Ao produzir IA, existem inúmeros desafios que você pode encontrar, como como aplicar seu modelo de IA a um processo ou pessoas, estabilizar dados e modelos, como manter seu modelo preciso em ambientes em mudança e ao longo do tempo, escalar e como crescer ou aumente os recursos do seu modelo de IA.
Incorporando IA
Executar uma Prova de Conceito (PoC) de aprendizado de máquina bem-sucedida com um novo algoritmo representa apenas 10% do esforço necessário para produzi-lo e obter valor real dele. Os 90% restantes podem ser divididos em coisas que você precisa fazer para criar um produto utilizável e coisas que você precisa fazer para criar um produto útil.
Para tornar um produto utilizável, você precisa ampliar a implementação técnica para disponibilizar o produto aos seus usuários. Para torná-lo útil, você deve incorporar o produto em um processo para os usuários. Primeiro, porém, qual é exatamente a diferença entre um PoC e um produto utilizável?
Em primeiro lugar, os PoCs não se destinam à produção. Os produtos precisam funcionar o tempo todo, a qualquer hora e sob circunstâncias mutáveis. Durante o seu PoC, você encontra os dados que procura, faz uma cópia e começa a limpá-los e analisá-los. Na produção, sua fonte de dados deve estar conectada a uma plataforma de dados em tempo real, de forma segura; o fluxo de dados deve ser manipulado automaticamente e comparado/combinado com outras fontes de dados.
Durante sua PoC, você pode se dar ao luxo de poder conversar com seus futuros usuários e trabalhar com eles para projetar uma solução, ou você não tem nenhum usuário e está projetando uma solução técnica. Para um produto, você tem usuários que precisam entender a solução e pessoas responsáveis por manter a solução técnica funcionando. Assim, um produto requer treinamento, perguntas frequentes e/ou linhas de suporte para ser utilizável. Além disso, você acabou de criar uma nova versão para seu caso de uso em um PoC. Os produtos exigem atualizações e, quando você implementa seu produto para vários clientes, precisa de uma maneira de testar e implantar seu código para produção (pipelines de CI/CD).
“Na Itility, desenvolvemos nossa Itility Data Factory e AI Factory que cobrem os blocos de construção e a plataforma subjacente para qualquer um de nossos projetos. Isso significa que temos o ângulo utilizável coberto desde o início, para que possamos nos concentrar no ângulo útil (que depende mais do cliente e do caso de uso)”, afirmou a empresa.
Aplicativo de detecção de pragas – do PoC ao produto utilizável
“A fase de prova de conceito do nosso aplicativo de detecção de pragas consistia em um modelo que pode realizar a tarefa restrita de classificar e contar moscas em uma armadilha de cola com base em imagens tiradas por membros da equipe da estufa. Caso perdessem uma foto ou algo desse errado, eles poderiam voltar e tirar outra, ou consertar diretamente no painel. Foram necessárias algumas verificações manuais.
“Nosso mundo PoC era simples, baseado em um único dispositivo, um único usuário e um único cliente. No entanto, para torná-lo um produto utilizável, precisávamos dimensionar e oferecer suporte a vários clientes. Então surge a questão de como manter os dados separados e seguros. Além disso, cada cliente/máquina individual requer uma configuração e uma configuração padrão. Então, como configurar/configurar 20 novos clientes? Como saber quando construir uma interface administrativa e automatizar a integração? Com 2 clientes, 20 ou 200?”
Claro, você pode ter dúvidas, como 'como contar moscas ajuda meu cliente? Como criar valor a partir dessas informações? Como recomendar decisões e agir? Como esta aplicação de IA se enquadra no processo de negócios?'. O primeiro passo é mudar seu quadro de referência de uma perspectiva técnica/de dados para a perspectiva do usuário final. Isso significa continuar a conversa com seu cliente e ver como o PoC comprovado se encaixa nos processos diários.
“Você também tem que acompanhar de perto o processo por um longo período de tempo, você precisa participar de reuniões operacionais e táticas para realmente entender quais ações são tomadas todos os dias com base em quais informações, quanto tempo é gasto em fazer o quê e o raciocínio por trás de certas ações. Sem entender como as informações do seu modelo são usadas para criar valor comercial, você não chegará a um produto útil.
“No nosso caso, descobrimos quais informações eram usadas para tomar decisões. Por exemplo, descobrimos que para algumas pragas era mais importante seguir a tendência semanal (para as quais não são necessárias precisões muito elevadas), enquanto outras requerem acção ao primeiro sinal de uma praga (o que significa que é melhor ter algumas de falsos positivos do que ter pelo menos um falso negativo).
“Além disso, descobrimos que nosso cliente já havia tido uma experiência 'ruim' com uma ferramenta semelhante, alegando ter precisões que não poderia fornecer na prática. Por que eles confiariam nos nossos? Enfrentamos esse problema de confiança de frente e tornamos a precisão e a transparência uma característica fundamental do produto. Utilizamos essas informações para tornar nosso produto útil, adaptando a aplicação aos métodos de trabalho do usuário final e aumentando a transparência na interação, dando ao usuário mais controle sobre a aplicação”, continua a empresa.
Qual é o maior desafio?
“Em nosso cenário de contagem de moscas, podemos falar sobre nossa pontuação de precisão o quanto quisermos. Contudo, para ser útil, o utilizador (um especialista em estufas) precisa de mais do que percentagens. O que é necessário é experimentá-lo e aprender a confiar nele. A pior coisa que pode acontecer é quando seus usuários comparam seus resultados com os resultados manuais e há uma (grande) discrepância. Sua reputação está arruinada e não há espaço para reconquistar a confiança. Contrariamos isso adicionando software ao produto que incentiva o usuário a procurar essas discrepâncias e corrigi-las.
“Nossa abordagem é, portanto, tornar o usuário parte da solução de IA, em vez de apresentá-lo como um sistema que substituirá o especialista. Transformamos o especialista em operador. A IA está aumentando suas habilidades e os especialistas permanecem no controle, ensinando e orientando continuamente a IA para aprender mais e fazer correções quando o ambiente ou outras variáveis mudam. Como operador, o especialista é parte integrante da solução – ensinando e treinando a IA com ações específicas.”
Clique SUA PARTICIPAÇÃO FAZ A DIFERENÇA para ver um vídeo com mais detalhes sobre a abordagem centrada no operador.