Внедрение искусственного интеллекта на предприятие: преодоление двух основных препятствий

Любой разумный проект ИИ начинается в лабораторных условиях с использованием тщательно отобранных данных из испытаний. Поскольку ИИ должен быть обучен, чтобы знать, как интерпретировать данные, было бы безумием выпускать бездоказательный искусственный интеллект на предприятие. Но в какой-то момент ИИ достигает уровня, когда его необходимо применять к реальным данным компании - базам данных клиентов, машинным считываниям, потокам данных устройств IoT и т. Д. - и он начинает использоваться для принятия важных решений.

После некоторых неудачных попыток многие предприятия становятся достаточно хорошими на первом этапе, который заключается в создании ИИ, который решает определенную проблему. Но многие по-прежнему сталкиваются с проблемами при перемещении ИИ из «лаборатории» (или их изолированной команды исследователей данных) в более широкое предприятие.

Этот шаг сопряжен с рядом проблем, но с точки зрения управления мы можем разделить его на два ключевых блокиратора: масштабирование технологий и принятие пользователями.

Интеграция и масштабирование технологий: сможет ли ваш AI справиться с этим в реальном мире?

Это становится все более распространенной ситуацией: компания создает ИИ и располагает данными, готовыми к нему, но ей некуда поместить результаты. Это все равно что построить новую, ультраэффективную гидроэлектростанцию ​​и договориться о реке, чтобы получать энергию из нее, но потом обнаружить, что она слишком велика, чтобы ее можно было установить где угодно.

Исследователи данных в лаборатории часто строят доказательства концепции AI (POC), при этом мало внимания уделяется их развертыванию в производственной среде с четко определенными и контролируемыми процедурами поддержки и технологическими ограничениями. Например, AI часто встроен в Python или R, язык программирования для обработки данных. Затем исследователи данных представляют свои тщательно проверенные достижения ИТ-отделу и просят их развернуть его, только чтобы им сообщили, что технология, на которой работает все предприятие, не поддерживает этот язык.

ЧИТАЙТЕ ТАК ЖЕ:  Anora: умная перчатка, помогающая слепым

Даже когда ИТ-команды имеют возможность (или готовы ее развивать), многие инструменты ИИ подкрепляются новыми технологиями, которые представляют высокий технический риск. Многие из них являются узкоспециализированными и нуждаются в сложной конфигурации и настройке, чтобы извлечь из них максимальную пользу, что может занять недели или месяцы. К тому времени импульс теряется. Это еще более усложняется, когда - как это обычно бывает) - их необходимо интегрировать с другими корпоративными технологиями (например, экспертными приложениями, инфраструктурой хранения, рабочим процессом или системами CRM), с которыми они не предназначены для работы.

Это было понятно еще пару лет назад, когда ИИ был новым, и было полезно исследовать и экспериментировать, не ограничивая ученых-данных. Теперь нам нужно начать думать в долгосрочной перспективе, и проекты по науке о данных должны планироваться с учетом конечного пользователя.

Некоторые обращаются к ИИ предприятия «черного ящика», которые могут хорошо работать для общих проблем, с которыми сталкиваются в разных отраслях. Тем не менее, они представляют проблему, к которой мы придем: если пользователь не видит, как он работает, он может не доверять результату. Когда ИИ необходимо решить очень специфическую проблему, лучшим подходом является создание индивидуальных POC ИИ с использованием распространенных наборов инструментов, таких как Microsoft Azure и AWS, которые естественным образом масштабируются на предприятии. Используя те же инструменты для создания и развертывания ИИ, компании устраняют время и сложности, связанные с настройкой, установкой и интеграцией новых ИИ.

Интегрированные интегрированные среды помогают исследователям данных создавать, тестировать и проверять модели, в то же время позволяя им масштабироваться в производственные системы после их успешной проверки.

Принятие пользователем: доверие без понимания

Вторая причина отказа ИИ - нежелание пользователя принять его. Это может произойти по любой из обычных причин отказа технологии: это занимает слишком много времени. Это слишком сложно. UX беден. Все это необходимо учитывать при разработке ИИ. Но с ИИ также существует критическая проблема доверия.

Представьте, что вы химик, ищущий молекулы для нового лекарства. Вы создали спецификацию и подали ее в ИИ, а ИИ выкачал сотню соединений-кандидатов. Теоретически это здорово - ваш поиск миллиардов потенциальных молекул сузился, и вы можете потратить время на исследования и разработки, проверяя это гораздо меньшее количество кандидатов.

Но это полезно, только если химик доверяет результату. Если они не понимают, как оно приняло решение, они могут не чувствовать уверенности, полагаясь на него, и им придется переделывать всю работу ИИ другими методами. (Между прочим, мы предполагаем, что ИИ был хорошо спроектирован и протестирован. Если он действительно достиг неверного результата, это совсем другая проблема. Но разработка ИИ прямо во-первых - тема для другой статьи).

Решение состоит в том, чтобы вовлечь пользователей на раннем этапе, требуя, чтобы они предоставили свои собственные обучающие данные - например, спецификации молекул и желаемую активность - и направляли валидацию выходов AI. Это позволяет им формировать свое развитие и воочию убедиться, что ИИ достигает значимого результата, когда ответ уже известен. Это помогает им понять, как оно достигает своих ответов и как использовать его по мере развития.

ИИ улучшается. Теперь сделайте его пригодными для использования.

Возможности ИИ быстро развиваются на многих предприятиях, и он все чаще успешно решает многие сложные проблемы. Теперь задача состоит в том, чтобы вывести проверенных ИИ из лаборатории на предприятие. Это требует заблаговременного планирования и более тесного сотрудничества между специалистами по данным, экспертами и пользователями, не являющимися экспертами, и бизнес-функцией. Способность ИИ прошла долгий путь. Теперь мы должны убедиться, что POC предназначены для работы с конечным пользователем и построены для масштабирования в рамках конкретной ИТ-инфраструктуры и человеческой инфраструктуры этого предприятия.