Integration og produktionssætning af AI

Mange organisationer har med succes produceret nyttige AI-modeller via ad hoc-analyse, især i dataanalyseafdelinger, der leverer beslutningsstøtte. En betydelig udfordring er at tage modeller produceret via ad hoc-analyse og tillade, at de nævnte AI-modeller bruges af den bredere organisation. Virksomheder, der tillader, at en hel organisation udnytter AI, vil opnå en betydelig fordel.

Denne artikel vil udforske, hvordan man integrerer AI inden for en organisation via produktionssætning.

Identificering af en passende AI-model til produktionsbrug

En model til kunstig intelligens eller maskinlæring, der er egnet til produktionsbrug, er enhver model, der producerer værdifuld indsigt eller giver et praktisk resultat. Antag, at sådanne modeller konstant skal køres manuelt af data scientists. I så fald er der en god chance for, at processen ikke er produktionssat og kun er tilgængelig for få tekniske medarbejdere.

En model er produktionssat, når den bruges dagligt i business as usual (BAU)-processer. Hvis den herefter køres ad hoc, er den ikke tilgængelig for den bredere organisation.

Integrering af AI i Business as Usual (BAU)-processer

Et længevarende problem med kunstig intelligens og maskinlæring og endda ældre statistikbaserede modeller er, at få personer inden for en organisation har adgang til dem. Der er flere årsager til dette, selvom den mest almindelige er den tekniske barriere, der skal overvindes for at bruge sådanne modeller, og den nødvendige computeropsætning for at køre sådanne modeller.

Med fremkomsten af webbrowseren og den fortsatte funktionalitet, der er indbygget i browseren, er det muligt at tilbyde sådanne funktioner til brugere, der måtte have brug for at bruge modellen, blot ved at have adgang til en webbrowser. Årsagen hertil er, at den nødvendige computeropsætning kan abstraheres inden for en fjernserver, mens en brugergrænseflade kan vises for, hvordan man kører og interagerer med modellen. Således vil dette fremadrettet i fremtiden tillade, at ikke kun artificial intelligence, men mange flere computerfunktioner stilles til rådighed for flere individer, uanset tekniske evner.

Produktionsgørelse af AI-modeller til AI-systemer

Et system til kunstig intelligens er et system, der gør brug af en AI-model eller flere AI-modeller for at opnå det ønskede resultat. Det er ikke tydeligt for mange organisationer, hvad forskellen mellem de to er, da ledelsen har tendens til at betragte evnen til at køre AI som at have AI-kapaciteter. Et korrekt arkitekteret og ingeniørmæssigt designet system er påkrævet for at sikre, at AI handler under god styring.

En nem måde at beskrive forskellen mellem de to på er at undersøge jobfunktionerne bag hvert processtadie. Computer Scientists udvikler AI-teknikker. Data scientists bruger AI-teknikker og anvender dem på problemer inden for organisationen, og givet en sund model, bygger Software Engineers derefter robuste systemer, der bruger både AI-teknikkerne og den måde, de anvendes på.

I den moderne æra vil software engineering typisk bygge websoftware, der bruger sådanne AI via backend-processer, mens der præsenteres en brugervenlig frontend med en rig brugergrænseflade. Således tillader dette brugere at bruge kunstig intelligens som en data scientist uden at kræve teknisk ekspertise. Fremadrettet er dette vigtigt, da AI skal demokratiseres i betragtning af den store fordel, det giver dem, der har adgang til det.

Udnyttelse af AI og Cloud

Kunstige intelligens-modeller har tendens til at køre på supercomputere, hvilket er meget almindeligt inden for forskningsområdet. Supercomputere er dyre og svære at få adgang til, da mange forskellige projekter konkurrerer om beregningstid. Et alternativ er at udnytte kraften fra distribueret cloud computing som et alternativ.

Cloud computing leverer regnekraft og lagring efter anmodning og kan også skaleres dynamisk. Fordelen er, at organisationer ikke er forpligtede til at investere kraftigt i at bygge og vedligeholde nævnte infrastruktur. En hindring for organisationers adgang til kunstig intelligens i fortiden var adgang til enorm regnekraft og lagring. Med mere tilgængelig adgang til disse ressourcer er det nu praktisk for organisationer at udnytte kunstig intelligens.

Efterhånden som organisationer migrerer eksisterende ældre infrastruktur og systemer til clouden og indfører en cloud-først-strategi, vil det være logisk, at strategiske beslutningstagere vil undersøge, hvor cloud-infrastruktur ellers kan hjælpe. Kunstig intelligens vil være blandt diskussionsemnerne, når fremtidige kapaciteter udforskes.

Præsentation og visning af AI-resultater for den bredere organisation

Kunstige intelligens-modeller og -systemer producerer resultater, der kræver, at en person fortolker dem og handler. I fremtiden kan kunstige intelligens-systemer også foreslå foranstaltninger, der skal tages. Det er dog stadig meget op til beslutningstagerne at beslutte, hvordan de skal forfatte sig i den nuværende tilstand.

Eksisterende datapræsentations- og visualiseringsteknikker, såsom brug af business intelligence-rapporteringssuiter og dataanalytik-dashboards, herunder Tableau og Power BI, vil fortsat blive brugt og udvidet. Tilpassede visualiseringer vil også fortsat blive udviklet, såsom det ses i selvorganiserende kort (SOM), for at give folk mulighed for at forstå AI-resultater.

Da kunstig intelligens-systemer kan behandle mange flere variabler, end hvad er forståeligt for et individ, er det essentielt, at sådanne output er forståelige for en person, og at sådanne resultater og deres tilknyttede implikationer forstås.

Fortolkning af AI og udnyttelse af AI-resultater

Kunstige intelligens-systemer, eller ethvert system, producerer typisk output. Givet resultaternes kompleksitet må de ikke misfortolkes eller være genstand for bias i dataene. Der har været mange tilfælde af AI-rapportering med urimelig fordom, simpelthen fordi de data, den lærte fra, indeholdt forudindtagede eller begrænsede funktionssæt.

Organisationer, der bruger AI-resultater, skal begrænse fortolkningen til domænet for fageksperter, der arbejder inden for et bestemt felt, for at sikre et afbalanceret perspektiv. En sådan tilgang vil også hjælpe med at sikre, at AI-resultaterne er sunde og komplette. Vi anser det også for at være essentielt at overveje omfanget af handlinger, der træffes på baggrund af AI-resultater, og det bør være inden for et begrænset og snævert felt for at sikre, at AI-handlingerne er sikre.

Kontakt os i dag for en gratis konsultation om, hvordan Telemus AI™ kan integreres i din organisation.