Bij het produceren van AI zijn er tal van uitdagingen die u kunt tegenkomen, zoals hoe u uw AI-model kunt toepassen op een proces of mensen, gegevens en modellen kunt stabiliseren, hoe u uw model nauwkeurig kunt houden in veranderende omgevingen en in de loop van de tijd, schalen en hoe u kunt groeien of vergroot de mogelijkheden van uw AI-model.
AI insluiten
Het uitvoeren van een succesvolle machine learning Proof of Concept (PoC) met een nieuw algoritme is slechts 10% van de inspanning die nodig is om het te produceren en er daadwerkelijke waarde uit te halen. De overige 90% kun je onderverdelen in dingen die je moet doen om een bruikbaar product te maken en dingen die je moet doen om een bruikbaar product te maken.
Om een bruikbaar product te maken, moet je inzoomen op de technische invulling van het beschikbaar stellen van het product aan je gebruikers. Om het nuttig te maken, moet u kijken naar het inbedden van het product in een proces voor de gebruikers. Maar wat is nu precies het verschil tussen een PoC en een bruikbaar product?
Allereerst zijn PoC's niet bedoeld voor productie. Producten moeten altijd, altijd en onder wisselende omstandigheden werken. Tijdens je PoC vind je de data die je zoekt, maak je een kopie en begin je met opschonen en analyseren. In productie moet uw gegevensbron in realtime, veilig en beveiligd zijn verbonden met een gegevensplatform; de datastroom moet automatisch worden gemanipuleerd en vergeleken met/gecombineerd met andere databronnen.
Tijdens je PoC heb je ofwel de luxe om met je toekomstige gebruikers te kunnen praten en met hen samen te werken om een oplossing te ontwerpen, of je hebt helemaal geen gebruikers en je ontwerpt een technische oplossing. Voor een product heb je gebruikers die die oplossing moeten begrijpen en mensen die verantwoordelijk zijn voor het draaiende houden van de technische oplossing. Een product heeft dus training, veelgestelde vragen en/of ondersteuningslijnen nodig om bruikbaar te zijn. Verder maak je gewoon een nieuwe versie voor jouw ene use case in een PoC. Producten hebben updates nodig en wanneer u uw product voor meerdere klanten hebt uitgerold, hebt u een manier nodig om uw code te testen en te implementeren voor productie (CI/CD-pipelines).
“Bij Itility hebben we onze Itility Data Factory en AI Factory ontwikkeld die de bouwstenen en het onderliggende platform voor al onze projecten dekken. Dit betekent dat we vanaf het begin de bruikbare hoek hebben, zodat we ons kunnen concentreren op de bruikbare hoek (die meer klant- en use-case-afhankelijk is)", aldus het bedrijf.
Ongediertedetectie-app – van PoC tot bruikbaar product
"De Proof of Concept-fase van onze Pest Detection-app bestond uit een model dat de beperkte taak van het classificeren en tellen van vliegen op een lijmval kan uitvoeren op basis van afbeeldingen die zijn gemaakt door teamleden van de kas. Als ze een foto hebben gemist of als er iets misgaat, kunnen ze teruggaan en een andere nemen, of deze direct in het dashboard repareren. Er waren nogal wat handmatige controles nodig.
“Onze PoC-wereld was eenvoudig, gebaseerd op één apparaat, één gebruiker en één klant. Om er echter een bruikbaar product van te maken, moesten we meerdere klanten opschalen en ondersteunen. Vervolgens rijst de vraag hoe gegevens gescheiden en beveiligd kunnen worden gehouden. Bovendien vereist elke individuele klant/machine een setup en standaardconfiguratie. Dus, hoe 20 nieuwe klanten configureren/instellen? Hoe weet u wanneer u een beheerdersinterface moet bouwen en onboarding moet automatiseren? Bij 2 klanten, 20 of 200?”
Natuurlijk kunt u vragen hebben, zoals 'hoe helpt het tellen van vliegen mijn klant? Hoe waarde creëren uit deze informatie? Hoe beslissingen aanbevelen en actie ondernemen? Hoe past deze AI-toepassing in het bedrijfsproces?'. Stap één is om uw referentiekader te veranderen van een technisch/data-perspectief naar het perspectief van de eindgebruiker. Dit betekent het gesprek met je klant voortzetten en kijken hoe de bewezen PoC past in dagelijkse processen.
“Ook moet je het proces langere tijd goed volgen, moet je deelnemen aan operationele en tactische overleggen om echt te begrijpen welke acties er elke dag worden ondernomen op basis van welke informatie, hoeveel tijd wordt besteed aan het doen van wat en de redenering achter bepaalde acties. Zonder te begrijpen hoe de informatie uit uw model wordt gebruikt om bedrijfswaarde te creëren, komt u niet tot een bruikbaar product.
“In ons geval ontdekten we welke informatie werd gebruikt om beslissingen te nemen. We ontdekten bijvoorbeeld dat het voor sommige plagen belangrijker was om de wekelijkse trend te volgen (waarvoor je geen superhoge nauwkeurigheid nodig hebt), terwijl andere juist actie vereisen bij de eerste tekenen van een plaag (wat betekent dat het beter is om een paar van valse positieven dan om zelfs maar één vals-negatief te hebben).
“Bovendien ontdekten we dat onze klant eerder een 'slechte' ervaring had gehad met een soortgelijk hulpmiddel dat beweerde nauwkeurigheden te hebben die het in de praktijk niet kon leveren. Waarom zouden ze de onze vertrouwen? We hebben dit vertrouwensprobleem aangepakt en nauwkeurigheid en transparantie tot een belangrijk kenmerk van het product gemaakt. We hebben deze informatie gebruikt om ons product bruikbaar te maken door de applicatie aan te passen aan de werkwijze van de eindgebruiker en door de transparantie in de interactie te vergroten, waardoor de gebruiker meer controle over de applicatie krijgt”, vervolgt het bedrijf.
Wat is de grootste uitdaging?
"In ons scenario voor het tellen van vliegen kunnen we zoveel praten over onze nauwkeurigheidsscore als we willen. Om bruikbaar te zijn heeft de gebruiker (een kassenspecialist) echter meer nodig dan percentages. Wat nodig is, is het te ervaren en te leren erop te vertrouwen. Het ergste dat kan gebeuren is wanneer uw gebruikers uw resultaten vergelijken met hun eigen handmatige resultaten en er een (groot) verschil is. Uw reputatie is geruïneerd en er is geen ruimte om het vertrouwen terug te winnen. We hebben dit tegengegaan door software aan het product toe te voegen die de gebruiker aanmoedigt om die discrepanties op te sporen en te corrigeren.
“Onze aanpak is dus om de gebruiker onderdeel te maken van de AI-oplossing in plaats van het te presenteren als een systeem dat de specialist gaat vervangen. Wij maken van de specialist een operator. AI vergroot hun capaciteiten en de specialisten houden de controle door de AI voortdurend te onderwijzen en te begeleiden om meer te leren en correcties aan te brengen wanneer de omgeving of andere variabelen afdrijven. Als operator is de specialist een integraal onderdeel van de oplossing – het aanleren en trainen van de AI met specifieke acties.”
Klik hier om een video te zien met meer details over de operatorgerichte benadering.