По данным Gartner 2022, только 54 % проектов искусственного интеллекта (ИИ) из пилотной фазы развернуты в производственной системе. Это число лишь незначительно увеличилось с 53 % в предыдущем отчете 2020.
Каковы причины этого? Что вы думаете об этом? Давайте сначала рассмотрим основные выводы отчета Gartner за 2022 год.
Организации сообщают, что они изо всех сил пытаются получить желаемую ценность для бизнеса от своих проектов ИИ. Мы подчеркнули важность этого вопроса в нашей предыдущей статье. Интересно, что соображения безопасности и конфиденциальности не рассматривались как серьезное препятствие для внедрения, на что указали только 3% руководителей. Не было недостатка и в таланте.
Последнее мы наблюдаем на нашем собственном рынке: при разработке моделей ИИ многие компании уже полагаются на сочетание собственных разработчиков и внешних специалистов для решения конкретных задач. Это неудивительно, поскольку многие таланты осознали возможности ИИ и работы, основанной на данных, и хотят развивать свою карьеру в этом направлении.
В целом, две из самых больших проблем внедрения промышленного ИИ — это доступность машиночитаемых данных и то, что мы выделим в нашей следующей статье: как внедрить машинное обучение в производство, т. е. операции машинного обучения, MLOps.
Однако сегодня мы рассмотрим другую тему: как осмысленно управлять множеством алгоритмов и проектов. Какова ваша роль как менеджера в разработке моделей ИИ?
Управление моделями ИИ
В последней статье мы подчеркнули важность того, чтобы сделать паузу на мгновение после того, как были взволнованы первыми рабочими доказательствами концепции с ИИ. Мы сравнили это с моментом паузы в пьесе.
Этот преднамеренный момент размышления следует использовать для того, чтобы технические специалисты подробно объяснили технологию вам, бизнес-лидеру. Как специалисты по данным, мы знаем это из нашей повседневной работы: мы пишем код в нашей песочнице, загружаем инструмент X или Y, берем эту новую библиотеку или тестируем этот алгоритм. В конце концов, мы собрали это вместе, и бам… оно работает!
Для вас, как руководителя, настало время понять дизайнерские решения разработчиков и конструктивно подвергнуть их сомнению. Это также означает, что вы должны быть в состоянии понять и оценить содержание используемой технологии. И наоборот, технические специалисты должны уметь объяснять свое содержание таким образом, чтобы его могли понять люди, не являющиеся техническими специалистами. Простое «объясните мне, как семилетнему ребенку» часто творит чудеса!
Также требуется вдумчивый подход к сохранению знаний. В нашей компании maXerial мы с самого начала реализовали несколько ключевых моментов для таких вопросов управления: Мы систематически храним модели ИИ. Мы также ссылаемся на наборы данных, используемые для обучения модели. Или мы записываем точные номера версий используемых нами библиотек. Все с целью сохранения воспроизводимости моделей.
Разумно выбирайте стек технологий ИИ
Кроме того, мы установили лучшие практики для конкретных компаний при выборе собственного стека технологий искусственного интеллекта. Что я имею в виду?
Мы всегда пишем наш код на Python или C++. Конечно, есть много других хороших языков и инструментов. Но по возможности мы придерживаемся этого основного выбора, даже если это иногда означает переписывание модуля. Это может означать некоторую дополнительную работу или немного более высокие затраты, но мы считаем, что в долгосрочной перспективе мы можем компенсировать это, улучшив ремонтопригодность моделей на порядки.
И наоборот, мы не зацикливаемся, если что-то действительно не работает с выбранным нами дизайном. Но тогда мы принимаем решение сознательно и только для самой маленькой необходимой единицы.
Для работы по моделированию ИИ мы придерживаемся установленных рамок для разработки наших моделей. Выбирая их, мы позаботились о том, чтобы следующий шаг также был возможен: насколько легко (или сложно) окончательно развернуть модели в производственной среде? Разработав 1-Click AI Trainer для промышленных цехов, мы показали, что относимся к этой цели очень серьезно.
Сосредоточьтесь на создании
Третьим важным моментом, который мы видим, является необходимость концентрации внимания и нехватка ресурсов. Как менеджер, вы часто являетесь интерфейсом с клиентом. Поэтому вы всегда спрашиваете себя: в чем выгода для клиента? Где добавленная стоимость?
Мы видели, как появляются области внимания. Конечно, с ИИ я могу делать (почти) все что угодно. Но есть ли в этом смысл? Не всякая проблема связана с ChatGPT, если говорить несколько небрежно. Некоторые да, но есть ли у вашей компании рыночное преимущество в их решении?
Наши основные направления также позволяют нам создавать необходимую глубину контента и опыта. Например, одним из направлений нашей деятельности является применение ИИ к данным промышленных изображений. Мы написали собственные инструменты для ИИ на 3D-данных. Это не идет с полки.
Как стартап, наши ресурсы ограничены. Вот почему мы предпочитаем работать над темами, которые можно использовать повторно. Github — наш ежедневный друг. Мы считаем, что именно такое распределение ресурсов необходимо промышленному менеджеру для обеспечения руководства в любой производственной среде. Не оставляйте эту работу специалистам, даже если технология новая и малопонятная.
Резюме
Есть ряд вопросов, которые необходимо рассмотреть, чтобы успешно преобразовать пилотный проект в поддерживаемый технологический стек ИИ. Мы выбрали три из них и рассмотрели их более подробно:
1) Систематическое рассмотрение моделей и наборов данных ИИ и управление ими
2) Выбор поддерживаемого стека технологий ИИ. Делайте это с умом.
3) Сосредоточьтесь на областях компетенции и ресурсах, чтобы наращивать опыт с реальной добавленной стоимостью для ваших клиентов.
Спасибо за чтение и за ваше время. Мы с нетерпением ждем встречи с вами в седьмой и последней части нашей серии статей по промышленному ИИ.
Дополнительная литература
Это шестая статья в нашей серии о промышленном искусственном интеллекте (ИИ). Другие статьи из этой серии (список обновляется при выпуске):
(1) Как внедрить ИИ в вашу производственную компанию
(2) Получить машиночитаемые данные для промышленного ИИ
(3) Создайте песочницы и дайте им поиграть
(4) Какие проблемы вы можете решить с помощью ML в своей компании?
(5) Ваш путь к успеху в промышленном ИИ: мыслите масштабно, начинайте с простого
