Uzņēmumiem nepatīk to atzīt, taču ceļš uz ražošanas līmeņa AI ieviešanu ir pilns ar pierādījumiem par koncepcijām (PoC), kas nekur nenonāk, vai neveiksmīgiem projektiem, kas nekad nesasniedz savus mērķus. Atsevišķās jomās ir maz tolerances pret iterāciju, jo īpaši tādās jomās kā dzīvības zinātnes, kad mākslīgā intelekta lietojumprogramma veicina jaunu ārstēšanu tirgū vai slimību diagnostiku. Pat nedaudz neprecīzas analīzes un pieņēmumi agrīnā stadijā var radīt ievērojamu novirzi pa straumi tādos veidos, kas var radīt bažas.
Analizējot desmitiem AI PoC, kas tika pilnībā izmantotas vai netika izmantotas, atklājas sešas izplatītas nepilnības. Interesanti, ka neveiksmi parasti izraisa nevis tehnoloģiju kvalitāte, wager gan nepareizi saskaņoti mērķi, slikta plānošana vai nereālas cerības. Tālāk ir sniegts kopsavilkums par to, kas nogāja greizi reālos piemēros, un praktiski norādījumi, kā to novērst.
1. nodarbība. Neskaidra vīzija vēsta par katastrofu
Katram AI projektam ir nepieciešams skaidrs, izmērāms mērķis. Bez tā izstrādātāji veido risinājumu, meklējot problēmu. Piemēram, izstrādājot mākslīgā intelekta sistēmu farmācijas ražotāja klīniskajiem pētījumiem, komandas mērķis bija “optimizēt izmēģinājuma procesu”, wager nedefinēja, ko tas nozīmē. Vai viņiem bija jāpaātrina pacientu atlase, jāsamazina dalībnieku atbirumu skaits vai jāsamazina kopējās izmēģinājuma izmaksas? Fokusa trūkuma dēļ tika izveidots modelis, kas bija tehniski drošs, wager neatbilst klienta aktuālākajām darbības vajadzībām.
Līdzņemšanai: jau iepriekš definējiet konkrētus, izmērāmus mērķus. Izmantot SMART kritēriji (Konkrēts, izmērāms, sasniedzams, atbilstošs, ierobežots laiks). Piemēram, mēģiniet “sešu mēnešu laikā samazināt aprīkojuma dīkstāves laiku par 15%, nevis neskaidru “uzlabot lietas”. Dokumentējiet šos mērķus un savlaicīgi saskaņojiet ieinteresētās personas, lai izvairītos no tvēruma palielināšanās.
2. nodarbība. Datu kvalitāte pārspēj kvantitāti
Dati ir mākslīgā intelekta dzīvības spēks, wager sliktas kvalitātes dati ir inde. Vienā projektā mazumtirdzniecības klients sāka ar gadiem ilgiem pārdošanas datiem, lai prognozētu krājumu vajadzības. Nozveja? Datu kopa bija pilna ar nekonsekvenci, tostarp trūkstošiem ierakstiem, ierakstu dublikātiem un novecojušiem produktu kodiem. Modelis darbojās labi testēšanā, wager neizdevās ražošanā, jo tas mācījās no trokšņainiem, neuzticamiem datiem.
Līdzņemšanai: ieguldiet datu kvalitātē salīdzinājumā ar apjomu. Izmantojiet tādus rīkus kā Pandas priekšapstrādei un Nice Expectations datu validācijai savlaicīgi uztvert problēmas. Veiciet izpētes datu analīzi (EDA), izmantojot vizualizācijas (piemēram, Seaborn), lai atklātu novirzes vai neatbilstības. Tīri dati ir vairāk vērti nekā terabaiti atkritumu.
3. nodarbība. Pārmērīga modeļa sarežģīšana rada pretēju efektu
Tehniskās sarežģītības dzīšanās ne vienmēr nodrošina labākus rezultātus. Piemēram, veselības aprūpes projektā izstrāde sākotnēji sākās, izveidojot sarežģītu konvolucionālo neironu tīklu (CNN), lai identificētu anomālijas medicīniskajos attēlos.
Lai gan modelis bija vismodernākais, tā augstās skaitļošanas izmaksas nozīmēja nedēļu ilgas apmācības un tās "melnā kaste" Dabas dēļ ārstiem bija grūti uzticēties. Lietojumprogramma tika pārskatīta, lai ieviestu vienkāršāku izlases meža modeli, kas ne tikai atbilda CNN paredzamajai precizitātei, wager arī bija ātrāk apmācāms un daudz vieglāk interpretējams – tas ir kritisks faktors klīniskai pieņemšanai.
Līdzņemšanai: Sāciet vienkārši. Izmantojiet vienkāršus algoritmus, piemēram, nejaušs mežs vai XGBoost no scikit-learn izveidot bāzes līniju. Tikai tad, ja problēma ir nepieciešama, mērogojiet līdz sarežģītiem modeļiem — uz TensorFlow balstītiem ilgtermiņa īstermiņa atmiņas (LSTM) tīkliem. Piešķiriet prioritāti izskaidrojamībai, izmantojot tādus rīkus kā SHAP (SHapley Additive ExPlanations), lai vairotu ieinteresēto personu uzticēšanos.
4. nodarbība: izvietošanas realitātes ignorēšana
Modelis, kas spīd Jupyter piezīmjdatorā, var avarēt reālajā pasaulē. Piemēram, uzņēmuma sākotnējā ieteikumu dzinēja izvietošana savai e-komercijas platformai nevarēja apkalpot maksimālo trafiku. Modelis tika izveidots, nedomājot par mērogojamību, un tas tika noslāpēts zem slodzes, izraisot aizkavēšanos un neapmierinātus lietotājus. Uzraudzība maksāja nedēļas ilgas pārstrādes.
Līdzņemšanai: Plānojiet ražošanu no pirmās dienas. Iesaiņojiet modeļus Docker konteineros un izvietojiet ar Kubernetes mērogojamībai. Lai veiktu efektīvus secinājumus, izmantojiet TensorFlow Serving vai FastAPI. Pārraugiet veiktspēju, izmantojot Prometheus un Grafana, lai savlaicīgi atklātu vājās vietas. Lai nodrošinātu uzticamību, pārbaudiet reālos apstākļos.
5. nodarbība: modeļa apkopes neievērošana
AI modeļi nav iestatīti un aizmirsti. Finanšu prognozēšanas projektā modelis darbojās labi vairākus mēnešus, līdz tirgus apstākļi mainījās. Neuzraudzīta datu novirze izraisīja prognozes pasliktināšanos, un pārkvalifikācijas cauruļvada trūkuma dēļ bija nepieciešami manuāli labojumi. Projekts zaudēja uzticamību, pirms izstrādātāji varēja atgūties.
Līdzņemšanai: Veidot tālsatiksmes. Ieviesiet datu novirzes uzraudzību, izmantojot tādus rīkus kā Alibi Detect. Automatizējiet pārkvalifikāciju, izmantojot Apache Airflow, un izsekojiet eksperimentiem ar MLflow. Iekļaujiet aktīvu mācīšanos, lai noteiktu prioritāti neskaidru prognožu marķēšanai, saglabājot modeļus atbilstošus.
6. nodarbība. Ieinteresēto pušu dalības nepietiekama novērtēšana
Tehnoloģija neeksistē vakuumā. Krāpšanas atklāšanas modelis bija tehniski nevainojams, taču izgāzās, jo galalietotāji — bankas darbinieki — tam neuzticējās. Bez skaidriem paskaidrojumiem vai apmācības viņi ignorēja modeļa brīdinājumus, padarot to bezjēdzīgu.
Līdzņemšanai: piešķiriet prioritāti uz cilvēku vērstam dizainam. Izmantojiet izskaidrojamības rīkus, piemēram, SHAP, lai modeļu lēmumus padarītu pārredzamus. Laicīgi iesaistiet ieinteresētās personas, izmantojot demonstrācijas un atsauksmes. Apmāciet lietotājus, kā interpretēt AI rezultātus un rīkoties ar tiem. Uzticība ir tikpat svarīga kā precizitāte.
Labākā prakse veiksmīgai AI projektos
Pamatojoties uz šīm neveiksmēm, tālāk ir sniegts ceļvedis, kā to izdarīt pareizi.
-
Izvirziet skaidrus mērķus: izmantojiet SMART kritērijus, lai saskaņotu komandas un ieinteresētās personas.
-
Dodiet priekšroku datu kvalitātei: pirms modelēšanas ieguldiet tīrīšanā, validācijā un EDA.
-
Sāciet vienkārši: pirms mērogošanas sarežģītības izveidojiet bāzes līnijas, izmantojot vienkāršus algoritmus.
-
Dizains ražošanai: mērogojamības, uzraudzības un reālo apstākļu plāns.
-
Uzturēt modeļus: automatizējiet pārkvalifikāciju un pārraugiet, lai novirze būtu aktuāla.
-
Iesaistiet ieinteresētās personas: veiciniet uzticēšanos ar izskaidrojamību un lietotāju apmācību.
Elastīga AI veidošana
AI potenciāls ir apreibinošs, tomēr neveiksmīgi AI projekti mums māca, ka panākumi nav tikai algoritmi. Tas ir par disciplīnu, plānošanu un pielāgošanās spēju. Attīstoties mākslīgajam intelektam, latiņu paaugstinās tādas jaunās tendences kā apvienotā mācīšanās privātuma saglabāšanas modeļiem un malas AI reāllaika ieskatiem. Mācoties no pagātnes kļūdām, komandas var izveidot paplašināmas ražošanas sistēmas, kas ir izturīgas, precīzas un uzticamas.
Kavins Ksavjers ir AI risinājumu viceprezidents CapeStart.
Lasiet vairāk no mūsu viesraksti. Vai arī apsveriet iespēju iesniegt savu ziņu! Skatiet mūsu vadlīnijas šeit.
