Saat memproduksi AI, ada banyak tantangan yang dapat Anda hadapi, seperti bagaimana menerapkan model AI Anda ke suatu proses atau orang, menstabilkan data dan model, bagaimana menjaga model Anda tetap akurat dalam lingkungan yang berubah dan dari waktu ke waktu, penskalaan, dan cara berkembang atau tingkatkan kemampuan model AI Anda.
Menyematkan AI
Menjalankan Proof of Concept (PoC) pembelajaran mesin yang sukses dengan algoritme baru hanya 10% dari upaya yang diperlukan untuk memproduksinya dan mendapatkan nilai aktual darinya. Sisanya 90% dapat dibagi menjadi hal-hal yang perlu Anda lakukan untuk membuat produk yang dapat digunakan dan hal-hal yang perlu Anda lakukan untuk membuat produk yang bermanfaat.
Untuk membuat produk yang dapat digunakan, Anda perlu memperbesar implementasi teknis untuk membuat produk tersedia bagi pengguna Anda. Untuk membuatnya berguna, Anda harus melihat penyematan produk ke dalam proses bagi pengguna. Namun, pertama, apa sebenarnya perbedaan antara PoC dan produk yang dapat digunakan?
Pertama-tama, PoC tidak dimaksudkan untuk produksi. Produk harus bekerja sepanjang waktu, setiap saat, dan dalam situasi yang berubah-ubah. Selama PoC Anda, Anda menemukan data yang Anda cari, membuat salinan, dan mulai membersihkan dan menganalisisnya. Dalam produksi, sumber data Anda harus terhubung ke platform data secara real-time, aman, dan terlindungi; aliran data harus dimanipulasi secara otomatis dan dibandingkan dengan/dikombinasikan dengan sumber data lain.
Selama PoC Anda, Anda memiliki kemewahan untuk dapat berbicara dengan pengguna masa depan Anda dan bekerja dengan mereka untuk merancang solusi, atau Anda tidak memiliki pengguna sama sekali, dan Anda sedang merancang solusi teknis. Untuk sebuah produk, Anda memiliki pengguna yang perlu memahami solusi tersebut, dan orang yang bertanggung jawab untuk menjaga agar solusi teknis tetap berjalan. Dengan demikian, suatu produk memerlukan pelatihan, FAQ, dan/atau jalur dukungan agar dapat digunakan. Selanjutnya, Anda cukup membuat versi baru untuk satu kasus penggunaan Anda di PoC. Produk memerlukan pembaruan, dan ketika Anda telah meluncurkan produk untuk beberapa pelanggan, Anda memerlukan cara untuk menguji dan menerapkan kode Anda untuk produksi (pipa CI/CD).
“Di Itility, kami telah mengembangkan Itility Data Factory dan AI Factory kami yang mencakup blok bangunan dan platform dasar untuk setiap proyek kami. Ini berarti kami memiliki sudut yang dapat digunakan yang tercakup sejak awal, sehingga kami dapat fokus pada sudut yang berguna (yang lebih bergantung pada pelanggan dan kasus penggunaan),” kata perusahaan tersebut.
Aplikasi pendeteksi hama – dari PoC hingga produk yang dapat digunakan
“Fase Proof of Concept dari Aplikasi Deteksi Hama kami terdiri dari model yang dapat melakukan tugas sempit mengklasifikasikan dan menghitung lalat pada perangkap lem berdasarkan gambar yang diambil oleh anggota tim rumah kaca. Jika mereka melewatkan satu gambar atau jika ada yang tidak beres, mereka dapat kembali dan mengambil yang lain, atau langsung memperbaikinya di dasbor. Diperlukan beberapa pemeriksaan manual.
“Dunia PoC kami sederhana, berdasarkan satu perangkat, satu pengguna, dan satu pelanggan. Namun, untuk membuatnya menjadi produk yang dapat digunakan, kami perlu meningkatkan dan mendukung banyak pelanggan. Kemudian, muncul pertanyaan tentang bagaimana menjaga agar data tetap terpisah dan aman. Selain itu, setiap pelanggan/mesin individu memerlukan pengaturan dan konfigurasi default. Jadi, bagaimana cara mengkonfigurasi/mengatur 20 pelanggan baru? Bagaimana Anda tahu kapan harus membangun antarmuka admin dan mengotomatiskan orientasi? Pada 2 pelanggan, 20, atau 200?”
Tentu saja, Anda mungkin memiliki pertanyaan, seperti 'bagaimana menghitung lalat membantu pelanggan saya? Bagaimana cara menciptakan nilai dari informasi ini? Bagaimana merekomendasikan keputusan dan mengambil tindakan? Bagaimana aplikasi AI ini cocok dalam proses bisnis?'. Langkah pertama adalah mengubah kerangka acuan Anda dari perspektif teknis/data ke perspektif pengguna akhir. Ini berarti melanjutkan percakapan dengan pelanggan Anda dan melihat bagaimana PoC yang telah terbukti cocok dengan proses sehari-hari.
“Anda juga harus mengikuti proses dengan cermat untuk jangka waktu yang lebih lama, Anda perlu mengikuti rapat operasional dan taktis untuk benar-benar memahami tindakan apa yang diambil setiap hari berdasarkan informasi apa, berapa banyak waktu yang dihabiskan untuk melakukan apa, dan alasannya. dibalik tindakan tertentu. Tanpa memahami bagaimana informasi dari model Anda digunakan untuk menciptakan nilai bisnis, Anda tidak akan mendapatkan produk yang bermanfaat.
“Dalam kasus kami, kami menemukan informasi apa yang digunakan untuk membuat keputusan. Misalnya, kami menemukan bahwa untuk beberapa hama lebih penting untuk mengikuti tren mingguan (untuk itu Anda tidak memerlukan akurasi super tinggi) sementara yang lain memerlukan tindakan pada tanda pertama hama (yang berarti lebih baik memiliki pasangan positif palsu daripada memiliki satu negatif palsu).
“Selain itu, kami menemukan bahwa pelanggan kami sebelumnya memiliki pengalaman 'buruk' dengan alat serupa yang mengklaim memiliki akurasi yang tidak dapat diberikan dalam praktiknya. Mengapa mereka mempercayai kita? Kami menangani masalah kepercayaan ini secara langsung dan menjadikan akurasi dan transparansi sebagai fitur utama produk. Kami menggunakan informasi ini untuk membuat produk kami berguna dengan mengadaptasi aplikasi ke metode kerja pengguna akhir, dan dengan meningkatkan transparansi dalam interaksi, memberi pengguna lebih banyak kontrol atas aplikasi,” lanjut perusahaan.
Apa tantangan terbesarnya?
“Dalam skenario penghitungan lalat kami, kami dapat berbicara tentang skor akurasi kami semua yang kami inginkan. Namun, agar berguna, pengguna (spesialis rumah kaca) membutuhkan lebih dari persentase. Yang dibutuhkan adalah mengalaminya, dan belajar mempercayainya. Hal terburuk yang dapat terjadi adalah ketika pengguna Anda membandingkan hasil Anda dengan hasil manual mereka sendiri dan ada perbedaan (besar). Reputasi Anda hancur dan tidak ada ruang untuk mendapatkan kembali kepercayaan. Kami mengatasi hal ini dengan menambahkan perangkat lunak ke produk yang mendorong pengguna untuk mencari perbedaan tersebut dan memperbaikinya.
“Pendekatan kami adalah menjadikan pengguna sebagai bagian dari solusi AI alih-alih menghadirkannya sebagai sistem yang akan menggantikan spesialis. Kami mengubah spesialis menjadi operator. AI meningkatkan kemampuan mereka dan para spesialis tetap memegang kendali dengan terus mengajar dan membimbing AI untuk belajar lebih banyak dan melakukan koreksi ketika lingkungan atau variabel lain menyimpang. Sebagai operator, spesialis merupakan bagian integral dari solusi – mengajar dan melatih AI dengan tindakan tertentu.”
Klik di sini untuk melihat video dengan detail lebih lanjut tentang pendekatan yang berpusat pada operator.