Durante la produzione dell'AI, ci sono numerose sfide che puoi incontrare, come come applicare il tuo modello AI a un processo o a persone, stabilizzare dati e modelli, come mantenere il tuo modello accurato in ambienti mutevoli e nel tempo, ridimensionamento e come crescere o aumenta le capacità del tuo modello di intelligenza artificiale.
Incorporamento dell'IA
L'esecuzione di un Proof of Concept (PoC) di machine learning di successo con un nuovo algoritmo è solo il 10% dello sforzo richiesto per produrlo e trarne un valore effettivo. Il restante 90% può essere suddiviso in cose che devi fare per realizzare un prodotto utilizzabile e cose che devi fare per realizzare un prodotto utile.
Per creare un prodotto utilizzabile, è necessario ingrandire l'implementazione tecnica per rendere disponibile il prodotto ai propri utenti. Per renderlo utile, dovresti cercare di incorporare il prodotto in un processo per gli utenti. Innanzitutto, però, qual è esattamente la differenza tra un PoC e un prodotto utilizzabile?
Prima di tutto, i PoC non sono pensati per la produzione. I prodotti devono funzionare sempre, in qualsiasi momento e in circostanze mutevoli. Durante il tuo PoC, trovi i dati che stai cercando, ne fai una copia e inizi a ripulirli e analizzarli. In produzione, la tua origine dati deve essere connessa a una piattaforma dati in tempo reale, in modo sicuro e protetto; il flusso di dati deve essere manipolato automaticamente e confrontato/combinato con altre fonti di dati.
Durante il tuo PoC, hai il lusso di poter parlare con i tuoi futuri utenti e lavorare con loro per progettare una soluzione, oppure non hai alcun utente e stai progettando una soluzione tecnica. Per un prodotto, hai utenti che devono comprendere quella soluzione e persone responsabili del mantenimento della soluzione tecnica in esecuzione. Pertanto, un prodotto richiede formazione, domande frequenti e/o linee di supporto per essere utilizzabile. Inoltre, devi semplicemente creare una nuova versione per il tuo unico caso d'uso in un PoC. I prodotti richiedono aggiornamenti e, una volta implementato il prodotto per più clienti, è necessario un modo per testare e distribuire il codice per la produzione (pipeline CI/CD).
“In Itility, abbiamo sviluppato la nostra Itility Data Factory e AI Factory che coprono gli elementi costitutivi e la piattaforma sottostante per tutti i nostri progetti. Ciò significa che abbiamo l'angolo utilizzabile coperto dall'inizio, in modo che possiamo concentrarci sull'angolo utile (che è più dipendente dal cliente e dal caso d'uso)”, ha affermato la società.
App di rilevamento dei parassiti: da PoC a prodotto utilizzabile
“La fase di prova del concetto della nostra app di rilevamento dei parassiti consisteva in un modello in grado di svolgere il compito ristretto di classificare e contare le mosche su una trappola adesiva sulla base delle immagini scattate dai membri del team della serra. Nel caso in cui avessero perso una foto o se qualcosa fosse andato storto, potevano tornare indietro e scattarne un'altra, o ripararla direttamente nel cruscotto. Sono stati necessari alcuni controlli manuali.
“Il nostro mondo PoC era semplice, basato su un singolo dispositivo, un singolo utente e un singolo cliente. Tuttavia, per renderlo un prodotto utilizzabile, avevamo bisogno di ridimensionare e supportare più clienti. Quindi, sorge la domanda su come mantenere i dati separati e al sicuro. Inoltre, ogni singolo cliente/macchina richiede un setup e una configurazione di default. Quindi, come configurare/impostare 20 nuovi clienti? Come fai a sapere quando creare un'interfaccia di amministrazione e automatizzare l'onboarding? A 2 clienti, 20 o 200?"
Naturalmente, potresti avere domande, come "in che modo contare le mosche aiuta il mio cliente?" Come creare valore da queste informazioni? Come consigliare decisioni e agire? Come si inserisce questa applicazione AI nel processo aziendale?'. Il primo passo è cambiare il tuo quadro di riferimento da una prospettiva tecnica/dati alla prospettiva dell'utente finale. Ciò significa continuare la conversazione con il cliente e vedere come il comprovato PoC si inserisce nei processi quotidiani.
“Devi anche seguire da vicino il processo per un periodo di tempo più lungo, devi partecipare a riunioni operative e tattiche per capire davvero quali azioni vengono intraprese ogni giorno in base a quali informazioni, quanto tempo viene dedicato a fare cosa e il ragionamento dietro certe azioni. Senza capire come le informazioni del tuo modello vengono utilizzate per creare valore aziendale, non otterrai un prodotto utile.
“Nel nostro caso, abbiamo scoperto quali informazioni sono state utilizzate per prendere decisioni. Ad esempio, abbiamo scoperto che per alcuni parassiti era più importante seguire l'andamento settimanale (per il quale non servono precisioni altissime) mentre altri richiedono un intervento al primo segno di un parassita (il che significa che è meglio avere un paio di falsi positivi piuttosto che avere anche un solo falso negativo).
“Inoltre, abbiamo scoperto che il nostro cliente aveva avuto in precedenza un'esperienza 'cattiva' con uno strumento simile che affermava di avere precisioni che non era in grado di fornire in pratica. Perché dovrebbero fidarsi dei nostri? Abbiamo preso di petto questo problema di fiducia e abbiamo fatto dell'accuratezza e della trasparenza una caratteristica fondamentale del prodotto. Abbiamo utilizzato queste informazioni per rendere utile il nostro prodotto adattando l'applicazione ai metodi di lavoro dell'utente finale e aumentando la trasparenza nell'interazione, dando all'utente un maggiore controllo sull'applicazione”, continua l'azienda.
Qual è la sfida più grande?
“Nel nostro scenario di conteggio delle mosche, possiamo parlare del nostro punteggio di precisione quanto vogliamo. Tuttavia, per essere utile, l'utente (uno specialista in serre) ha bisogno di più delle percentuali. Ciò che serve è sperimentarlo e imparare a fidarsi di esso. La cosa peggiore che può accadere è quando i tuoi utenti confrontano i tuoi risultati con i loro risultati manuali e c'è una (grande) discrepanza. La tua reputazione è rovinata e non c'è spazio per riconquistare la fiducia. Abbiamo contrastato questo aggiungendo un software al prodotto che incoraggia l'utente a cercare quelle discrepanze e correggerle.
“Il nostro approccio è quindi quello di rendere l'utente parte della soluzione AI invece di presentarlo come un sistema che andrà a sostituire lo specialista. Trasformiamo lo specialista in operatore. L'intelligenza artificiale sta aumentando le loro capacità e gli specialisti mantengono il controllo insegnando e guidando continuamente l'intelligenza artificiale per apprendere di più e apportare correzioni quando l'ambiente o altre variabili si spostano. In qualità di operatore, lo specialista è parte integrante della soluzione, insegnando e addestrando l'IA con azioni specifiche".
Clicchi qui per vedere un video con maggiori dettagli sull'approccio incentrato sull'operatore.