Я уже некоторое время думал о применении ИИ. Мой самый большой вопрос: как создавать продукты, ориентированные на AI / DL. Раньше я использовал ментальную модель, думая об интеграции AI / ML / DL в программные продукты двумя следующими способами:

  1. Методы AI / ML / DL проявляются как функции в данном продукте. Эти функции могут быть видимыми или невидимыми для конечных пользователей. В аналитическом продукте, таком как модуль Einstein от Salesforce, методы AI / ML / DL находятся в центре внимания, инструктируя и рекомендуя конечным пользователям. С другой стороны, продукты Google, связанные с поиском, методы ML / AI / DL были встроены в опыт, чтобы сделать продукт лучше, без явного продвижения на рынок - поисковикам все равно, какие алгоритмы использует Google. Google просто нужно убедиться, что поисковикам предоставляются наиболее релевантные результаты.
  2. Методы AI / ML / DL находятся в фоновом режиме, чтобы улучшить общее впечатление от продукта или другие функции продукта за счет встраивания в цикл обратной связи. В одной из моих предыдущих статей, где обсуждалась тактика команды роста Pinterest, хорошим примером этого является использование группой роста логистической регрессии для улучшения восприятия продукта и его функций.

Хотя размышления о продуктах AI / ML / DL через две вышеупомянутые категории мне очень помогли, я все же чувствую, что чего-то не хватает. Как именно создается программный продукт на основе AI / ML / DL? Я обдумывал этот вопрос несколько месяцев, а затем случайно наткнулся на инвестиционный тезис грузинского партнера о прикладном искусственном интеллекте, слушая подкаст На этой неделе в машинном обучении и искусственном интеллекте (Это отличное шоу способ). Ссылка на официальный документ находится здесь. Мне очень понравилось читать этот документ, поскольку он дополнительно разъясняет путь к созданию продуктов, основанных на AI / ML / DL, за счет сосредоточения внимания на ключевых обсуждениях, связанных с процессами, интеграцией, данными и моделями. Ниже приводится моя скромная попытка усвоить основную дискуссию документа посредством резюме и перефразирования.

— — — — — — — — — — — — — — — — — — — — — — — — — — — — — — —

Подготовка сцены

Область действия: в этом документе говорится об искусственном узком интеллекте, а не об общем. Речь идет об ИИ в определенных контекстах.

Цели:

  1. Подумайте, как можно применить ИИ
  2. Помогите разработать стратегию предоставления возможностей и ценности для клиентов
  3. Знакомит с принципами прикладного искусственного интеллекта.
  4. Представляет структуру и модель зрелости для включения приложения ИИ.

Уход от Applied Analytics Framework.
В Applied AI framework есть следующие дополнения:

  1. Повышенное внимание к непрерывной автоматизации процессов
  2. Использование передовых методов машинного обучения
  3. Лучше сформулированные цели производительности и точность модели
  4. Надлежащее использование человеческого суждения и автоматизированных прогнозов
  5. Непрерывное обучение и адаптация через петли обратной связи
  6. Подходы к ограничению влияния ошибки и смещения модели
  7. Сначала интеграция - процесс с включенным ИИ используется другими процессами, данные - в последнюю очередь.

Объединение 10 принципов:

  1. Начните с процессов: искусственный интеллект увеличивает ценность, внедряя понимание существующих процессов, оптимизируя процессы, автоматизируя все / части бизнес-процессов (оптимизированные, расширенные, автоматизированные или изобретенные заново)
  2. Интеграция: AI может быть интегрирован через API-интерфейсы для программного обеспечения и интуитивно понятные интерфейсы для пользователей.
  3. Модели: определение желаемого уровня производительности с точки зрения бизнеса. Выбор правильных моделей, которые позволяют достичь результатов с учетом бюджета, целей и имеющихся данных обучения.
  4. Данные: выбранные методы машинного обучения влияют на требования к данным. Данные могут поступать из различных источников: собственные и собираемые, от партнеров, третьих лиц.
  5. Управление: отслеживайте эффективность и справедливость, а также укрепляйте доверие клиентов.

Актуальные принципы

(ПРОЦЕСС) Принцип 1: понимать все процессы

  1. Каталогизируйте процессы, которые позволяет программное решение
  2. Любые смежные клиентские процессы с процессами, которые в настоящее время поддерживает программное обеспечение.
  3. Соответствующие сторонние процессы. Процессы партнеров и конкурентов.

Проведите мозговой штурм по следующим параметрам:
Главное - задокументировать, как в настоящее время принимаются прогнозы и решения для каждого процесса. Обратите внимание на потенциальные пробелы в информации, которые ограничивают принятие текущего решения. Определите и задокументируйте ключевые KPI, которые используются для измерения бизнес-процессов.

  1. Улучшение существующего процесса
  2. Как процессы могут быть расширены, если возможны новые типы прогнозов и автоматизации
  3. Подумайте о возможностях создания новых процессов, которые в настоящее время невозможны с человеческими усилиями и интеллектом.

(ПРОЦЕСС) Принцип 2. Расставьте приоритеты для наиболее ценных процессов

Определите и расставьте приоритеты, какие бизнес-процессы лучше всего подходят для автоматизации. По принципу 2, необходимо провести серию оценочных мероприятий по этим процессам. Учитывайте следующие размеры:

  1. Понимание: насколько хорошо следует понимать процесс? Достаточно ли четко определен процесс, чтобы можно было обучить модель его автоматизации?
  2. Автоматизация, масштабирование, качество: будут ли устранены ограничения за счет автоматизации? Существуют ли особые юридические или другие требования к качеству результата?
  3. Данные: собираются ли данные или их можно собирать для обучения моделей?
  4. Контроль: есть ли полная интеграция со всеми конечными точками принятия решений, чтобы автоматические действия могли оказывать достаточно сильное влияние?

Благодаря этому упражнению должен быть результат упражнения со списком процессов-кандидатов для автоматизации и расширения.

(ИНТЕГРАЦИЯ) Принцип 3: проектирование интеграции без трения

Поймите, что предлагаемому решению нужно от других систем. Поймите, что запускает выполнение, взаимозависимости с другими процессами, как прогнозы, которые он делает, приводят к выполнению действий.

Без трения понимается автоматизация интеграции. Цель здесь - интегрировать и уменьшить как можно большее трение.

Ключевые вопросы для рассмотрения:

  1. Полностью ли интегрировано решение AI в автоматизированные процессы?
  2. Должно ли оптимальное решение AI давать рекомендации человеку?
  3. Должен ли ИИ вовлекать человека в разговор?
  4. Подконтрольны ли компании действиям, которые следуют за прогнозом ИИ?
  5. Будет ли решение искусственного интеллекта ценным для новых пользователей, систем или третьих сторон? - подумайте о создании API, которые открываются для третьих лиц.

(ИНТЕГРАЦИЯ) Принцип 4: Интегрировать человеческое суждение по мере необходимости

Подумайте, как люди могут быть интегрированы в решение. Вот несколько причин, по которым требуется человеческое суждение:

  1. Недостаточная точность модели - требуется контроль человека
  2. Правительственные постановления
  3. Негативное отношение рынка или клиентов к полной автоматизации

Пример: когда решение ИИ загружается с небольшим объемом данных, человеческие решения могут ускорить обучение модели для достижения целей по качеству производительности. Человеческий вклад может быть зафиксирован либо неявно через данные о взаимодействии с продуктом. Данные о человеческом взаимодействии - важный способ оптимизации системы.

Пользователи могут рассчитывать на контроль, тем самым ограничивая уровень автоматизации. Завоевание доверия пользователей с течением времени должно позволить повысить уровень автоматизации без вмешательства человека.

Другая проблема заключается в том, что результат прогноза контролируется партнерами.

(МОДЕЛИ) Принцип 5: Понимание целей производительности

Анализируйте ожидаемую производительность с точки зрения ошибок, надежности и предвзятости

Производительность ИИ следует оценивать по следующим параметрам:

  1. Ошибки: неверные прогнозы на основе неверных данных обучения, ошибки программирования в самих ошибках.
  2. Надежность: как на модель влияют небольшие изменения входных данных.
  3. Предвзятость: насколько непреднамеренное дифференцированное отношение к определенным группам встроено в саму модель.

(МОДЕЛИ) Принцип 6. Начните с проверенных методов моделирования.

Стремитесь к простейшей модели, которая может выполнять большую часть работы. Узким местом является реализация модели. Проверенные модели обычно могут быть реализованы очень быстро. Требуемая степень объяснимости прогнозов модели различается, но часто она является ключевым определяющим фактором, поскольку клиентам требуется определенная степень контроля.

Бизнес-задачи можно упростить, разбив их на более мелкие задачи, где можно сопоставить каждый метод моделирования.

Документация по декомпозиции каждого бизнес-процесса для моделирования. Этот шаг может быть рентабельным, поскольку простые модели обычно проверены и их легче реализовать. Если есть небольшие процессы, которые можно автоматизировать / дополнить простыми моделями, то их следует идентифицировать как низко висящие плоды. План использования моделей для конкретного бизнес-процесса также следует продумать с точки зрения будущего улучшения модели / данных. Подумайте об улучшении графика цикла. Учтите, с какой частотой будут обновляться модели.

(ДАННЫЕ) Принцип 7. Собирайте соответствующие данные для поддержки

Разработайте все необходимые планы и инфраструктуру для сбора соответствующих данных для поддержки ваших моделей машинного обучения. Важнейший вопрос заключается в том, как спроектировать конвейер сбора данных, чтобы минимизировать потерю данных.

Первым шагом к решению любой проблемы с использованием методов машинного обучения является преобразование необработанных данных для наилучшего представления реальной сущности.

Разработка функций: определение наилучшего набора функций для каждой задачи, чтобы максимизировать полезность модели. Традиционное машинное обучение полагается на разработку функций, поскольку это резко улучшит производительность модели. Однако с появлением глубокого обучения глубокие нейронные сети можно обучать сквозным процессом, чтобы изучать как входное представление, так и параметры. Эта особенность глубоких нейронных сетей делает разработку функций не всегда необходимой.

(ДАННЫЕ) Принцип 8: Управляйте качеством на предмет ошибок и предвзятости

Поймите, что предвзятость может быть вызвана человеческим вкладом, который используется для обучения и оценки моделей. Процессы необходимы для отслеживания предвзятости и других ошибок. Многие могут возразить, что модели объективны, но на самом деле объем их входных данных может внести систематическую ошибку. Эти предубеждения необходимо, по крайней мере, довести до сведения и осведомленности руководства.

(УПРАВЛЕНИЕ) Принцип 9: Обеспечение отказоустойчивости как часть интеграции модели

Помните, что в моделях могут быть ошибки. Они могут терпеть неудачу и терпеть неудачу более одного раза. Это должно быть сделано за счет повышения надежности системы за счет отказоустойчивости.

Системы на основе ИИ со временем будут менять поведение из-за изменения входных данных / данных. Возможно, модели научились ошибочному поведению из-за непредвиденного включения неверных данных. Такое ошибочное поведение может оставаться незамеченным и нереализованным в течение длительного периода. Чтобы противостоять подобным ситуациям, необходимо использовать традиционные методы обнаружения неисправностей для последующих процессов, когда действия инициируются системой ИИ.

Вывод заключается в том, что отказоустойчивость должна быть разработана и встроена в системы на основе ИИ.

(УПРАВЛЕНИЕ) Принцип 10: Защищайте свою юридическую и этическую позицию

При построении системы искусственного интеллекта необходимо учитывать внешние факторы, такие как законодательство и настроения клиентов.

Что касается каждого из этих 10 принципов, грузинские партнеры также предоставили подробные оценочные листы, в которых оценивается уровень готовности данной организации к включению ИИ в свои процессы. Эти оценочные карточки и их определение следующие:

Заключительные мысли

Судя по позиционированию статьи, первым шагом является полное понимание лежащих в основе бизнес-процессов с точки зрения технологий, людей и данных. Только при полном понимании продукта команда сможет точно определить цель автоматизации. Практика наложения любых случайных моделей AI / DL на продукт для того, чтобы выглядеть модно, никогда не является хорошей долгосрочной продуктовой стратегией. Ядро все еще думает о том, где можно создать ценность за счет снижения затрат, повышения эффективности или чего-то действительно уникального. Цель создания продукта AI / DL / ML - представить ценность за счет автоматизации, управляемой моделями.

Во-вторых, для продукта, основанного на AI / DL / ML, чрезвычайно важна стратегия сбора данных. С тактической точки зрения мне нужно подумать о том, как данные о взаимодействии продукта, смежные данные, данные партнеров могут быть сохранены / записаны / эффективно использованы.