Al producir IA, existen numerosos desafíos que puede encontrar, como cómo aplicar su modelo de IA a un proceso o personas, estabilizar datos y modelos, cómo mantener su modelo preciso en entornos cambiantes y con el tiempo, escalar y cómo crecer. o aumentar las capacidades de su modelo de IA.
Incorporación de IA
Ejecutar una prueba de concepto (PoC) de aprendizaje automático con un nuevo algoritmo es solo el 10% del esfuerzo requerido para producirla y obtener un valor real de ella. El 90% restante se puede dividir en cosas que debe hacer para hacer un producto utilizable y cosas que debe hacer para hacer un producto útil.
Para hacer un producto utilizable, necesita enfocarse en la implementación técnica de poner el producto a disposición de sus usuarios. Para que sea útil, debería considerar la posibilidad de incorporar el producto en un proceso para los usuarios. Primero, sin embargo, ¿cuál es exactamente la diferencia entre un PoC y un producto utilizable?
En primer lugar, las PoC no están destinadas a la producción. Los productos deben funcionar todo el tiempo, en cualquier momento y en circunstancias cambiantes. Durante su PoC, encuentra los datos que está buscando, hace una copia y comienza a limpiarlos y analizarlos. En producción, su fuente de datos debe estar conectada a una plataforma de datos en tiempo real, segura y protegida; el flujo de datos debe manipularse automáticamente y compararse o combinarse con otras fuentes de datos.
Durante su PoC, puede darse el lujo de poder hablar con sus futuros usuarios y trabajar con ellos para diseñar una solución, o no tiene ningún usuario y está diseñando una solución técnica. Para un producto, tiene usuarios que necesitan comprender esa solución y personas responsables de mantener la solución técnica en funcionamiento. Por lo tanto, un producto requiere capacitación, preguntas frecuentes y / o líneas de soporte para que sea utilizable. Además, solo crea una nueva versión para su caso de uso único en un PoC. Los productos requieren actualizaciones, y cuando ha implementado su producto para varios clientes, necesita una forma de probar e implementar su código para la producción (canalizaciones de CI / CD).
“En Itility, hemos desarrollado nuestro Itility Data Factory y AI Factory que cubren los componentes básicos y la plataforma subyacente para cualquiera de nuestros proyectos. Esto significa que tenemos el ángulo utilizable cubierto desde el principio, de modo que podemos enfocarnos en el ángulo útil (que depende más del cliente y del caso de uso) ”, afirmó la compañía.
Aplicación de detección de plagas: desde PoC hasta producto utilizable
“La fase de prueba de concepto de nuestra aplicación de detección de plagas consistió en un modelo que puede realizar la tarea limitada de clasificar y contar moscas en una trampa de pegamento basándose en imágenes tomadas por los miembros del equipo del invernadero. En caso de que se perdieran una foto o si algo saliera mal, podrían regresar y tomar otra, o arreglarlo directamente en el tablero. Se necesitaban bastantes comprobaciones manuales.
“Nuestro mundo de PoC era simple, basado en un solo dispositivo, un solo usuario y un solo cliente. Sin embargo, para convertirlo en un producto utilizable, necesitábamos escalar y brindar soporte a múltiples clientes. Entonces, surge la cuestión de cómo mantener los datos separados y seguros. Además, cada cliente / máquina individual requiere una instalación y una configuración predeterminada. Entonces, ¿cómo configurar / configurar 20 nuevos clientes? ¿Cómo sabe cuándo crear una interfaz de administración y automatizar la incorporación? ¿Con 2 clientes, 20 o 200? "
Por supuesto, es posible que tenga preguntas, como '¿cómo ayuda el conteo de moscas a mi cliente? ¿Cómo crear valor a partir de esta información? ¿Cómo recomendar decisiones y actuar? ¿Cómo encaja esta aplicación de IA en el proceso empresarial? '. El primer paso es cambiar su marco de referencia desde una perspectiva técnica / de datos a la perspectiva del usuario final. Esto significa continuar la conversación con su cliente y ver cómo encaja el PoC probado en los procesos diarios.
“También debe seguir de cerca el proceso durante un período de tiempo más largo, debe unirse a reuniones operativas y tácticas para comprender realmente qué acciones se toman todos los días en función de qué información, cuánto tiempo se dedica a hacer qué y el razonamiento detrás de ciertas acciones. Si no comprende cómo se utiliza la información de su modelo para crear valor comercial, no obtendrá un producto útil.
“En nuestro caso, descubrimos qué información se utilizó para tomar decisiones. Por ejemplo, descubrimos que para algunas plagas era más importante seguir la tendencia semanal (para lo cual no se necesitan precisiones muy altas), mientras que otras requieren acción ante la primera señal de una plaga (lo que significa que es mejor tener un par de falsos positivos que tener incluso un falso negativo).
“Además, descubrimos que nuestro cliente había tenido previamente una 'mala' experiencia con una herramienta similar que afirmaba tener precisiones que no podía ofrecer en la práctica. ¿Por qué iban a confiar en los nuestros? Tomamos este problema de confianza de frente e hicimos que la precisión y la transparencia fueran una característica clave del producto. Usamos esta información para hacer que nuestro producto fuera útil adaptando la aplicación a los métodos de trabajo del usuario final y aumentando la transparencia en la interacción, dando al usuario más control sobre la aplicación ”, continúa la empresa.
¿Cuál es el mayor desafío?
“En nuestro escenario de conteo de moscas, podemos hablar sobre nuestro puntaje de precisión todo lo que queramos. Sin embargo, para ser útil, el usuario (un especialista en invernaderos) necesita más que porcentajes. Lo que se necesita es experimentarlo y aprender a confiar en él. Lo peor que puede suceder es cuando sus usuarios comparan sus resultados con sus propios resultados manuales y existe una (gran) discrepancia. Su reputación está arruinada y no hay lugar para recuperar la confianza. Contrarrestamos esto agregando software al producto que alienta al usuario a buscar esas discrepancias y corregirlas.
“Nuestro enfoque es, por lo tanto, hacer que el usuario forme parte de la solución de IA en lugar de presentarlo como un sistema que reemplazará al especialista. Convertimos al especialista en operador. La IA está aumentando sus habilidades y los especialistas mantienen el control al enseñar y guiar continuamente a la IA para que aprenda más y haga correcciones cuando el entorno u otras variables se desvíen. Como operador, el especialista es una parte integral de la solución: enseña y capacita a la IA con acciones específicas ".
Haga Clic en esta página para ver un video con más detalles sobre el enfoque centrado en el operador.