От известно време обмислям приложението на AI. Най-големият ми въпрос е: как да създавам продукти, ориентирани към AI/DL. Преди използвах ментален модел, когато мислех за интегриране на AI/ML/DL в софтуерни продукти по следните два начина:

  1. AI/ML/DL техники се проявяват като функции в даден продукт. Тези функции могат да бъдат видими или невидими за крайните потребители. В аналитичен продукт като модула Einstein на Salesforce, техниките AI/ML/DL са в предната част и в центъра, като инструктират и препоръчват на своите крайни потребители. От друга страна, свързаните с търсенето продукти на Google, ML/AI/DL техниките са вградени в изживяването, за да направят изживяването на продукта по-добро, без да бъдат изрично рекламирани – търсещите не се интересуват какви алгоритми използва Google. Google просто трябва да се увери, че най-подходящите резултати са представени на търсещите.
  2. AI/ML/DL техниките се намират на заден план, за да подобрят цялостното изживяване на продукта или други характеристики на продукта чрез вграждане в цикъла за обратна връзка. В една от предишните ми статии, където бяха обсъдени тактиките на екипа за растеж на Pinterest, използването на логистична регресия от екипа за растеж за подобряване на продуктовото изживяване и функции е добър пример за това.

Въпреки че мисленето за AI/ML/DL продукти чрез горните две категории ми помогна много, все още чувствам, че нещо липсва. Как точно се създава базиран на AI/ML/DL софтуерен продукт? Размишлявах върху този въпрос от месеци и тогава случайно попаднах на инвестиционната теза на Georgian Partner за приложен изкуствен интелект, докато слушах подкаста „Тази седмица в машинното обучение и AI“ (Това е страхотно предаване от начин). Бялата книга е свързана «тук. Наистина ми хареса да прегледам документа, тъй като той допълнително изяснява пътя към изграждането на продукти, управлявани от AI/ML/DL, като се фокусира върху ключови дискусии, свързани с процеси, интеграция, данни и модели. Следното е моят скромен опит да се опитам да интернализирам основната дискусия на статията чрез резюме и перифразиране.

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

Поставяне на сцената

Обхват: Бялата книга е за изкуствения тесен интелект вместо за общия. Това е за AI в специфични контексти.

Цели:

  1. Помислете как може да се приложи AI
  2. Помогнете за разработването на стратегия за предоставяне на възможности, стойност за клиента
  3. Въвежда принципите на приложния изкуствен интелект
  4. Въвежда рамка и модел на зрялост за включване на AI приложение

Отклонение от рамката на Applied Analytics:
Framework Applied AI има следните допълнения:

  1. Повишен фокус върху автоматизацията на процесите от край до край
  2. Използване на усъвършенствани ML техники
  3. По-добре формулирани цели за ефективност и точност на модела
  4. Подходящо използване на човешка преценка и автоматизирани прогнози
  5. Непрекъснато обучение и адаптиране чрез обратна връзка
  6. Подходи за ограничаване на влиянието на грешката и отклонението на модела
  7. Първо интегриране — процесът с активиран AI се използва от други процеси, данните последни

Групиране на 10-те принципа:

  1. Започнете с процесите: AI добавя стойност чрез инжектиране на прозрения в съществуващи процеси, оптимизиране на процеси, автоматизиране на целия/част от бизнес процесите (оптимизирани, разширени, автоматизирани или преоткрити)
  2. Интеграция: AI може да бъде интегриран чрез API за софтуер и интуитивни интерфейси за потребителите.
  3. Модели: Определяне на желаното ниво на ефективност от гледна точка на бизнеса. Избор на правилните модели, които постигат резултатите, като същевременно отговарят на бюджета, целите, наличните данни за обучение.
  4. Данни: Избраните техники за машинно обучение оказват влияние върху изискването за данни. Данните могат да идват от различни източници: притежавани и събрани, от партньори, трети страни
  5. Управление: Наблюдавайте ефективността и справедливостта и изграждайте доверие на клиентите.

Действителни принципи

(ПРОЦЕС) Принцип 1: разберете всички процеси

  1. Каталогизирайте процесите, които софтуерното решение позволява
  2. Всички съседни клиентски процеси на процесите, които софтуерът активира в момента
  3. Съответни процеси на трети страни. Процеси на партньори и конкуренти.

Мозъчна атака около следните измерения:
Ключът е да се документира как в момента се правят прогнози и решения за всеки процес. Обърнете внимание на потенциалните пропуски в информацията, които ограничават текущото вземане на решения. Идентифицирайте и документирайте ключови KPI, които се използват за измерване на бизнес процеси.

  1. Подобряване на съществуващия процес
  2. Как процесите могат да бъдат разширени допълнително, ако са възможни нови видове прогнози и автоматизации
  3. Помислете за възможностите за създаване на нови процеси, които в момента не са възможни с човешки усилия и интелигентност

(ПРОЦЕС) Принцип 2: дайте приоритет на най-ценните процеси

Идентифицирайте и приоритизирайте кои бизнес процеси са най-подходящи за автоматизиране. Съгласно принцип 2 трябва да се извършат поредица от дейности за оценка на тези процеси. Помислете за следните измерения:

  1. Разбиране:колко добре трябва да бъде разбран процесът? Процесът достатъчно добре дефиниран ли е, че моделът може да бъде обучен да автоматизира това?
  2. Автоматизация, мащаб, съображения за качество: Ще бъдат ли премахнати ограниченията поради автоматизацията? Има ли специфични законови или други изисквания за качеството на резултата?
  3. Данни: Има ли данни, които се улавят или биха могли да бъдат заснети, за да се позволи обучението на моделите?
  4. Контрол: Има ли пълна интеграция във всички крайни точки за вземане на решения, така че да може да има достатъчно голямо въздействие чрез автоматизирани действия?

Чрез това упражнение трябва да има изход от упражнението, който има списък с кандидат-процеси за автоматизиране и разширяване.

(ИНТЕГРАЦИЯ) Принцип 3: Проектирайте интеграции без триене

Разберете какво се нуждае от предложеното решение от други системи. Разберете какво задейства изпълнението, взаимозависимостите с други процеси, как прогнозите, които прави, ще доведат до предприемане на действия.

Без триене се определя като автоматизирана интеграция. Целта тук е да се интегрират и намалят колкото е възможно повече триенето.

Ключови въпроси за разглеждане:

  1. AI решението напълно ли е вградено в автоматизираните процеси?
  2. Необходимо ли е оптималното AI решение да предоставя препоръки на човек?
  3. Предназначен ли е AI да ангажира човек в разговор?
  4. Под контрола на компанията ли са стъпките, които следват прогнозата на AI?
  5. Ще бъде ли ценно AI решението за нови потребители, системи или трети страни? — обмислете изграждането на API, които се отварят за трети страни.

(ИНТЕГРАЦИЯ) Принцип 4: Интегрирайте човешката преценка според изискванията

Помислете как хората могат да бъдат интегрирани в решението. Ето някои причини, поради които е необходима човешка преценка:

  1. Недостатъчна точност на модела — необходим е човешки контрол
  2. Държавни разпоредби
  3. Отрицателни настроения на пазара или клиентите към пълна автоматизация

Пример: когато AI решението се зарежда с малко данни, човешките решения могат да ускорят обучението на модела, за да се постигнат целите за качество на производителността. Човешкият принос може да бъде уловен или имплицитно чрез данни за взаимодействие с продукта. Данните за човешкото взаимодействие са важен начин за оптимизиране на системата.

Потребителите може да очакват да контролират, като по този начин ограничават нивото на автоматизация. Спечелването на доверието на потребителите с течение на времето трябва да позволи повишаване на нивата на автоматизация без човешки задействания.

Другото безпокойство е, че резултатът от прогнозата се контролира от партньори.

(МОДЕЛИ) Принцип 5: Разберете целите за ефективност

Анализирайте очакванията за ефективност по отношение на грешки, устойчивост и пристрастия

Ефективността на AI трябва да се измерва спрямо следните измерения:

  1. Грешки: грешни прогнози от лоши тренировъчни данни, програмни грешки в самите грешки
  2. Устойчивост: Как моделът се влияе от малки промени във входа
  3. Пристрастност: Как непреднамереното диференцирано третиране на конкретни групи е вградено в самия модел.

(МОДЕЛИ) Принцип 6: Започнете с доказани техники за моделиране

Стремете се към най-простия модел, който може да свърши по-голямата част от работата. Внедряването на модела е тясното място. Доказаните модели обикновено могат да бъдат внедрени много бързо. Необходимата степен на обяснимост на прогнозите на модела варира, но често е ключов фактор, тъй като клиентите изискват известна степен на контрол.

Бизнес проблемите могат да бъдат опростени чрез разделяне на по-малки въпроси, където всяка техника на моделиране може да бъде съпоставена.

Документация за това как всеки бизнес процес може да бъде декомпозиран за моделиране. Тази стъпка може да бъде рентабилна, тъй като простите модели обикновено са доказани и по-лесни за изпълнение. Ако има малки процеси, които могат да бъдат автоматизирани/разширени с прости модели, тогава те трябва да бъдат идентифицирани като ниско висящи плодове. Планът за използване на модели за конкретен бизнес процес също трябва да бъде обмислен от гледна точка на бъдещо подобряване на модела/данните. Помислете за подобряване на графика на цикъла. Помислете за ритъма, с който ще се актуализират моделите.

(ДАННИ) Принцип 7: Уловете подходящи данни за поддръжка

Разработете всички необходими планове и инфраструктура за улавяне на подходящи данни в подкрепа на вашите модели за машинно обучение. Критичният въпрос е как да се проектира тръбопроводът за улавяне на данни, за да се минимизира загубата на данни.

Първата стъпка към решаването на всеки проблем с помощта на техники за машинно обучение е да се трансформират необработените данни, за да представят най-добре обекта от реалния свят.

Инженеринг на функции: идентифициране на най-добрия набор от функции за всяка задача, за да се увеличи максимално полезността на модела. Традиционният ML разчита на инженеринг на функции, тъй като това би подобрило драстично производителността на модела. Въпреки това, поради появата на задълбочено обучение, дълбоките невронни мрежи могат да бъдат обучени чрез процес от край до край, за да научат както входното представяне, така и параметрите. Тази характеристика на дълбоките невронни мрежи прави инженеринга на функции не винаги необходим.

(ДАННИ) Принцип 8: Управление на качеството за грешки и отклонения

Разберете, че пристрастията може да идват от човешки принос, който се използва за обучение и оценка на моделите. Необходими са процеси за наблюдение за пристрастия и други грешки. Мнозина може да твърдят, че моделите са обективни, но всъщност обхватът на техните входни данни може да доведе до пристрастия. Тези пристрастия трябва поне да бъдат доведени до вниманието и осведомеността на ръководството.

(УПРАВЛЕНИЕ) Принцип 9: Изграждане на толерантност към грешки като част от интеграцията на модела

Признайте, че моделите ще имат грешки. Те могат да се провалят и да се провалят повече от веднъж. Това трябва да стане чрез повишаване на надеждността на системата чрез устойчивост на грешки.

Системите, базирани на AI, ще имат променящо се поведение с течение на времето поради променящите се входове/данни. Моделите може да са научили погрешно поведение поради някакво непредвидено включване на грешни данни. Тези погрешни поведения могат да останат незабелязани и нереализирани за продължителен период от време. За да се противодейства на ситуации като тази, традиционните техники за откриване на грешки за процесите надолу по веригата трябва да бъдат налице, когато действията се инициират от AI система.

Изводът е, че толерантността към грешки трябва да бъде проектирана и вградена в системи, базирани на AI.

(УПРАВЛЕНИЕ) Принцип 10: Защитавайте своята правна и етична позиция

Външни фактори като законодателство и настроения на клиентите трябва да се вземат предвид при изграждането на AI система.

По отношение на всеки от тези 10 принципа, Georgian Partners предоставиха и подробна карта с резултати, която оценява нивото на зрялост на готовността на дадена организация да включи AI в своите процеси. Тези карти с резултати и тяхното определение са както следва:

Заключителни мисли

От начина, по който е позициониран документът, първата стъпка е пълното разбиране на основните бизнес процеси от гледна точка на технологиите, хората и данните. Само с пълно разбиране продуктовият екип би могъл да определи целта за автоматизация. Практиката да се поставят всякакви произволни AI/DL модели върху продукта, за да изглежда модерен, никога не е добра дългосрочна продуктова стратегия. Ядрото все още обмисля къде може да се създаде стойност чрез намалени разходи, подобрена ефективност или нещо наистина уникално. Целта на изграждането на AI/DL/ML продукт е да се въведе стойност чрез управлявана от модел автоматизация.

Второ, стратегията за събиране на данни е изключително важна за продукт, управляван от AI/DL/ML. Тактически за мен трябва да помисля как данните за взаимодействие с продукти, съседните данни, данните на партньора могат да бъдат съхранявани/записвани/използвани ефективно.