Bir AI projesine başlamanın en iyi yolu? Modeller hakkında düşünme

Yazar TÜRKYAY on 8 Mart 2023 Yorum Yok / 44 Görüntüleme

Biliyor musun tüm AI projelerinin %85’inin üretim veya operasyon aşamasına ulaşamadığı? Durum neden böyle?

İşletmelerin, müşteri deneyimini iyileştirmek veya iş akışlarını basitleştirmek için yapay zekayı kullanmak için yaratıcı fikirler bulması çok yaygındır. Bu projeler için başarının önündeki engel, genellikle onları geliştirmeye ve ardından üretime sokmak için gereken zaman ve kaynaklarda bulunur. Ancak, OpenAI’nin yeni ChatGPT’sinde gördüğümüz gibi, yapay zeka sorunlu olabileceği kadar eğlenceli de olabilir.

Pek çok projenin başarısız olması veya daha kötüsü hatalı olması nedeniyle, bu şirketlerin birçoğunun aynı hataları yapma olasılığı yüksektir. Aşağıda, başarı şansınızı optimize edecek bazı ipuçları verilmiştir.

Sağ ayakla başlayın

Yapay zeka geliştirme süreci, zayıf planlama, proje yönetimi ve mühendislik sorunlarından muzdariptir. Bugün çoğu iş lideri, yapay zekayı medyadan öğreniyor ve bu da genellikle yapay zekanın değerini sihir veya yalnızca birkaç serpiştirmeyle üretime konulabilecek bir şey olarak tanımlıyor.

Yapay zekayı uygulamanın maliyetleri düşürmeye, marjları iyileştirmeye ve geliri artırmaya yardımcı olabileceğine inanıyorlar. Halihazırda hareket halinde olan rakiplerle, AI “FOMO” yaratır ve yöneticiler, başarılı ve doğru bir AI projesi yaratmanın içerdiği genel etki, plan, maliyet ve kaynaklar hakkında net bir anlayışa sahip olmamalarına rağmen hızlı bir şekilde harekete geçmeye zorlanır.

Mühendislik ortamı hakkında çok az bilgiyle, ilk mantıklı adım, ekibin karşılaşabileceği zorlukları haritalamak ve planlamak için veri bilimcileri işe almak olmalıdır. Ancak, bu veri bilimcilerin genellikle alan bilgisi yoktur.

Doğru yapay zeka geliştirme yolunda olduğunuzdan emin olmanın en iyi yolu, yapay zeka projenize modelleri düşünmeden başlamaktır.

İşi otomatikleştirmek ve geliştirmek amacıyla yeni bir kuruluşa giren bir veri bilimcisi, genellikle önce yapay zeka oluşturmanın değeri olduğunu kanıtlamak için yeterli veriyi manuel olarak toplamaya çalışır. Başarılı bir kavram kanıtı yapıldığında, ekip genellikle veri yönetimi konusunda duvara toslar. Kuruluş, verileri “AI dostu” bir şekilde toplayamaz, saklayamaz veya yönetemez.

Örneğin, bir üretim montaj hattına akıllı hata denetimini entegre etmek isteyen bir fabrika, birkaç dakika boyunca bir makinede tek bir kamera kullanarak yapay zeka projesini oldukça hızlı bir şekilde tanıtabilecektir. Ancak projenin üretime geçebilmesi ve günlük olarak kullanılabilmesi için tek kamera demosunu 7/24 çalışan 500 kameraya geçirmesi gerekiyor. Bu, yapay zekanın demoda sağladığı değeri bitiş çizgisine getirmek için aylar hatta yıllar alacaktır.

Yöneticiler, tabii ki, çözmek istedikleri sorunun yanı sıra bir iş gerekçesi hakkında da net bir fikre sahip olmalıdır. Ancak AI çekirdek ekibi, projenin başarısı için eşit derecede önemli olacak en az üç kişiden oluşmalıdır: veri bilimcisi, veri mühendisi ve alan uzmanı.

Veri merkezli bir başlangıç

Kulağa tuhaf gelse de, bir kuruluşta başarılı olan ilk yapay zeka projesi, algoritmalar veya süslü yapay zeka modelleri içermemelidir. AI, esasen bilgiyi otomatikleştirme çabasıdır. Tüm otomasyon çabalarında olduğu gibi, birkaç örneğin değerini manuel, yavaş ve ölçeklenemez bir şekilde göstererek başlamak iyidir.

Başlangıçta, veri mühendisi verileri kullanarak birkaç vaka oluşturacak ve alan uzmanı bu vaka incelemelerini örneklere dönüştürecektir. Bu adım, AI sürecinin çekirdeğini ortaya çıkarır. İşletmenin ham verileri ve bir hedefi olacak ve ardından ideal olarak hayal edildiği şekliyle çıktı verileri olan bir örnek almak isteyeceklerdir.

Bu sürece veri geliştirme denir ve hiçbir modelleme içermediğinden yaklaşım doğası gereği veri merkezlidir. Bu yaklaşımın, model öncelikli yaklaşıma göre birçok avantajı vardır;