AI van het lab naar productie brengen

De onderneming wil AI graag uit het laboratorium naar productieomgevingen duwen, waar het hopelijk een nieuw tijdperk zal inluiden produktiviteit en winstgevendheid. Maar dit is niet zo eenvoudig als het lijkt, omdat blijkt dat AI zich in de proeftuin veel anders gedraagt ​​dan in de echte wereld.

Het overwinnen van deze kloof tussen het laboratorium en daadwerkelijke toepassingen wordt snel het volgende belangrijke doel in de race om AI in te zetten. Omdat intelligente technologie een gestage stroom van informatie vereist betrouwbare data Om goed te kunnen functioneren is een gecontroleerde omgeving niet noodzakelijkerwijs de proeftuin voor traditionele software. Met AI is de ongecontroleerde omgeving nu de echte test, en veel modellen falen.

De 'vallei van de dood'

Het oversteken van deze ‘Valley of Death’ is zo cruciaal geworden dat sommige organisaties dit tot een kerncompetentie op directieniveau verheffen. Valerie Becaert, senior directeur van onderzoeks- en wetenschappelijke programma's bij ServiceNow's Advanced Technology Group (ATG), leidt nu het onderzoek van het bedrijf naar het overbruggen van deze kloof. Zoals ze onlangs aan Workflow uitlegde, gaat het niet alleen om het goed trainen van de AI, maar ook om het transformeren van de organisatiecultuur om de AI-vaardigheden te verbeteren en een grotere acceptatie van risico’s te bevorderen.

Eén techniek waar de groep aan werkt, is het trainen van AI met beperkte gegevens, zodat deze zelf nieuwe waarheden kan leren. Gegevensomgevingen in de echte wereld bestaan ​​immers grotendeels uit meer dan het laboratorium, waarbij gegevens uit talloze bronnen binnenkomen. In plaats van eenvoudigweg rudimentaire modellen in deze chaotische omgeving te gooien, biedt leren met weinig gegevens een vereenvoudigd pad naar effectievere modellen die complexere conclusies kunnen extrapoleren op basis van de verworven kennis.

Een recent rapport van McKinsey & Co., benadrukte enkele van de manieren waarop toonaangevende AI-beoefenaars – die het bedrijf definieert als degenen die 20% van de EBIT aan AI kunnen toeschrijven – projecten gestaag en betrouwbaar in productie brengen. Onder de belangrijkste best practices heeft het bedrijf het volgende gedefinieerd:

• Gebruik design thinking bij het ontwikkelen van tools
• Test de prestaties intern vóór implementatie en volg de prestaties in de productie om ervoor te zorgen dat de resultaten een gestage verbetering laten zien
• Zorg voor goed gedefinieerde data governance-processen en -protocollen
• Ontwikkel de AI-vaardigheden van technologiepersoneel

Ander bewijsmateriaal lijkt erop te wijzen dat de cloud een voordeel biedt bij de inzet van AI in productieomgevingen. Naast de brede schaalbaarheid van de cloud biedt het ook een breed scala aan tools en mogelijkheden, zoals begrip van de natuurlijke taal (NLU) en gezichtsherkenning.

AI's nauwkeurigheid en precisie

Toch ligt een deel van het probleem bij het in productie brengen van AI bij het AI-model zelf. Android-ontwikkelaar Harshil Patel merkte onlangs op Neptunus op dat de meeste modellen voorspellingen doen met een hoge nauwkeurigheid, maar met een lage precisie. Dit is een probleem voor bedrijfsmodellen die exacte metingen vereisen met weinig tolerantie voor fouten. 

Om dit tegen te gaan, moeten organisaties er beter op letten dat datasets die uitschieters zijn in het trainingsproces worden geëlimineerd, en moeten ze continue monitoring implementeren om ervoor te zorgen dat er na verloop van tijd geen bias en variantie in het model terechtkomt. Een ander probleem is het onevenwicht tussen klassen, dat optreedt wanneer exemplaren van de ene klasse vaker voorkomen dan de andere. Dit kan de resultaten afleiden van ervaringen uit de echte wereld, vooral als datasets uit nieuwe domeinen worden geïntroduceerd.

Naast de technologische belemmeringen voor productieklare AI zijn er ook culturele factoren waarmee rekening moet worden gehouden, zegt Andrew NG, adjunct-professor aan Stamford University en oprichter van deeplearning.ai. AI heeft de neiging het werk van talloze belanghebbenden in de onderneming te verstoren. Zonder hun betrokkenheid gaan honderden uren aan ontwikkeling en training verloren. Dit is de reden waarom AI-projecten niet alleen effectief en nuttig moeten zijn voor degenen die ze gaan gebruiken, maar ook verklaarbaar moeten zijn. De eerste stap in elk project zou dan ook het definiëren van de reikwijdte moeten zijn, waarin technische en zakelijke teams elkaar ontmoeten om het snijvlak te bepalen van ‘wat AI kan doen’ en ‘wat het meest waardevol is voor het bedrijfsleven’.

De geschiedenis van de technologie staat vol met voorbeelden van oplossingen op zoek naar problemen. AI heeft het voordeel dat het zo flexibel is dat een mislukte oplossing snel opnieuw kan worden geconfigureerd en opnieuw kan worden ingezet, maar dit kan duur en nutteloos worden als er niet de juiste lessen worden getrokken uit de mislukkingen.

Naarmate de onderneming vooruitgang boekt met AI, zal de uitdaging niet zijn om de technologie tot het uiterste te drijven, maar om ervoor te zorgen dat de inspanningen die worden gestoken in het ontwikkelen en trainen van AI-modellen gericht zijn op het oplossen van de echte problemen van vandaag en er tegelijkertijd voor zorgen dat ze vervolgens kunnen veranderen. voor de problemen die zich in de toekomst zullen voordoen.

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