Как раскрыть секреты успеха продуктов с искусственным интеллектом
22 марта 2023 г.Привет!
Допустим, вы основатель стартапа или руководитель проекта, который хочет создать новое решение на основе ИИ. Уровень успеха зависит от таких факторов, как ваш опыт, послужной список, опыт работы с искусственным интеллектом и многое другое. В этой статье я расскажу о различных аспектах, которые помогут повысить вероятность успеха.
Мне нравится рассматривать проект как обреченный на успех, а затем управлять рисками. Здесь я поделюсь опытом проектов, в которых я был исследователем или руководителем продукта, а также опытом моей компании, которая работает с клиентами из разных отраслей.
Итак, давайте подробнее изучим этот контрольный список управления рисками.
1. Конкретная бизнес-цель
Это очевидно, но это правда. Важно иметь четкое представление о бизнес-задачах, на решение которых направлена инициатива ИИ. Без конкретной цели трудно определить успех или измерить влияние проекта.
Неадекватная цель: разработать систему искусственного интеллекта для минимизации рисков.
Лучший подход: создайте решение, сводящее к минимуму риски, которое сократит финансовые потери на 30 % в течение 1 года.
Лучше всего использовать настройку целей SMART или аналогичную структуру
2. Финансовый эффект
Проекты ИИ могут быть дорогостоящими, поэтому важно учитывать финансовые последствия проекта. Сюда входят затраты на разработку и реализацию проекта, а также потенциальный возврат инвестиций.
Перед началом проекта рассчитайте его влияние, желательно в финансовом выражении. Например, определить, будет ли проект прибыльным или нет. Даже если все пойдет по плану, это все равно может оказаться убыточным.
Неэффективная идея: сократить расходы на 1 % в год при доходе в 10 млн долларов и 200 000 долларов в год на поддержку системы. При этом не учитываются затраты на разработку и внедрение, которые значительны.
Долгосрочный эффект окупаемости: разработка «под ключ» стоит 300 000 долларов США, а ежегодная поддержка — 50 000 долларов США. Стремитесь сокращать расходы на 1% в год при доходе в 10 миллионов долларов в течение 10 лет. Поначалу будут потери, но долгосрочные последствия будут положительными.
Эффективная идея: подписывайте 10 контрактов на поставку программного обеспечения на 1 миллион долларов в год. Разработка стоит 700 000 долларов и занимает 6 месяцев. Это приблизительные оценки, но общий смысл должен быть понятен.
3. Компромисс между временем выхода на рынок и точностью модели
Часто приходится идти на компромисс между скоростью разработки и развертывания системы искусственного интеллекта и ее точностью. Важно сбалансировать эти факторы в зависимости от потребностей проекта.
Иногда лучше продать и развернуть систему, основанную на правилах, или использовать готовые модели и библиотеки, чем долго разрабатывать систему. Когда система начнет приносить доход, улучшите модели.
Есть известная цитата Рида Хоффмана, основателя LinkedIn:
<цитата>Если вас не смущает первая версия вашего продукта, значит, вы запустили его слишком поздно.
Этот подход часто работает, когда вы можете продавать продукт с эффективностью текущей модели по умолчанию. Это сложнее на конкурентном рынке или когда система может привести к убыткам, например, при торговле или инвестировании.
4. Интеллектуальная собственность
Проекты ИИ часто включают создание и использование новых алгоритмов или моделей. Важно учитывать, как защитить интеллектуальную собственность и кому будут принадлежать права на разработанную технологию.
Требования зависят от того, как вы планируете использовать свою работу:
* Конфиденциальность исследований.
* Использование библиотек и моделей для коммерческих продуктов.
* Использование библиотек и моделей только для исследований.
* Покупка лицензий на службы API или программное обеспечение.
* Другие варианты.
Проконсультируйтесь с юристами, чтобы разобраться в законах вашего региона.
5. Эксклюзивные и соответствующие данные
Для проектов ИИ часто требуется доступ к большим объемам данных. Важно, чтобы используемые данные были качественными, релевантными и эксклюзивными для проекта.
В целом прикладные исследования при создании продукта делятся на две группы:
* Поиск оптимальной модели с открытым исходным кодом или предварительно обученной модели для интеграции в решение. Это характерно для продуктов, в которых искусственный интеллект не является основной функцией.
* Обучайте собственные модели искусственного интеллекта, чтобы улучшить качество или добавить новые функции.
На этапе подготовки к проекту определите, какая модель искусственного интеллекта лучше всего соответствует вашим потребностям: стандартная или нестандартная. Стоимость, сроки и риски зависят от этого решения. Для пользовательских моделей определите:
* У вас есть собственные данные? Если да, то он маркирован? Если нет, планируйте пометить его. Это можно сделать разными способами, например, путем просмотра веб-страниц, получения новых данных, краудсорсинга и т. д.
* Вам не хватает данных? Затем соберите и пометьте новые данные.
6. Экспертиза домена
Проекты ИИ часто требуют опыта в определенной области, например в здравоохранении, финансах или праве. Важно, чтобы в проекте участвовали нужные эксперты в предметной области, чтобы обеспечить разработку и развертывание технологии таким образом, чтобы она соответствовала потребностям предметной области.
С одной стороны, требуется знание предметной области бизнеса. За это отвечают представители клиентского решения (например, владелец, руководители высшего звена, менеджеры по продукту и т. д.), поскольку они лучше всех разбираются в бизнесе.
С другой стороны, ключевым требованием является опыт работы с технологиями конкретной области ИИ. Важно иметь специалистов в этой области. Некоторые критерии:
* Подтвержденный опыт в виде реализации нескольких проектов в данной сфере;
* Старший уровень в командах по разработке этих решений;
* Желательна степень в области компьютерных наук, чтобы свести к минимуму риск неправильного проектирования.
Другими словами, специалист по временным рядам, не работавший с компьютерным зрением, не должен руководить проектом с точки зрения технологий, даже если он хорошо разбирается в своей области.
7. Интеграция с другими системами
Проекты ИИ обычно не работают сами по себе. Они требуют интеграции с другими системами, такими как инструменты управления данными или бизнес-аналитики. Важно учитывать, как система ИИ будет интегрироваться с этими другими системами и потребуются ли какие-либо дополнительные разработки.
Несколько ключевых моментов, о которых следует подумать в первую очередь:
* Облачная или собственная инфраструктура?
* Достаточно ресурсов для создания и запуска системы?
* Как правила влияют на безопасность, обработку и хранение данных?
* Если используются устройства типа «система на кристалле» (SoC), следует понимать их архитектуру и принципы работы. Неправильный выбор может потребовать полной переделки всего решения.
8. Объяснимость и прозрачность модели
Некоторые деловые решения требуют прозрачности в процессе принятия решений. Это может быть связано с правилами, отраслевыми стандартами или внутренней политикой компании. В этих случаях решение не может функционировать как «черный ящик». Он должен реализовывать алгоритмы, интерпретируемые человеком.
Они, как правило, проще, но имеют более низкую точность. Это следует учитывать при разработке технического решения, оценке его экономического эффекта и выборе команды для его реализации.
Выводы
Согласно многим исследованиям, 80–90 % проектов ИИ не могут быть запущены в производство или принести какую-либо коммерческую ценность.
Однако, следуя ключевым элементам, изложенным в этой статье, и учитывая потенциальные риски и проблемы, компании могут свести к минимуму риск неудачи и повысить свои шансы на успех.
По моему опыту работы в AI Works Lab, этот показатель можно снизить до 30 %. Таким образом, компании могут получить конкурентное преимущество, стимулировать рост и успех и, в конечном счете, приносить пользу своим клиентам.
Дайте мне знать в комментариях, если вы хотели бы углубиться в другие темы прикладного ИИ в сферах вашего бизнеса или подробнее рассказать о конкретных моментах из этой статьи.
Оригинал