Az AI eljuttatása a laborból a gyártásba

A vállalat alig várja, hogy a mesterséges intelligenciát kiszorítsa a laborból a termelési környezetekbe, ahol remélhetőleg új korszakot nyit meg. termelékenység és a jövedelmezőség. De ez nem olyan egyszerű, mint amilyennek látszik, mert kiderült, hogy az AI sokkal másképp viselkedik a tesztpadon, mint a való világban.

A labor és a tényleges alkalmazások közötti domborulat leküzdése hamarosan a következő fő célként jelenik meg az AI bevezetéséért folyó versenyben. Mivel az intelligens technológia folyamatos áramlást igényel megbízható adatok a megfelelő működéshez a felügyelt környezet nem feltétlenül a hagyományos szoftverek bizonyítási alapja. Az AI esetében az ellenőrizetlen környezet jelenti az igazi próbatételt, és sok modell meghibásodik.

A „halál völgye”

Ennek a „halálvölgynek” az átkelés annyira fontossá vált, hogy egyes szervezetek vezetői szintű alapkompetenciává emelik. Valerie Bécaert, a ServiceNow's Advanced Technology Group (ATG) kutatási és tudományos programokért felelős vezető igazgatója, most vezeti a vállalat kutatásait ennek a szakadéknak az áthidalására. Ahogy a Workflow-nak nemrégiben kifejtette, nem csak az MI megfelelő képzéséről van szó, hanem a szervezeti kultúra átalakításával is, hogy javítsák az AI-készségeket és elősegítsék a kockázatok nagyobb elfogadását.

Az egyik technika, amelyen a csoport dolgozik, az AI korlátozott adatokkal való képzése, hogy az önállóan tanulhasson meg új igazságokat. A valós adatkörnyezetek végül is jóval nagyobbak, mint a laborok, és számtalan forrásból érkeznek adatok. Ahelyett, hogy egyszerűen kezdetleges modelleket dobnának ebbe a kaotikus környezetbe, az alacsony adatmennyiségű tanulás leegyszerűsített utat biztosít a hatékonyabb modellekhez, amelyek bonyolultabb következtetéseket tudnak extrapolálni a megszerzett ismereteik alapján.

A közelmúltbeli jelentése McKinsey & Co., kiemelte, hogy a vezető mesterséges intelligencia gyakorlói – amelyeket a vállalat úgy határoz meg, hogy az EBIT 20%-át az MI-nek tudják tulajdonítani – folyamatosan és megbízhatóan tolják be a projekteket a termelésbe. Az alapvető bevált gyakorlatok között a vállalat a következőket határozta meg:

• Alkalmazzon tervezési gondolkodást az eszközök fejlesztése során
• Tesztelje a teljesítményt belsőleg a telepítés előtt, és kövesse nyomon a teljesítményt a termelésben, hogy biztosítsa az eredmények folyamatos javulását
• Jól definiált adatkezelési folyamatok és protokollok létrehozása
• Fejleszti a technológiai személyzet mesterséges intelligencia készségeit

Más bizonyítékok arra utalnak, hogy a felhő előnyt jelent a mesterséges intelligencia éles környezetben történő telepítése során. A felhő széles skálázhatósága mellett eszközök és képességek széles skáláját kínálja, mint pl. természetes nyelvértés (NLU) és arcfelismerés.

AI-k pontosság és precizitás

Ennek ellenére a mesterséges intelligencia gyártásba való bevezetésének problémája részben magával az AI-modellel van. Android fejlesztő Harshil Patel a Neptune nemrégiben megjegyezte, hogy a legtöbb modell nagy pontossággal, de alacsony precizitással tesz jóslatokat. Ez olyan üzleti modelleknél jelent problémát, amelyek pontos méréseket igényelnek, kevés hibatűréssel. 

Ennek ellensúlyozására a szervezeteknek nagyobb gondot kell fordítaniuk a kiugró adatkészletek kiküszöbölésére a képzési folyamatban, valamint folyamatos monitorozást kell végrehajtaniuk annak biztosítására, hogy a torzítás és a szórás ne csússzon be a modellbe idővel. Egy másik probléma az osztályok kiegyensúlyozatlansága, amely akkor fordul elő, ha az egyik osztály előfordulása gyakoribb, mint a másik. Ez eltorzíthatja az eredményeket a valós tapasztalatoktól, különösen az új tartományokból származó adatkészletek bevezetésekor.

A gyártásra kész mesterséges intelligencia technológiai gátlóin kívül kulturális tényezőket is figyelembe kell venni, mondja Andrew NG, a Stamford Egyetem adjunktusa és a deeplearning.ai alapítója. Az AI hajlamos megzavarni a vállalat számos érintettjének munkáját. Befizetésük nélkül több száz óra fejlesztés és képzés megy kárba. Ez az oka annak, hogy az AI-projekteknek nemcsak hatékonynak és hasznosnak kell lenniük azoknak, akik használni fogják őket, hanem magyarázhatónak is kell lenniük. Minden projekt első lépése tehát annak a hatókörnek a meghatározása, amelyben a műszaki és üzleti csapatok találkoznak, hogy meghatározzák a „mit tud az AI” és „mi a legértékesebb az üzlet számára” metszéspontját.

A technológia története bővelkedik a problémákat kereső megoldási példákban. A mesterséges intelligencia előnye, hogy olyan rugalmas, hogy egy meghibásodott megoldás gyorsan újrakonfigurálható és újratelepíthető, de ez költségessé és hiábavalóvá válhat, ha nem vonják le a megfelelő tanulságokat a hibákból.

Ahogy a vállalat halad előre az MI-vel, a kihívás nem az lesz, hogy a technológiát az elképzelhető korlátokig tolja, hanem annak biztosítása, hogy az AI-modellek fejlesztésére és betanítására fordított erőfeszítések a mai valós problémák megoldására összpontosuljanak, miközben biztosítják, hogy azután elforduljanak. a jövőben felmerülő problémákra.

Forrás: https://venturebeat.com/2022/01/24/getting-ai-from-the-lab-to-production/