С чего начать строительство ИИ-прототипов. Главное
За последний год мы наблюдаем неуклонный рост числа организаций, которые начинают использовать ИИ, чтобы раскрыть потенциал своих данных. Мы действительно сегодня имеем дело с непрерывным потоком данных, поэтому неудивительно, что инициативы в области ИИ и глубокого обучения (DL) начинают реализовываться во всех секторах нашей экономики.
Это здорово - ведь технологии значительно продвинулись вперед, стали более зрелыми, а «стоимость входа» снизилась. Тем не менее, есть несколько шагов, которые стоит сделать, начиная свой путь к ИИ в тестовой среде. К тому же это может оказаться непростым делом, есть немало вопросов. И самый важный - «с чего начать?».
Первый шаг – это этап планирования. Недавно я общался с заказчиком из производственного сектора: он хотел использовать в своем бизнесе подход, в большей степени ориентированный на данные. Владельцы бизнеса стремились не отстать от конкурентов по отрасли в гонке цифровой трансформации. Бизнесу требовалось быстро разработать и ускоренными темпами начать внедрять стратегию, основанную на данных. Стартовать хотели как можно скорее, поэтому была создана фокус-группа по искусственному интеллекту. Она должна была рассмотреть способы включения машинного обучения и глубокого обучения (Machine Learning/Deep Learning) в разные бизнес-направления. Группа спонсировалась руководством и собиралась ежемесячно в течение года, однако перед самым стартом работ все затормозилось. Хотя проект начинался с четкого плана и формулирования целей, команда оказалась в тупике из-за огромного количества доступных сценариев использования и технологических вариантов. Тогда они обратились к Dell Technologies как к партнеру с широким портфелем разнообразных решений для проверки концепции (Proof of Concept, POC).
Центр передового опыта в области искусственного интеллекта
Заказчик был прав, создавая собственную межфункциональную команду, центр передового опыта, сфокусированную на искусственном интеллекте. Чтобы добиться успеха, такая команда должна состоять из руководителей бизнес-подразделений, разработчиков, инженеров, архитекторов баз данных, специалистов по анализу данных и ИТ-персонала. По моему опыту, ключом к успеху является наличие разнообразных навыков и взглядов из разных направлений бизнеса, а также спонсорство руководства. Это спонсорство чрезвычайно важно, потому что нужен кто-то с бюджетом и наделенный полномочиями принятия решений. После того, как фундамент заложен, команде нужно рассмотреть сценарии использования. Они должны быть измеримы в количественных показателях и ограничены во времени, возможно, рассчитаны на три-шесть месяцев. В качестве примера, для производства команда может выбрать как сценарий использования сокращение внепланового технического обслуживания станка на 15%. Это позволит сэкономить миллионы долларов за счет уменьшения времени простоя оборудования и затрат на электроэнергию. Другой сценарий использования может заключаться в уменьшении количества выявленных дефектов на сборочной линии на 3%, что также окажет положительное влияние на доходы компании.
Глубокое обучение: проверка концепции
Теперь, когда у нашей команды (центра передового опыта) есть свой сценарий использования, пришло время проверки концепции. Переход от идеи ИИ к рабочей версии может казаться сложным, но поэтому проводятся эксперименты. Подобно тому, как ученые экспериментируют для проверки своих гипотез, бизнес использует для проверки своих идей и алгоритмов ИИ прототипы или проверку концепции (POC). Однако тот факт, что этап создания прототипа рассматривается как эксперимент, не означает, что не стоит следовать передовым методам построения ИТ-архитектуры. На самом деле - как раз наоборот. Сосредоточив внимание на создании прототипа с учетом особенностей производства, организации могут быстрее перейти от тестирования к монетизации решения. Многие успешные организации используют POC для развертывания критически важных базовых элементов, которые затем будут масштабироваться. Нет смысла проводить POC, если для успешной реализации требуются годы. Более того, если вы развернули надежную ИТ-основу, при появлении новых сценариев использования и моделей проще будет ее реплицировать.
На этапе прототипирования архитектура играет решающую роль. Создавая прототип среды с теми же «строительными блоками», что и в масштабируемой производственной среде, вы ускорите для каждой модели начало монетизации. Однако рабочие нагрузки ИИ могут быть сложными. Вот пара правил, которым лучше стремиться следовать.
1. Во-первых, наш цифровой мир предоставляет неограниченное количество точек данных, поэтому приложения ИИ должны масштабироваться с учетом потребности в неструктурированных данных (петабайтного объема).
2. Во-вторых, время - важный фактор при решении задач искусственного интеллекта, поэтому необходимы ускоренные вычисления.
Таким образом, хотя развертываемое решение может начинаться с малого, вам нужна архитектура, которая способна быстро обрабатывать неструктурированные данные и масштабироваться, чтобы не отставать от темпов роста неструктурированных наборов данных.
![](/upload/iblock/e67/q07ik90ucgi7mslskpb26prqsa5d33td.jpg)
Опубликовано 28.05.2020