Wyszukiwanie przykładu projektu sztucznej inteligencji może wynikać z dwóch potrzeb: odtworzenia projektu edukacyjnego albo wyboru pierwszego pilotażu biznesowego. W przypadku pilotażu biznesowego zacznij od asystenta zapytań, jeśli masz już wiadomości i zatwierdzoną bazę odpowiedzi. Właściwy pierwszy projekt to ograniczone zadanie biznesowe z określonym wejściem, wynikiem możliwym do sprawdzenia, wyznaczonym weryfikatorem i warunkiem zatrzymania. Tutaj wiadomość jest wejściem, szkic ze źródłem jest wynikiem, a osoba odpowiedzialna go akceptuje, poprawia albo odrzuca. Zatrzymaj test, jeśli odpowiedź wykracza poza zatwierdzoną bazę.
Ten format zaczyna się od problemu, a nie narzędzia. Red Hat zaleca małe, precyzyjne zadanie z potrzebnymi danymi. OpenClassrooms również umieszcza określenie zakresu przed danymi, modelowaniem i wdrożeniem. (Red Hat; OpenClassrooms)
Krótka odpowiedź
Ograniczone zadanie biznesowe ma sprawdzalny wynik, widoczną decyzję człowieka i warunek zatrzymania. Red Hat zaleca małe zadania o jasnych celach.
Który projekt sztucznej inteligencji wybrać jako pierwszy?
Wybierz określony problem w procesie pracy, z dostępnym wejściem i wynikiem, który dział biznesowy potrafi ocenić. Red Hat zaleca zacząć od jasnego problemu, a następnie sprawdzić dostępne dane i oczekiwaną wartość biznesową.
Zastosuj kolejno te filtry:
- Nazwij problem w jednym zdaniu. Według Red Hat pilotaż skupiony na rozwiązaniu bez jasnego problemu może nie służyć konkretnemu celowi.
- Opisz wejście i wynik. OpenClassrooms rozdziela zakres biznesowy, zebranie i czyszczenie danych, modelowanie, ocenę i wdrożenie.
- Sprawdź prawo do użycia danych. France Num nazywa dane surowcem systemu i przypomina o szczególnej ochronie danych osobowych zgodnie z RODO. (France Num)
- Wyznacz osobę weryfikującą. France Num opisuje nadzór człowieka, który sprawdza trafność odpowiedzi. (France Num)
- Zapisz warunek zatrzymania. Red Hat zaleca jasne cele i granice małych zadań powierzonych AI.
Zasada operatora
Jeśli nikt nie może odrzucić wyniku, kontrola nie została określona. Nadzór człowieka służy właśnie ocenie trafności odpowiedzi. (France Num)
Które przykłady projektów AI są wystarczająco ograniczone?
France Num wymienia obsługę klientów, analizę dokumentów, monitoring, eksplorację tekstu, kontrolę jakości i automatyzację zadań. Tabela przekształca te rodziny w projekty możliwe do przetestowania. Nie przedstawia wyników klientów ani obietnic poprawy.
Projekty edukacyjne lub demonstracyjne widoczne w wynikach wyszukiwania odpowiadają na inne pytanie niż pilotaż biznesowy. W tym pilotażu porównaj pięć poniższych przykładów według wejścia, wyniku, kontroli człowieka i warunku zatrzymania.
| Możliwy projekt | Dostępne wejście | Sprawdzalny wynik | Weryfikacja człowieka | Sygnał zatrzymania |
|---|---|---|---|---|
| Asystent zapytań, pochodna obsługi klientów wskazanej przez France Num | Wiadomości i zatwierdzona baza odpowiedzi | Szkic z odnośnikiem do źródła | Osoba odpowiedzialna poprawia lub wysyła | Odpowiedź wykracza poza bazę |
| Ekstrakcja z dokumentów, rodzina wskazana przez France Num | Dokumenty jednego typu | Pola z dokumentem źródłowym | Dział porównuje pola z dokumentem źródłowym | Brakuje pola lub jego źródła |
| Wspomagany monitoring | Zamknięta lista źródeł | Notatka z linkami | Czytelnik otwiera źródła | Twierdzenie nie ma sprawdzalnego linku |
| Kolejka kontroli jakości | Porównywalne elementy i reguły | Przypadki oznaczone do analizy | Osoba odpowiedzialna wybiera działanie | System sam wywołuje konsekwencję |
| Klasyfikacja tekstu, pochodna eksploracji tekstu | Teksty i określone kategorie | Proponowana kategoria z fragmentem | Dział akceptuje lub zmienia | Wrażliwa kategoria nie jest sprawdzona |
Najlepszy wiersz nie jest najbardziej efektowny. To ten, którego wejście już posiadasz i którego wynik potrafisz zakwestionować. Red Hat łączy gotowość pilotażu z dostępnością danych i małymi, konkretnymi zadaniami.
Jak zrobić projekt z wykorzystaniem AI?
Aby zrobić projekt z wykorzystaniem AI, najpierw określ problem biznesowy, wejście, oczekiwany wynik, wyznaczonego weryfikatora i warunek zatrzymania. Następnie wybierz narzędzie. OpenClassrooms umieszcza określenie zakresu przed analizą, zebraniem, czyszczeniem i eksploracją danych, a następnie modelowaniem, oceną, wdrożeniem i utrzymaniem. (OpenClassrooms)
Skopiuj ten brief i uzupełnij każdą pozycję:
- Problem biznesowy: konkretna trudność do rozwiązania. (Red Hat)
- Użytkownik: osoba otrzymująca lub oceniająca wynik. (OpenClassrooms)
- Wejście: potrzebne dane i ich pochodzenie. (Red Hat)
- Prawo użycia: obowiązujące zasady, w tym dla danych osobowych. (France Num)
- Wynik: obserwowalny rezultat związany z celem. (OpenClassrooms)
- Weryfikator: osoba sprawdzająca trafność odpowiedzi. (France Num)
- Miara: obserwowalne kryterium związane z problemem. (OpenClassrooms)
- Zatrzymanie: granica kończąca test. (Red Hat)
Brief oddziela osąd od mechanizmu. Jeśli projekt ma działać w wielu narzędziach, francuski poradnik tworzenia agenta AI opisuje tę warstwę. Jeśli nadal porównujesz kategorie rozwiązań, zacznij od poradnika wyboru AI.
Punkt zatrzymania
Płynny wynik nie musi być poprawny. France Num ostrzega, że stronnicze dane mogą dawać stronnicze odpowiedzi i powodować problemy etyczne lub prawne. (France Num)
Jakie dane przygotować do pierwszego projektu AI?
Przygotuj tylko dane potrzebne do zadania, wraz z ich pochodzeniem, statusem i regułą odrzucenia. France Num wyjaśnia, że jakość i ilość wpływają na działanie. OpenClassrooms umieszcza zebranie, czyszczenie i eksplorację przed modelowaniem. Źródła nie podają uniwersalnej ilości. (France Num); (OpenClassrooms)
Przed testem sprawdź:
- trafność przykładów dla zadania. (France Num)
- spójność formatów i kategorii. (OpenClassrooms)
- obecność danych osobowych lub wrażliwych. (France Num)
- ślad od każdego wyniku do wejścia, aby człowiek mógł go zweryfikować. (France Num)
Jak mierzyć pilotaż i zdecydować o kontynuacji?
Mierz wynik, który biznes może zaobserwować. Kryterium zależy od problemu. OpenClassrooms uwzględnia cele, zwrot, ocenę i interpretację; Red Hat wymaga związku z wartością biznesową oraz jasnych granic.
Dla asystenta zapisuj szkice przyjęte, poprawione i odrzucone. Przy ekstrakcji porównuj pola z dokumentem. W monitoringu otwieraj linki wspierające twierdzenia. To przykłady miar wynikające z tabeli, a nie uniwersalne progi.
Nie ustalaj progu bez danych z testowanego procesu. Źródła nie podają standardowego czasu, minimalnej częstotliwości ani wskaźnika sukcesu dla wszystkich pilotaży.
Czy AI może napisać projekt za ciebie?
Może przygotować dokument. Nie określi samodzielnie problemu, prawa do danych ani ostatecznej decyzji. France Num wymienia generowanie tekstu, ale przypomina o ryzyku prawnym, etycznym i stronniczości danych. (France Num)
Możesz poprosić o szkielet briefu, listę pól lub podsumowanie ze źródłami. Zakres biznesowy i weryfikacja człowieka pozostają po stronie odpowiedzialnej osoby. (OpenClassrooms); (France Num)
Jakie pytania zadać przed uruchomieniem projektu?
Czy na początku potrzebny jest zespół danych?
OpenClassrooms łączy role biznesowe, cyfrowe, AI i zarządzania danymi. Skład zależy od przypadku; trzeba zapewnić potrzebne kompetencje biznesowe, dotyczące danych i oceny.
Czy potrzeba dużo danych?
Nie istnieje uniwersalne minimum. Jakość i ilość wpływają na działanie, a dane przed modelowaniem trzeba zebrać, oczyścić i zbadać. Ilość zależy od zadania i oceny. (France Num); (OpenClassrooms)
Kiedy należy zatrzymać pilotaż AI?
Zatrzymaj go, gdy wynik przekroczy zapisaną granicę, potrzebne dane nie są pod kontrolą albo osoba weryfikująca nie potrafi już ocenić rezultatu. (Red Hat); (France Num)
Po wyborze przypadku zapisz granicę odbioru za pomocą szablonu specyfikacji projektu AI.
Wybierz właściwe drzwi
Projekt ma określony zakres. Pozostaje wybrać drzwi odpowiadające rzeczywistej pracy.
Wybierz właściwe drzwi →