تیم های هوش مصنوعی سرمایه گذاری می کنند دقت زیادی در تعریف دستورالعمل های جدید پروژه. اما همین مسئله برای کشتن پروژه های موجود صدق نمی کند. در صورت عدم وجود دستورالعمل های مشخص ، تیم ها اجازه می دهند پروژه های غیرقابل اجرا برای ماه ها طولانی شود.

آنها در جلسات بررسی پروژه از ترس تبدیل شدن به پیام رسان اخبار بد ، نمایش سگ و تسویه حساب برپا کردند. با ساده سازی روند شکست سریع در پروژه های غیرقابل اجرا ، تیم ها می توانند با ابتکار عمل هوش مصنوعی موفقیت کلی خود را به طور قابل توجهی افزایش دهند.

برای شکست سریع ، ابتکارات هوش مصنوعی باید به عنوان یک قیف تبدیل مشابه با کانال های بازاریابی و فروش مدیریت شود.

پروژه های هوش مصنوعی با پروژه های نرم افزاری سنتی متفاوت است. آنها ناشناخته های بیشتری دارند: در دسترس بودن مجموعه داده های مناسب ، آموزش مدل برای برآوردن آستانه دقت مورد نیاز ، انصاف و استحکام توصیه ها در تولید ، و بسیاری موارد دیگر.

برای شکست سریع ، ابتکارات هوش مصنوعی باید به عنوان یک قیف تبدیل مشابه با کانال های بازاریابی و فروش مدیریت شود. پروژه ها از بالای قیف پنج مرحله ای شروع می شوند و می توانند در هر مرحله رها شوند ، یا به طور موقت روی یخ قرار بگیرند یا به طور دائم معلق شوند و به گورستان AI اضافه شوند. هر مرحله از قیف هوش مصنوعی مجموعه مشخصی از مجهولات را مشخص می کند که باید با لیستی از معیارهای موفقیت محدود به اعتبار برسد.

قیف پروژه هوش مصنوعی پنج مرحله دارد:

اعتبار تصویر: ساندیپ اوتامچاندانی

1. تعریف مسئله: “اگر ما آن را بسازیم ، آنها می آیند؟”

این قسمت بالای قیف است. پروژه های هوش مصنوعی نه تنها در طول توسعه اولیه بلکه در نظارت و تصفیه مداوم به سرمایه گذاری های قابل توجهی نیاز دارند. این امر باعث می شود که تأیید کنیم مسئله حل شده با توجه به ارزش بالقوه کسب و کار در مقایسه با تلاش برای ساختن ارزش حل را دارد. حتی اگر مسئله ارزش حل داشته باشد ، ممکن است نیازی به هوش مصنوعی نباشد. برای حل این مسئله ممکن است ابتکارهای متد رمزگذاری شده توسط انسان وجود داشته باشد.

توسعه راه حل AI تنها نیمی از جنگ است. نیمه دیگر نحوه استفاده و تلفیق راه حل است. به عنوان مثال ، در حال توسعه یک راه حل هوش مصنوعی برای پیش بینی ریزش مشتری ، باید درک روشنی از ترکیب پیش بینی های فرسایش در گردش کار تیم پشتیبانی مشتری وجود داشته باشد. یک پروژه کاملاً قدرتمند هوش مصنوعی بدون ارائه این سطح از وضوح ادغام ، قادر به ارائه ارزش تجاری نخواهد بود.

برای خروج موفقیت آمیز از این مرحله ، عبارات زیر باید درست باشند:

  • پروژه هوش مصنوعی در صورت موفقیت تحویل ، ارزش تجاری ملموسی ایجاد خواهد کرد.
  • هیچ گزینه ارزانتری وجود ندارد که بتواند با آستانه دقت مورد نیاز مشکل را برطرف کند.
  • یک راه مشخص وجود دارد که می تواند توصیه های هوش مصنوعی را در جریان موجود بگنجاند تا تأثیر بگذارد.

طبق تجربه من ، مراحل اولیه پروژه نسبت به واقعیت های زمینی نسبت آسمان بیشتری دارند. کشتن یک پروژه بد شکل می تواند از ایجاد “راه حل برای جستجوی مشکلات” توسط تیم ها جلوگیری کند.

2. در دسترس بودن داده ها: “ما داده ها را برای ساخت آنها داریم.”

در این مرحله از قیف ، ما تأیید کرده ایم که ارزش حل مشکل دارد. اکنون برای ایجاد توانایی درک ، یادگیری و استدلال مورد نیاز در پروژه هوش مصنوعی ، باید در دسترس بودن داده ها را تأیید کنیم. نیازهای داده ها بر اساس نوع پروژه هوش مصنوعی متفاوت است – الزامات مربوط به هوش طبقه بندی ساختمان پروژه با ارائه توصیه ها یا رتبه بندی متفاوت خواهد بود.

در دسترس بودن داده ها به معنای داشتن کیفیت ، کمیت و ویژگی های مناسب است. کیفیت مناسب به این واقعیت اشاره دارد که نمونه های داده بازتابی دقیق از پدیده ای است که ما سعی در مدل سازی آن داریم و خصوصیاتی مانند توزیع یکسان و مستقل را برآورده می کنیم. بررسی کیفیت معمول شامل کشف خطاهای جمع آوری داده ها ، معنای ناسازگار و اشتباهات در نمونه های دارای برچسب است.

مقدار مناسب به مقدار داده ای که باید در دسترس باشد اشاره دارد. یک تصور غلط رایج این است که برای آموزش مدل های یادگیری ماشین ، به مقدار قابل توجهی از داده ها نیاز است. این همیشه درست نیست. با استفاده از مدل های یادگیری انتقال از پیش ساخته شده ، می توان با داده های بسیار کمی شروع به کار کرد. همچنین ، اطلاعات بیشتر همیشه به معنی نیست مفید داده ها. به عنوان مثال ، داده های تاریخی شامل 10 سال ممکن است بازتاب واقعی رفتار فعلی مشتری نباشد. سرانجام ، برای ساخت مدل باید ویژگی های مناسبی در دسترس باشد. این به طور معمول تکراری است و شامل طراحی مدل ML است.

برای خروج موفقیت آمیز از این مرحله ، عبارات زیر باید درست باشند:


منبع Tech Crunch