logo821.gif (10572 bytes) 首頁          新增資料與公告

   

最新消息  :

荷蘭與 Maarel Orchids在國際市場上的突破

Westerlay Orchids的碳中和蘭花生產

農企業全面有機化的結局

 

 

數據分析與知識產業

首頁
上一層
BSE LAB 介紹
非洲產業研究中心
生醫研究之統計方法
授課資料
人文關懷
無官御史台
武漢肺炎與產業
智能生物產業
活動公告區

 

 

人工智慧產品化—嵌入你的模型

 

國立中興大學 生物產業機電工程學系 陳加忠

 
 
資料來源:

www.itility.nl

在將 AI 產品化時,您可能會遇到許多挑戰,例如如何將您的 AI 模型應用於流程或人員、穩定數據和模型、如何在不斷變化的環境中和隨著時間的推移保持模型準確,可擴大以及如何增加或增強AI模型的功能。 

嵌入 AI

使用新演算法運行成功的機器學習概念證明( Proof of Concept , PoC ) 只需將其產品化並從中獲得實際價值所需工作量的 10%。剩下的 90% 可以分為製作可利用產品所需要做的事情,和製作有用產品所需要做的事情。

https://agfstorage.blob.core.windows.net/misc/HD_com/2021/11/26/itility1.jpg

要製作可用的產品,您需要將產品技術提供給用戶。為了使它有用,您應該考慮如何將產品嵌入到用戶的流程。然而PoC 和可用產品之間究竟有什麼區別?

首先,PoC 並非用於生產。產品始終需要在不斷變化的環境中工作。在 PoC 期間,找到要查找的數據,製作複本,然後開始對其進行清理和分析。在生產中,數據源必須即時、安全、可靠地連接到數據平台;數據流必須自動處理並與其他數據源進行比較/組合。

PoC 期間,不是與未來的用戶交談並與他們一起設計解決方案,就是根本沒有用戶。而您正在設計技術解決方案。對於產品,有需要了解該解決方案的用戶,以及負責保持技術解決方案運行的人員。因此產品需要訓練、常見問題解答和/或支持熱線才能使用。此外,您只需為 PoC 中的一個用例建立一個新版本。產品需要更新,當為多個客戶推出產品時,您需要一種方法來測試和部署生產代碼(CI/CD 管道)。 

Itility,我們開發了 Itility 數據工廠和 AI 工廠,涵蓋了我們任何項目的構建塊和底層平台。這代表著從一開始就涵蓋了可用的角度,因此我們可以專注於有用的角度,而這更依賴於客戶和用。

https://agfstorage.blob.core.windows.net/misc/HD_com/2021/11/26/itility_2.jpg

害蟲檢測應用程序—— PoC 到可用產品

我們的害蟲檢測應用程序的概念驗證階段由一個模型組成,該模型可以執行是基於溫室團隊成員拍攝的圖像對膠水陷阱上的蒼蠅進行分類和計數。為了防止萬一他們錯過了一張照片,或者如果出了什麼問題,他們可以回去再拍一張,或者直接在儀表板上修復它。需要相當多的人工檢查。

我們的 PoC 世界很簡單,基於一個設備、一個用戶和一個客戶。但是要使其成為可用的產品,需要擴展和支持多個客戶。問題是如何保持數據分離和安全。此外,每個單獨的客戶/機器都需要設置和默認配置。那麼如何配置/設置 20 個新客戶?您如何知道何時構建管理界面和自動化入職?在 2 個客戶時, 20,還是200

例如數蒼蠅如何幫助我的客戶?如何從這些資訊中創造價值?如何推薦決策並採取行動?這個 AI app如何適應業務流程?。第一步是將您的參考框架從技術/數據角度更改為最終用戶角度。這代表著繼續與您的客戶進行對話,並了解經過驗證的 PoC 如何融入日常流程。

還必須在更長的時間內密切關注流程,需要參加營運和戰術會議,以真正了解每天根據哪些資訊採取哪些行動。在那項作業上花費了多少時間,以及推理過程。如果不了解模型中的資訊如何用於創造業務價值,就無法獲得有用的產品。

在我們的案例中,我們發現了用於決策的資訊。例如我們發現對於某些害蟲而言,遵循每週趨勢(您不需要超高準確度)更為重要,而其他害蟲則需要在害蟲的第一個跡象這代表著有幾個假陽性比有一個假陰性更好。

此外,我們發現我們的客戶之前曾有過類似工具的糟糕體驗,聲稱其在作業中無法提供準確性。他們為什麼會信任我們的?我們正面解決了這個信任問題,並提高了準確性和透明度產品的一個關鍵特性。我們利用這些資訊使app適應最終用戶的工作方法,並通過增加交互的透明度,讓用戶更好地控制app從而使我們的產品變得有用。

最大的挑戰是什麼?

在我們的飛行計數場景中,我們可以隨心所欲地談論我們的準確度。但是要有用用戶與溫室專家需要的不僅僅是百分比。需要的是體驗它,並學會信任它。可能發生的最糟糕的事情是當您的用戶將您的結果與他們自己的手動結果進行比較時,發現存在很大差異。您的聲譽被毀了,並且沒有重新獲得信任的空間。我們通過向鼓勵用戶尋找這些差異並糾正它們的產品。

因此,我們的方法是讓用戶成為 AI 解決方案的一部分,而不是將其呈現為一個將取代專家的系統。我們將專家轉變為操作員。AI 正在增強他們的能力,而專家通過不斷地保持控制當下環境或其他變量發生變化時,教導和引導 AI 學習更多知識並進行糾正。作為操作員,專家是解決方案不可或缺的一部分。