AI produktai ir projektai – kuo jie skiriasi nuo kitų? | AI versle #49

Įvadas į dirbtinio intelekto produktų valdymą

Dirbtinio intelekto produktai reikalauja nuolatinio tobulinimo ir pritaikymo, kas skiriasi nuo tradicinių technologinių sprendimų.

• DI, dirbtinis intelektas – bendras pavadinimas mašinų gebėjimui atlikti užduotis, kurios imituoja žmogaus mąstymo ir kūrybiškumo veiklą, pavyzdžiui, atpažinti vaizdus, suprasti rašytinę ir kalbėtą kalbą arba priimti sprendimus remiantis turimais duomenimis,
• ML, mašininis mokymasis – DI subdisciplina, apimanti procesus, kuriais mašinos mokosi iš duomenų ir patirties, kaip geriau atlikti užduotis. Mašininio mokymosi (ML) produktų unikalumas kyla iš to, kad jie nėra iš anksto programuojami, bet yra aprūpinti mokymosi ir prisitaikymo galimybėmis. Tokiose pramonės šakose kaip sveikatos priežiūra DI prisideda prie tikslesnės diagnostikos, o finansų srityje leidžia atlikti sudėtingesnę rizikos analizę,
• GenAI, generatyvinis dirbtinis intelektas – nauja ML sritis, apimanti sistemas, galinčias kurti naują turinį, pavyzdžiui, tekstą, vaizdus, vaizdo įrašus, 3D modelius ar muziką, remiantis vartotojo išradimu arba vartotojo nurodytu tikslu ir įvesties duomenimis, tokiais kaip raktiniai žodžiai, užklausos ar užuominos, arba eskizais ar nuotraukomis.

DI produkto planavimas – nuo idėjos iki įgyvendinimo

Planuojant DI produktą, svarbu iš pradžių užduoti pagrindinį klausimą: ar šis produktas pasinaudos DI galimybėmis?

DI produkto įgyvendinimas yra rizikingas ir brangus, todėl geriausia pradėti nuo problemos, kurią reikia išspręsti įgyvendinant DI, apibrėžimo, o tada stengtis ją optimaliai išspręsti. Galbūt verta pasinaudoti idėjų generavimu su ChatGPT arba Google Bard, kurie gali netikėtai patarti dėl optimalaus produkto kūrimo kelio – nebūtinai remiantis DI.

Tačiau, jei nusprendžiame pridėti dirbtinį intelektą prie įmonės pasiūlymų, turime apsvarstyti DI projekto gyvavimo ciklo ypatumus. Galų gale, Gartner duomenys rodo, kad tik 54% DI projektų pasiekia gamybos etapą iš pilotinio etapo.

Dažnai tai priklauso nuo labai perspektyvių prototipų, kurie gali būti sukurti naudojant šiandieninę DI įrangą. Kita vertus, labai sunku pasiekti “gaminių kokybę” ir rezultatų pakartojamumą bei aktualumą, kurių reikalauja suinteresuotosios šalys.

DI produkto gyvavimo ciklas skiriasi nuo kitų ne tik tuo, kad jis rečiau išeina už koncepcijos etapo ribų. Kur tradicinių produktų gyvavimo ciklas linkęs palaipsniui mažėti, kai pardavimai pasiekia piką, DI produktai patiria vadinamąjį “skriemulio efektą”. Tai fenomenas, kai mašininio mokymosi pagrindu sukurtas produktas gerėja, kai jis naudojamas ir iš vartotojų renkama naujų duomenų. Kuo geresnis produktas, tuo daugiau vartotojų jį pasirenka, o tai savo ruožtu generuoja daugiau duomenų, kad būtų galima tobulinti algoritmą. Šis efektas sukuria atsiliepimų ciklą, leidžiantį nuolat tobulinti ir plėsti DI pagrindu sukurtus sprendimus.

Šaltinis: DALL-E 3, užklausa: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Tai daro juos produktais su atnaujinamu gyvavimo ciklu. Kitaip tariant, skriemulio efektas DI reiškia, kad nuolatiniai patobulinimai lemia palaipsniui geresnį produkto našumą. Pavyzdžiui:

• Iteratyvus DI modelių mokymas – pavyzdžiui, pardavimų prognozavimo modelis gali reikalauti pakartotinio mokymo, kad pasiektų optimalų tikslumą, tačiau laikui bėgant jis tampa vis tobulesnis,
• Duomenų kaupimo valdymas – turinio personalizavimo programoms vartotojų duomenų rinkimas ir analizė gali būti prioritetas, kuris palaipsniui atves prie vis labiau aktualių rezultatų.

Apibendrinant, DI projektų valdymas reikalauja lankstumo ir pasirengimo nuolatiniam tobulinimui. Todėl DI projektų vadovai turi būti pasirengę atitikti besikeičiančius reikalavimus ir nuolat koreguoti strategijas.

Duomenų supratimas ir jų vaidmuo DI produktų kūrime

Duomenų vaidmuo DI produktų kūrime yra labai svarbus. McKinsey vertina, kad generatyviniai DI modeliai galėtų generuoti ekonominę naudą iki 4,4 trilijono dolerių per metus. Tačiau norint pasiekti dalį šios pyrago dalies, reikia kokybiško duomenų valdymo.

Pavyzdžiui, kad e. prekybos produktų rekomendavimo sistema veiktų gerai, labai svarbus klientų elgsenos duomenų kokybė. Reikės ne tik tinkamo duomenų kiekio, bet ir tinkamos jų segmentacijos ir atnaujinimo, o svarbiausia – įgudus išvadų darymas iš surinktų duomenų.

Kuriant duomenimis pagrįstą DI produktą, taip pat svarbu išlaikyti nešališkumą duomenyse. Pavyzdžiui, DI algoritmuose, naudojamuose atrankoje ar draudime, duomenys neturi turėti implicitinių šališkumų – remiantis lytimi ar vieta – kurie galėtų sukelti diskriminaciją.

Vertėtų pažymėti, kad tinkamas duomenų valdymas reikalauja ne tik techninių žinių, bet ir sąmoningumo apie jų poveikį DI produktų našumui.

Dažniausios problemos valdant DI pagrindu sukurtus produktus

Valdant DI produktus, kyla iššūkių, reikalaujančių specifinių įgūdžių ir etinės sąmoningumo. Tarp svarbiausių problemų verta paminėti:

• DI įgūdžių plėtra – pavyzdžiui, DI pramonės produktų vadovas turi suprasti mašininio mokymosi pagrindus, kad galėtų efektyviai dirbti su technine komanda,
• nuolatinis orientavimasis į teisines reikalavimus – DI produktų reglamentai tik pradeda formuotis, todėl reikia nuolat orientuotis, kad būtų galima pritaikyti įmonės politiką ir reglamentus, susijusius su DI produkto naudojimu,
• DI integravimas į esamas sistemas – pažangios dirbtinio intelekto integravimas į esamas IT sistemas gali kelti technologinių ir organizacinių iššūkių,
• DI sprendimų plėtra – technologijų startuoliams DI prototipo plėtra į pilno masto produktą reikalauja išteklių, laiko ir žinių, kas taip pat gali būti problema dėl santykinai mažo specialistų pasiūlos ir didelės paklausos,
• vartotojų įtraukimas – programai, kuri naudoja DI turinio personalizavimui, nuolat prisitaikyti prie vartotojų besikeičiančių pageidavimų yra raktas, kad jie liktų įsitraukę,
• etikos dilemų sprendimas – pavyzdžiui, DI programoje sveikatos stebėjimui vartotojų duomenų privatumas ir saugumas yra prioritetas.

DI produktai – santrauka

Apibendrinant, DI projektų ir produktų valdymas reikalauja supratimo apie unikalius iššūkius ir galimybes, kurias ši technologija suteikia. Suprasti duomenų vaidmenį, gebėti valdyti komandas ir projektus, taip pat būti sąmoningam apie DI etinius aspektus yra esminiai. DI produktai atveria naujas verslo perspektyvas, tačiau reikalauja tinkamo požiūrio ir įgūdžių.

Startuoliams svarbu sutelkti dėmesį į aiškų problemos, kurią DI produktas turėtų išspręsti, apibrėžimą ir komandos, turinčios tinkamų žinių ir patirties DI srityje, kūrimą. Taip pat verta sutelkti dėmesį į etinių ir skaidrių DI sistemų kūrimą, atitinkančių vartotojų lūkesčius ir reglamentus.

Jei jums patinka mūsų turinys, prisijunkite prie mūsų užimtų bičių bendruomenės Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.