AI उत्पादन गर्दा, त्यहाँ धेरै चुनौतीहरू छन् जुन तपाईंले सामना गर्न सक्नुहुन्छ, जस्तै तपाईंको AI मोडेललाई प्रक्रिया वा व्यक्तिहरूमा कसरी लागू गर्ने, डाटा र मोडेलहरू स्थिर गर्ने, कसरी तपाईंको मोडेललाई परिवर्तनशील वातावरणमा सही राख्ने र समयसँगै, स्केलिङ, र कसरी वृद्धि गर्ने। वा तपाईंको एआई मोडेलको क्षमताहरू बढाउनुहोस्।
एआई इम्बेड गर्दै
नयाँ एल्गोरिदमको साथ सफल मेसिन लर्निङ प्रूफ अफ कन्सेप्ट (PoC) चलाउनु भनेको यसलाई उत्पादन गर्न र त्यसबाट वास्तविक मूल्य प्राप्त गर्न आवश्यक पर्ने प्रयासको १०% मात्र हो। बाँकी 10% लाई तपाईंले प्रयोगयोग्य उत्पादन बनाउन आवश्यक पर्ने कुराहरू र उपयोगी उत्पादन बनाउन तपाईंले गर्नुपर्ने कुराहरूमा विभाजन गर्न सकिन्छ।
प्रयोगयोग्य उत्पादन बनाउनको लागि, तपाईंले उत्पादनलाई आफ्ना प्रयोगकर्ताहरूलाई उपलब्ध गराउने प्राविधिक कार्यान्वयनमा जुम इन गर्न आवश्यक छ। यसलाई उपयोगी बनाउनको लागि, तपाईंले उत्पादनलाई प्रयोगकर्ताहरूको लागि प्रक्रियामा इम्बेड गर्ने हेर्नु पर्छ। पहिलो, तथापि, एक PoC र एक प्रयोगयोग्य उत्पादन बीच के फरक छ?
सबैभन्दा पहिले, PoCs उत्पादनको लागि होइन। उत्पादनहरू सबै समय, कुनै पनि समय, र परिवर्तन परिस्थितिहरूमा काम गर्न आवश्यक छ। तपाइँको PoC को समयमा, तपाइँ तपाइँले खोज्नु भएको डाटा फेला पार्नुहुन्छ, प्रतिलिपि बनाउनुहोस्, र यसलाई सफा गर्न र विश्लेषण गर्न सुरु गर्नुहोस्। उत्पादनमा, तपाईंको डाटा स्रोत वास्तविक समयमा, सुरक्षित र सुरक्षित रूपमा डाटा प्लेटफर्ममा जडान हुनुपर्दछ; डेटा स्ट्रिम स्वचालित रूपमा हेरफेर गर्न र अन्य डेटा स्रोतहरूसँग तुलना / संयुक्त हुनुपर्छ।
तपाइँको PoC को समयमा, तपाइँसँग तपाइँको भविष्यका प्रयोगकर्ताहरूसँग कुरा गर्न र समाधान डिजाइन गर्न उनीहरूसँग काम गर्न सक्षम हुने विलासिता छ, वा तपाइँसँग कुनै पनि प्रयोगकर्ता छैन, र तपाइँ प्राविधिक समाधान डिजाइन गर्दै हुनुहुन्छ। उत्पादनको लागि, तपाइँसँग प्रयोगकर्ताहरू छन् जसले त्यो समाधान बुझ्न आवश्यक छ, र प्राविधिक समाधान चलिरहेको राख्नको लागि जिम्मेवार व्यक्तिहरू छन्। तसर्थ, उत्पादनलाई प्रयोगयोग्य हुनको लागि प्रशिक्षण, FAQs, र/वा समर्थन लाइनहरू चाहिन्छ। यसबाहेक, तपाईंले PoC मा तपाईंको एउटा प्रयोग केसको लागि नयाँ संस्करण सिर्जना गर्नुहोस्। उत्पादनहरूलाई अद्यावधिकहरू चाहिन्छ, र जब तपाईंले आफ्नो उत्पादन धेरै ग्राहकहरूको लागि रोल आउट गर्नुभयो, तपाईंलाई उत्पादनको लागि आफ्नो कोड परीक्षण र प्रयोग गर्ने तरिका चाहिन्छ (CI/CD पाइपलाइनहरू)।
“Itility मा, हामीले हाम्रो Itility डाटा फ्याक्ट्री र AI फ्याक्ट्रीको विकास गरेका छौं जसले हाम्रा कुनै पनि परियोजनाहरूको लागि निर्माण ब्लकहरू र अन्तर्निहित प्लेटफर्महरू कभर गर्दछ। यसको मतलब हामीसँग प्रयोगयोग्य कोण सुरुदेखि कभर गरिएको छ, जसले गर्दा हामी उपयोगी कोणमा फोकस गर्न सक्छौं (जुन अधिक ग्राहक हो र केसमा निर्भर छ),” कम्पनीले भन्यो।
कीट पत्ता लगाउने एप - PoC देखि प्रयोगयोग्य उत्पादनमा
"हाम्रो कीट पत्ता लगाउने एपको अवधारणा चरणको प्रमाणमा एउटा मोडेल समावेश छ जसले ग्रीनहाउस टोलीका सदस्यहरूले खिचेको छविहरूमा आधारित ग्लु ट्र्यापमा फ्लाइहरू वर्गीकरण र गणना गर्ने साँघुरो कार्य गर्न सक्छ। यदि तिनीहरूले एउटा तस्बिर छुटेको वा केही गल्ती भयो भने, तिनीहरू फर्केर अर्को लिन सक्छन्, वा सीधै ड्यासबोर्डमा ठीक गर्न सक्छन्। धेरै म्यानुअल जाँचहरू आवश्यक थियो।
"हाम्रो PoC-विश्व सरल थियो, एक एकल उपकरण, एक एकल प्रयोगकर्ता, र एक एकल ग्राहकमा आधारित। यद्यपि, यसलाई प्रयोगयोग्य उत्पादनमा बनाउनको लागि, हामीले धेरै ग्राहकहरूलाई मापन र समर्थन गर्न आवश्यक छ। त्यसपछि, डाटा कसरी अलग र सुरक्षित राख्ने प्रश्न उठ्छ। यसबाहेक, प्रत्येक व्यक्तिगत ग्राहक/मेसिनलाई सेटअप र पूर्वनिर्धारित कन्फिगरेसन चाहिन्छ। त्यसोभए, २० नयाँ ग्राहकहरू कसरी कन्फिगर/सेटअप गर्ने? प्रशासक इन्टरफेस कहिले निर्माण गर्ने र अनबोर्डिङ स्वचालित गर्ने भनेर तपाइँ कसरी जान्नुहुन्छ? 20 ग्राहकहरूमा, 2, वा 20?
अवश्य पनि, तपाईंसँग प्रश्नहरू हुन सक्छन्, जस्तै 'कसरी गन्तीले मेरो ग्राहकलाई मद्दत गर्छ? यस जानकारीबाट मूल्य कसरी सिर्जना गर्ने? निर्णय कसरी सिफारिस गर्ने र कारबाही गर्ने? यो AI अनुप्रयोग व्यापार प्रक्रियामा कसरी फिट हुन्छ?'। पहिलो चरण भनेको तपाइँको सन्दर्भको फ्रेमलाई प्राविधिक/डेटा परिप्रेक्ष्यबाट अन्तिम प्रयोगकर्ता परिप्रेक्ष्यमा परिवर्तन गर्नु हो। यसको मतलब तपाईको ग्राहकसँग कुराकानी जारी राख्नु र प्रमाणित PoC दैनिक प्रक्रियाहरूमा कसरी फिट हुन्छ भनेर हेर्नु हो।
"तपाईले लामो समयको लागि प्रक्रियालाई नजिकबाट पछ्याउन पनि आवश्यक छ, कुन जानकारीको आधारमा हरेक दिन के कार्यहरू लिइन्छ, र तर्कको आधारमा के कार्यहरू गरिन्छ भनेर बुझ्नको लागि तपाइँ परिचालन र रणनीतिक बैठकहरूमा सामेल हुन आवश्यक छ। केहि कार्यहरु पछि। तपाईंको मोडेलबाट जानकारी कसरी व्यापार मूल्य सिर्जना गर्न प्रयोग गरिन्छ भनेर बुझे बिना, तपाईं उपयोगी उत्पादनमा पुग्नुहुनेछैन।
"हाम्रो मामलामा, हामीले पत्ता लगायौं कि निर्णय गर्न कुन जानकारी प्रयोग गरिएको थियो। उदाहरणका लागि, हामीले पत्ता लगायौं कि केही कीटहरूका लागि साप्ताहिक प्रवृति (जसका लागि तपाईंलाई अति उच्च सटीकताहरू आवश्यक पर्दैन) पछ्याउन महत्त्वपूर्ण छ जबकि अरूलाई कीटको पहिलो चिन्हमा कारबाही आवश्यक छ (जसको मतलब यो जोडी हुनु राम्रो हो। झूटो सकारात्मक को एक पनि गलत नकारात्मक हुनु भन्दा)।
"अतिरिक्त, हामीले पत्ता लगायौं कि हाम्रो ग्राहकले पहिले नै समान उपकरणको साथ 'खराब' अनुभव पाएको थियो जसमा यसले व्यवहारमा डेलिभर गर्न नसक्ने सटीकता भएको दाबी गर्यो। तिनीहरूले हाम्रो विश्वास किन गर्ने? हामीले यस विश्वासको समस्यालाई हेड-अनमा लिएर सटीकता र पारदर्शितालाई उत्पादनको मुख्य विशेषता बनायौं। हामीले यो जानकारीलाई अन्तिम प्रयोगकर्ताको काम गर्ने तरिकामा अनुप्रयोगलाई अनुकूलन गरेर, र अन्तरक्रियामा पारदर्शिता बढाएर, प्रयोगकर्तालाई अनुप्रयोगमा थप नियन्त्रण प्रदान गरेर हाम्रो उत्पादनलाई उपयोगी बनाउन प्रयोग गर्यौं, "कम्पनी जारी राख्छ।
सबैभन्दा ठूलो चुनौती के हो ?
"हाम्रो फ्लाई-काउन्टिंग परिदृश्यमा, हामी हाम्रो शुद्धता स्कोरको बारेमा हामीले चाहेको कुरा गर्न सक्छौं। यद्यपि, उपयोगी हुन, प्रयोगकर्ता (एक हरितगृह विशेषज्ञ) प्रतिशत भन्दा बढी चाहिन्छ। के चाहिन्छ यसलाई अनुभव गर्न, र विश्वास गर्न सिक्न। सबै भन्दा नराम्रो कुरा हुन सक्छ जब तपाइँका प्रयोगकर्ताहरूले तपाइँको नतिजाहरू आफ्नै म्यानुअल परिणामहरूसँग तुलना गर्छन् र त्यहाँ (ठूलो) विसंगति छ। तपाईंको प्रतिष्ठा बर्बाद भएको छ र विश्वास पुन: प्राप्त गर्ने ठाउँ छैन। हामीले प्रयोगकर्तालाई ती विसंगतिहरू खोज्न र सच्याउन प्रोत्साहित गर्ने उत्पादनमा सफ्टवेयर थपेर यसको प्रतिरोध गर्यौं।
"हाम्रो दृष्टिकोण भनेको प्रयोगकर्तालाई एआई समाधानको हिस्सा बनाउनुको सट्टा विशेषज्ञलाई प्रतिस्थापन गर्ने प्रणालीको रूपमा प्रस्तुत गर्नु हो। हामी विशेषज्ञलाई अपरेटरमा परिणत गर्छौं। AI ले तिनीहरूको क्षमता बढाउँदैछ र विशेषज्ञहरूले वातावरण वा अन्य चरहरू बहाउँदा AI लाई थप जान्न र सुधार गर्न निरन्तर सिकाउन र मार्गदर्शन गरेर नियन्त्रणमा रहन्छन्। एक अपरेटरको रूपमा, विशेषज्ञ समाधानको अभिन्न अंग हो - विशेष कार्यहरू सहित AI लाई सिकाउने र तालिम दिने।
क्लिक गर्नुहोस् यहाँ अपरेटर-केन्द्रित दृष्टिकोणमा थप विवरणहरू सहितको भिडियो हेर्न।