AI를 제품화할 때 AI 모델을 프로세스나 사람에 적용하는 방법, 데이터 및 모델을 안정화하는 방법, 변화하는 환경과 시간이 지남에 따라 모델을 정확하게 유지하는 방법, 확장하는 방법, 성장하는 방법과 같이 직면할 수 있는 수많은 문제가 있습니다. 또는 AI 모델의 기능을 강화할 수 있습니다.
AI 임베딩
새로운 알고리즘으로 기계 학습 개념 증명(PoC)을 성공적으로 실행하는 것은 이를 제품화하고 실제 가치를 얻는 데 필요한 노력의 10%에 불과합니다. 나머지 90%는 쓸만한 제품을 만들기 위해 해야 할 일과 유용한 제품을 만들기 위해 해야 할 일으로 나눌 수 있다.
사용 가능한 제품을 만들려면 사용자가 제품을 사용할 수 있도록 하는 기술 구현을 확대해야 합니다. 유용하게 사용하려면 사용자를 위한 프로세스에 제품을 포함시키는 방법을 살펴봐야 합니다. 그러나 먼저 PoC와 사용 가능한 제품의 차이점은 정확히 무엇입니까?
우선 PoC는 프로덕션용이 아닙니다. 제품은 항상, 언제든지, 그리고 변화하는 상황에서 작동해야 합니다. PoC 중에 원하는 데이터를 찾고 복사본을 만들고 정리 및 분석을 시작합니다. 프로덕션 환경에서 데이터 소스는 실시간으로 데이터 플랫폼에 안전하고 안전하게 연결되어야 합니다. 데이터 스트림은 자동으로 조작되고 다른 데이터 소스와 비교/결합되어야 합니다.
PoC 동안 미래의 사용자와 대화하고 솔루션을 설계하기 위해 작업할 수 있는 사치를 누리거나 사용자가 전혀 없고 기술 솔루션을 설계하고 있습니다. 제품의 경우 해당 솔루션을 이해해야 하는 사용자와 기술 솔루션을 계속 실행할 책임이 있는 사람들이 있습니다. 따라서 제품을 사용하려면 교육, FAQ 및/또는 지원 라인이 필요합니다. 또한 PoC에서 하나의 사용 사례에 대한 새 버전을 생성하기만 하면 됩니다. 제품에는 업데이트가 필요하며 여러 고객을 위해 제품을 출시한 경우 프로덕션용 코드(CI/CD 파이프라인)를 테스트하고 배포하는 방법이 필요합니다.
“Itility에서 우리는 모든 프로젝트의 빌딩 블록과 기본 플랫폼을 포괄하는 Itility Data Factory와 AI Factory를 개발했습니다. 즉, 처음부터 사용 가능한 각도가 포함되어 있으므로 유용한 각도(고객 및 사용 사례에 따라 다름)에 집중할 수 있습니다.”라고 회사는 말했습니다.
해충 탐지 앱 – PoC에서 사용 가능한 제품까지
"Pest Detection App의 개념 증명 단계는 온실 팀원이 찍은 이미지를 기반으로 글루 트랩에서 파리를 분류하고 세는 좁은 작업을 수행할 수 있는 모델로 구성되었습니다. 사진을 놓쳤거나 문제가 발생한 경우 다시 돌아가서 다른 사진을 찍거나 대시보드에서 직접 수정할 수 있습니다. 몇 가지 수동 검사가 필요했습니다.
“우리 PoC 세계는 단일 장치, 단일 사용자 및 단일 고객을 기반으로 하는 단순했습니다. 그러나 사용 가능한 제품으로 만들기 위해서는 여러 고객을 확장하고 지원해야 했습니다. 그런 다음 데이터를 분리하고 안전하게 유지하는 방법에 대한 문제가 발생합니다. 또한 각 개별 고객/기계에는 설정 및 기본 구성이 필요합니다. 그렇다면 20명의 신규 고객을 구성/설정하는 방법은 무엇입니까? 언제 관리자 인터페이스를 구축하고 온보딩을 자동화해야 하는지 어떻게 알 수 있습니까? 2명의 고객, 20명, 200명?”
물론 '파리 수를 세는 것이 내 고객에게 어떤 도움이 될까요? 이 정보에서 가치를 창출하는 방법은 무엇입니까? 결정을 추천하고 조치를 취하는 방법은 무엇입니까? 이 AI 응용 프로그램은 비즈니스 프로세스에 어떻게 적합합니까?'. XNUMX단계는 기술/데이터 관점에서 최종 사용자 관점으로 참조 프레임을 변경하는 것입니다. 이는 고객과의 대화를 계속하고 입증된 PoC가 일상적인 프로세스에 어떻게 적용되는지 확인하는 것을 의미합니다.
“또한 더 오랜 기간 동안 프로세스를 면밀히 추적해야 하고, 어떤 정보를 기반으로 매일 어떤 조치를 취하는지, 무엇을 하는 데 얼마나 많은 시간을 할애하고, 추론을 통해 어떤 조치를 취하는지 실제로 이해하려면 운영 및 전술 회의에 참여해야 합니다. 특정 행동 뒤에. 모델의 정보가 비즈니스 가치를 창출하는 데 어떻게 사용되는지 이해하지 못하면 유용한 제품을 얻을 수 없습니다.
“우리의 경우 의사 결정에 어떤 정보가 사용되었는지 발견했습니다. 예를 들어, 일부 해충의 경우 주간 추세를 따르는 것이 더 중요하고(초고정확도가 필요하지 않음) 다른 해충은 해충의 첫 징후에 대한 조치가 필요합니다(즉, 하나의 거짓 음성이 있는 것보다 거짓 양성이 더 많습니다.)
“또한 우리는 고객이 실제로 제공할 수 없는 정확도를 가지고 있다고 주장하는 유사한 도구에 대해 '나쁜' 경험을 한 적이 있음을 발견했습니다. 그들은 왜 우리를 신뢰할까요? 우리는 이 신뢰 문제를 정면으로 바라보고 정확성과 투명성을 제품의 핵심 기능으로 삼았습니다. 우리는 이 정보를 사용하여 애플리케이션을 최종 사용자의 작업 방식에 적용하고 상호 작용의 투명성을 높여 사용자가 애플리케이션을 더 잘 제어할 수 있도록 함으로써 제품을 유용하게 만들었습니다.”라고 회사는 말합니다.
가장 큰 도전은 무엇입니까?
“플라이 카운팅 시나리오에서 우리는 우리가 원하는 모든 정확도 점수에 대해 이야기할 수 있습니다. 그러나 유용하기 위해 사용자(온실 전문가)는 백분율 이상이 필요합니다. 필요한 것은 그것을 경험하고 그것을 신뢰하는 법을 배우는 것입니다. 발생할 수 있는 최악의 상황은 사용자가 결과를 자신의 수동 결과와 비교하고 (큰) 불일치가 있는 경우입니다. 당신의 평판은 무너지고 신뢰를 회복할 여지가 없습니다. 우리는 사용자가 이러한 불일치를 찾아 수정하도록 권장하는 소프트웨어를 제품에 추가하여 이에 대응했습니다.
“따라서 우리의 접근 방식은 AI 솔루션을 전문가를 대체할 시스템으로 제시하는 대신 사용자를 AI 솔루션의 일부로 만드는 것입니다. 우리는 전문가를 운영자로 바꿉니다. AI는 자신의 능력을 강화하고 있으며 전문가는 AI를 지속적으로 가르치고 안내하여 환경이나 기타 변수가 표류할 때 더 많이 배우고 수정할 수 있도록 계속해서 제어합니다. 운영자로서 전문가는 솔루션의 필수적인 부분인 특정 작업으로 AI를 가르치고 훈련시키는 것입니다.”
여기에서 지금 확인해 보세요. 운영자 중심 접근 방식에 대한 자세한 내용이 포함된 비디오를 참조하십시오.