Как руководитель проекта ИИ, вы должны понимать основы ИИ, чтобы всегда быть в авангарде разработки инновационных продуктов ИИ. В этой статье объясняются основы искусственного интеллекта и шаги, необходимые для создания лучшего в своем классе продукта искусственного интеллекта. Вы также получите представление о стратегиях и подходах, которые можно использовать для обеспечения успеха проекта.
Начнем с определения ИИ.
«Наука и инженерия о том, как заставить компьютеры вести себя так, как мы считали до недавнего времени, требовали человеческого интеллекта». — Эндрю Мур
Что может делать ИИ?
ИИ можно применять для решения множества бизнес-задач практически во всех отраслях. Вот несколько вариантов использования, которые можно решить с помощью искусственного интеллекта:
· Распознавание лиц
· Анализ настроений
· Сегментация рынка
· Обнаружение аномалий
· И многое другое!
Вы также должны хорошо знать строительные блоки ИИ: что именно входит в создание продукта ИИ и кто все работает за кулисами, чтобы воплотить идею в жизнь.
Машинное обучение
Машинное обучение — один из самых больших сегментов ИИ, оно предоставляет системам возможность автоматически учиться и совершенствоваться на основе опыта без явного программирования. У нас есть различные подходы к машинному обучению.
1. Контролируемое машинное обучение.При контролируемом машинном обучении мы предоставляем машине метки классов и основные истины, чтобы иметь четкое представление о том, что мы пытаемся предсказать. На основе предоставленного вывода машины пытаются изучить и предсказать невидимые данные или данные без меток класса.
2. Неконтролируемое машинное обучение. При неконтролируемом машинном обучении не предоставляются метки выходных данных или классов, вместо этого мы пытаемся предсказать закономерности и тенденции в данных. Одним из самых популярных методов, использующих неконтролируемое машинное обучение, является кластеризация.
3. Обучение с подкреплением. Агент дает вознаграждения или штрафы, чтобы заставить машину обучаться в предопределенной среде. Приведу простой пример: родитель учит своего ребенка распознавать собаку.
Теперь давайте перейдем к другой очень важной части искусственного интеллекта — глубокому обучению.
Глубокое обучение
Это также считается ядром машинного обучения, на которое влияет работа человеческого мозга и то, как человек учится. В основном он состоит из большого количества нейронов, которые помогают машине изучать шаблоны в тексте, графических данных и т. д.
ПРИМЕЧАНИЕ. Как менеджер продукта ИИ вы должны убедиться, что данных, которые у вас есть, достаточно для принятия решений. Если нет, вам нужно больше данных из разных источников, чтобы сделать вашу модель ИИ более надежной.
Модели не бывают хорошими или плохими, но данные, которые в них входят, и выбранный вами подход к принятию решений имеют наибольшее значение.
Теперь давайте попробуем понять процесс разработки и развертывания вашего ИИ-продукта в производственной среде.
- Прием данных. Каждая история ИИ начинается с данных, а данные являются наиболее важным элементом для построения модели, которая работает так, как ожидается. Данные могут быть собраны из различных источников. Есть много компаний, продающих данные, и они также могут быть собраны из различных систем и баз данных компании.
- Очистка и преобразование данных. Ряд аналитиков, ученых и инженеров работают над анализом, наблюдением и очисткой данных, чтобы привести их в ожидаемое состояние, чтобы их можно было передать в модель, чтобы творить чудеса.
- Обучение модели. После очистки и анализа данных мы переходим к обучению нашей модели машинного обучения или глубокого обучения с использованием этих данных. Обучение модели похоже на то, как заставить машину изучать шаблоны и структуры данных с помощью математических уравнений и функций, чтобы она могла понимать и классифицировать невидимые данные при их реализации в реальном мире.
- Тестирование и проверка. Это этап оценки, на котором мы проверяем производительность, точность и достоверность модели на невидимых данных, чтобы убедиться, хорошо ли наша модель обобщает результаты. На этом этапе мы получаем четкое представление о том, является ли наша модель переоснащением или недообучением, а затем мы пытаемся настроить гиперпараметры и при необходимости снова обучить модель.
- Развертывание. На этом этапе мы просим помощи у команды DevOps для развертывания модели в локальной среде, облаке и т. д. в соответствии с требованиями. После развертывания модели и завершения проверки работоспособности большая часть нашей работы выполнена, и мы переходим к обслуживанию и переобучению модели по мере необходимости с новыми/невидимыми данными.
Поскольку мы поняли процесс разработки и развертывания продукта, управляемого данными, мы теперь перейдем к пониманию подходов и стратегий, позволяющих сделать проект разработки продукта ИИ успешным.
Как продакт-менеджеру ИИ необходимо участвовать во всех этапах процесса разработки и следить за тем, чтобы все происходило так, как ожидалось, и все работающие в команде должны быть сосредоточены на достижении одной цели.
Следующие подходы и стратегии должны использоваться для того, чтобы выполнить каждый шаг наилучшим образом.
1. Бизнес-проблема. Одной из самых важных и сложных частей разработки любого продукта является понимание бизнес-проблем и потребностей. Хотя может быть много проблем, с которыми может столкнуться бизнес, но как менеджер, вы должны убедиться, что мы приступаем к решению проблемы, которая действительно требует решения и которая поможет клиентам или их клиентам получить максимально возможную ценность. . Если наше решение экономит время и затраты на будущие операции компании, то это будет одно из лучших решений, которые мы можем предложить нашему клиенту. Короче говоря, мы должны ограничить бизнес-проблему, определить ее, дать количественную оценку, понять, кто является заинтересованными сторонами, каковы их приоритеты и т. д. Иногда на то, чтобы понять основную проблему, уходят месяцы.
Всегда старайтесь ставить бизнес-проблемы выше данных и ориентируйтесь только на те проблемы, которые реально решить и которые приносят максимальную пользу клиенту и его клиентам. Обязательно определите цели, которые измеримы, достижимы и соответствуют требованиям клиента.
2. Данные.Данные — это новая нефть, но в какой-то степени они неисчерпаемы. Данные составляют основу каждого продукта ИИ. Это могут быть текстовые, визуальные изображения, видео или даже аудиоданные. Как только бизнес-задача определена и у нас есть четкое представление о том, что мы собираемся разрабатывать, мы должны попытаться выяснить, какие данные мы будем использовать при разработке нашей модели, как мы будем собирать эти данные. Мы должны быть очень осторожны в вопросах, связанных с конфиденциальностью и безопасностью данных. Модель ИИ также может работать с данными в реальном времени. Таким образом, конвейер данных также может быть подготовлен для плавного потока данных в нашу модель и без каких-либо проблем делать прогнозы. В большинстве случаев данные не статичны и постоянно меняются. В этом случае наша модель не сможет хорошо понимать новые данные и может даже неправильно интерпретировать данные, что может привести к потерям. Следовательно, возникает необходимость переобучения модели с новыми данными, что обеспечивает очень высокую достоверность и точность модели.
Данные, которые идут на обучение модели машинного обучения, должны быть полными, актуальными для бизнес-задачи и должны быть высокого качества. Все эти факторы очень важны для создания современной модели и точного решения реальных проблем.
3. Построение модели. После того, как высококачественные данные собраны, важно проанализировать и очистить данные, а также обучить с их помощью модель машинного обучения. Создание модели — это не одноэтапный процесс, он требует выполнения различных этапов и операций, чтобы определить окончательную модель, которая будет запущена в производство. В большинстве случаев инженеры по машинному обучению разрабатывают базовую модель, чтобы оценить производительность различных моделей по сравнению с ней.
Разработка функций — это процесс создания индивидуальных независимых функций, которые имеют хорошую корреляцию с зависимыми функциями. Это должно быть сделано для того, чтобы модель хорошо понимала взаимосвязь и работала более точно.
Выбор функций — это процесс, в котором вы автоматически или вручную выбираете функции, которые вносят наибольший вклад в вашу переменную прогноза или выходные данные, которые вас интересуют.
Настройка гиперпараметров — это процесс настройки параметров нашей модели для повышения точности как обучающих, так и тестовых данных. Проще говоря, это похоже на модификацию математических уравнений для повышения производительности модели при прогнозировании.
4. Развертывание и измерение.После того, как мы достигли наилучшей модели после всех настроек и обучения модели, мы развертываем модель, чтобы ее могли использовать конечные пользователи. Нам нужно убедиться, что модель работает в соответствии с ожиданиями клиента или нет. Кроме того, может ли он достичь или превзойти все KPI или нет.
Специалисты по данным также участвуют в проведении A/B-тестирования, чтобы найти наилучший возможный вариант между двумя доступными моделями. Это также помогает понять, какое влияние на бизнес оказывает наша модель. Например, Netflix выполняет множество A/B-тестов, прежде чем окончательно определиться с функцией своего приложения.
Продукт ИИ не должен быть статичным продуктом, который после разработки и развертывания не требует обслуживания. Всегда должно быть пространство для улучшения производительности и улучшения продукта и удобства его использования.
5. Активное обучение. Активное обучение очень важно для уверенной работы модели ИИ. Процесс не останавливается после развертывания модели машинного обучения. Инженеры обязаны переобучить модель, чтобы качество и точность модели никогда не ухудшались. Ретроспектива также необходима для понимания того, что можно было бы сделать лучше, и для повышения эффективности и действенности управления проектом и инженерных работ.
Я очень уверен, что вы получили представление о процессах и подходах, которые используются при разработке продукта ИИ. Теперь мы попытаемся понять некоторые из важнейших аспектов обработки различных этапов проекта разработки продукта ИИ.
Знание предметной области
ИИ можно применять в большом количестве отраслей и областей. Менеджер по продукту должен попытаться понять область, для которой он планирует разработать приложение ИИ.
Необходимо точно оценить болевые точки клиентов и провести конкурентный анализ, чтобы лучше понять ситуацию на рынке и узнать, какие продукты искусственного интеллекта разрабатывают конкуренты вашего клиента и как эти продукты помогают клиентам создавать ценность. Это можно использовать, чтобы уменьшить усилия клиентов и облегчить им путешествие.
Узнайте возможности и альтернативы и, наконец, выберите тот, который обеспечивает максимальную ценность для клиентов.
Положение о проекте
Заявление о проекте — это документ, который создается перед началом любого проекта, чтобы иметь четкое представление о продукте, который мы разрабатываем. Заявление о проекте должно отвечать на следующие вопросы:
1. Какую проблему мы решаем? Определите бизнес-проблему, с которой сталкивается ваш клиент, и то, как вы планируете ее решить.
2. Как вы можете использовать ИИ? Подумайте и упомяните об использовании ИИ в вашем продукте и о том, как он поможет вам сделать продукт более эффективным. Действительно ли необходим ИИ? Никогда не заставляйте себя использовать машинное обучение только потому, что это звучит круто. Если продукт может быть разработан с использованием другой технологии и на самом деле не требует ИИ, используйте эти альтернативы.
3. Требования к данным. После того, как вы решили создать продукт ИИ, выясните, какие данные вы будете использовать для создания моделей. Как ты собираешься его собирать?
4. Объем продукта. Как пользователь, как ваш продукт облегчит жизнь ваших клиентов, решив их проблемы и помогая им увеличить свои доходы и продажи.
5. Как вы измеряете успех? Определите показатели производительности, по которым вы будете оценивать свою модель, и измерьте влияние и успех.
Показатели
Метрики являются ключевой частью оценки и оценки производительности любого продукта ИИ. Вы должны выбрать правильные показатели, которые должны быть:
· Поддающийся измерению
· Непосредственно связанные с бизнес-проблемами
· Сопоставимо
· Соответствует бизнес-целям
Метрики, которые оказывают наибольшее влияние на бизнес клиентов, должны иметь наивысший приоритет.
Пример. Предположим, производитель мебели хочет разработать приложение, которое пытается предсказать поломку оборудования с помощью устройств IOT до того, как она произойдет, чтобы быть готовым и сэкономить время на операциях. Это уменьшит любые помехи в работе для них. В этом случае ограничение по времени является наиболее важным фактором, поскольку мы не хотели бы получать оповещение после того, как машина сломалась. Следовательно, мы можем установить KPI для получения предупреждения за 5–10 минут до того, как устройство IoT обнаружит что-то странное с машиной и выдаст предупреждение.
Существуют и другие показатели оценки, которые помогают инженерам и ученым выяснить, насколько хороша модель машинного обучения. Некоторые из них:
· Точность
· Отзыв
· Оценка F1
· MAE (средняя абсолютная ошибка) и т. д.
Подход к управлению проектами
Большая часть управления проектами осуществляется с использованием итеративного подхода, называемого схваткой. Если вы хотите узнать больше об этом, посетите веб-сайт Atlassian, указанный в конце этой статьи.
Спринт должен быть эффективно спланирован, и все должны работать в команде для достижения бизнес-цели. После планирования схватки, разработки и выпуска первой версии продукта следует провести обзор спринта и ретроспективу, чтобы выяснить, что было сделано правильно, а что нужно улучшить. Убедитесь, что все заняты своими задачами и не перегружены работой. Правильное распределение работы необходимо для гармонии в рабочей среде.
Существуют различные подходы, которые могут применяться для управления проектом. В статье Visual paradigm это очень хорошо объясняется. Его можно найти в конце.
Как менеджер проекта, независимо от того, управляете ли вы проектом ИИ или любым другим проектом, вы должны понимать, что вы ключевой человек, который заставит людей работать в команде и направит их усилия в правильном направлении.
Руководитель проекта должен иметь представление о том, кто над чем работает и не перегружен ли кто, прежде чем ставить задачи. Таким образом, вы можете внести гармонию как в проект, так и в организацию.
Я встречал многих менеджеров проектов, которые считают себя боссами. Это одна из самых больших ошибок, которую может совершить менеджер. Мы должны поддерживать всех членов команды как столп, быть уважительными и скромными, потому что руководитель проекта должен заставить все работать, а не навязывать людям вещи.
Давайте закончим эту статью следующей цитатой об управлении проектами.
"Управление проектом похоже на плавание по бурному морю с множеством пассажиров на борту, а штурвал находится в руках менеджера".
