность и предсказать невидимые данные. Такое программное обеспечение построено с использованием данных в своей основе, и обучение продолжает развиваться по мере накопления большего количества данных за определенный период времени.
Таким образом, все, что связано с данными с точки зрения сбора данных, маркировки данных, преобразования данных и выводов, влияет на разработку модели. Программное обеспечение ИИ включает в себя явную ориентацию на данные, которая не ограничивается только накоплением кучи данных, но также включает в себя акцент на извлечении хороших данных о сигналах для построения модели.
Тихие неудачи
Развернутые модели ИИ часто терпят тихие сбои, когда распределение данных в производственных системах отличается от того, на котором он обучался. Такой дрейф в распределении данных не нарушает конвейер вашей модели, но в то же время производительность выходных данных такой модели снижается, т. е. она больше не является точной. Следовательно, такое поведение модели называется скрытым сбоем, поскольку модель не работает должным образом и произошел сбой, не предупредив пользователей.
Командное сотрудничество
Проекты ИИ зависят от обширной командной работы с участием аналитиков данных, инженеров данных, специалистов по данным, экспертов в предметной области, инженеров по машинному обучению и т. д. Сотрудничество в жизненном цикле проекта ИИ отличается от того, что требует традиционное программное обеспечение. Процесс разработки ИИ требует проведения нескольких экспериментов для проверки множества гипотез и проверки тех из них, которые лучше всего подходят для данной бизнес-задачи. Такое увеличение количества экспериментов требует управления различными версиями данных, а также кода, в отличие от традиционного программного обеспечения, которое фокусируется только на управлении версиями кода.
В двух словах, можно использовать лучшие методы проектирования программного обеспечения и разработки моделей, но проект все равно может потерпеть неудачу из-за бесчисленных способов изменения формы, формата и распределения данных.
Создание надежных решений
Насколько хорошо ваша модель будет принята и одобрена в организации, во многом зависит от того, насколько заинтересованные стороны могут доверять ее результатам. Необходимо предвидеть проблемы, связанные со сбором данных, метками данных или обработкой данных, которые могут повлиять на способность модели давать объективные результаты.
Разработчик модели должен иметь возможность диагностировать и отлаживать модель, когда она отклоняется от истины — он должен быть в состоянии сказать, когда потребители модели ИИ могут доверять модели, а когда следует сопровождать их коэффициент уверенности или надежность модели. человеком в петле. Модели ИИ требуют активного мониторинга выходных данных, чтобы обеспечить высококачественные прогнозы и отслеживание того, как изменение распределения данных влияет на его производительность. Существуют различные инструменты, которые помогают в эффективной эксплуатации модели и предупреждают разработчиков о неожиданном поведении модели.
Заключение
Как бы увлекательно ни звучало построение модели ИИ, на деле это довольно сурово. Чтобы справиться с неопределенностями, возникающими на протяжении всего жизненного цикла проекта, требуется серьезное количество часов и огромный опыт технических навыков в сочетании с безупречным планированием и исполнением. Не беритесь за достижение определенных целей или задач, если вы не понимаете масштаб бизнес-проблемы и тщательно не оценили потенциальное влияние с точки зрения доходов или экономии затрат, которые может принести ваш проект.
Периодическая оценка каждого этапа, а также своевременное сотрудничество с заинтересованными сторонами сохранит цикл обратной связи и предоставит вам достаточно времени для корректировки курса.
Примечание редактора. Heartbeat — это интернет-издание и сообщество, созданное участниками и посвященное предоставлению лучших образовательных ресурсов для специалистов по науке о данных, машинному обучению и глубокому обучению. Мы стремимся поддерживать и вдохновлять разработчиков и инженеров из всех слоев общества.
Независимая от редакции, Heartbeat спонсируется и публикуется Comet, платформой MLOps, которая позволяет специалистам по данным и командам машинного обучения отслеживать, сравнивать, объяснять и оптимизировать свои эксперименты. Мы платим нашим авторам и не продаем рекламу.
Если вы хотите внести свой вклад, перейдите к нашему призыву к участию. Вы также можете подписаться на получение нашего еженедельного информационного бюллетеня (Еженедельник глубокого обучения), заглянуть в блог Comet, присоединиться к нам в Slack и подписаться на Comet в Twitter и LinkedIn для получения ресурсов и событий. и многое другое, что поможет вам быстрее создавать более качественные модели машинного обучения.
