AI નું ઉત્પાદન કરતી વખતે, તમે અસંખ્ય પડકારોનો સામનો કરી શકો છો, જેમ કે તમારા AI મોડેલને પ્રક્રિયા અથવા લોકો પર કેવી રીતે લાગુ કરવું, ડેટા અને મોડલ્સને સ્થિર કરવું, બદલાતા વાતાવરણમાં અને સમય જતાં તમારા મોડલને કેવી રીતે સચોટ રાખવું, સ્કેલિંગ અને કેવી રીતે વૃદ્ધિ કરવી. અથવા તમારા AI મોડલની ક્ષમતાઓમાં વધારો કરો.
AI એમ્બેડ કરી રહ્યું છે
નવા અલ્ગોરિધમ સાથે સફળ મશીન લર્નિંગ પ્રૂફ ઓફ કોન્સેપ્ટ (PoC) ચલાવવું એ તેનું ઉત્પાદન કરવા અને તેમાંથી વાસ્તવિક મૂલ્ય મેળવવા માટે જરૂરી પ્રયત્નોના માત્ર 10% જ છે. બાકીના 90%ને ઉપયોગી ઉત્પાદન બનાવવા માટે તમારે શું કરવાની જરૂર છે અને ઉપયોગી ઉત્પાદન બનાવવા માટે તમારે જે કરવાની જરૂર છે તેમાં વિભાજિત કરી શકાય છે.
ઉપયોગી ઉત્પાદન બનાવવા માટે, તમારે ઉત્પાદન તમારા વપરાશકર્તાઓ માટે ઉપલબ્ધ કરાવવાના તકનીકી અમલીકરણ પર ઝૂમ કરવાની જરૂર છે. તેને ઉપયોગી બનાવવા માટે, તમારે ઉત્પાદનને વપરાશકર્તાઓ માટેની પ્રક્રિયામાં એમ્બેડ કરવાનું જોવું જોઈએ. પ્રથમ, જોકે, PoC અને ઉપયોગી ઉત્પાદન વચ્ચે બરાબર શું તફાવત છે?
સૌ પ્રથમ, PoCs ઉત્પાદન માટે નથી. ઉત્પાદનોને દરેક સમયે, કોઈપણ સમયે અને બદલાતા સંજોગોમાં કામ કરવાની જરૂર છે. તમારા PoC દરમિયાન, તમે જે ડેટા શોધી રહ્યા છો તે તમને મળે છે, તેની નકલ બનાવો અને તેને સાફ કરવાનું અને તેનું વિશ્લેષણ કરવાનું શરૂ કરો. ઉત્પાદનમાં, તમારા ડેટા સ્ત્રોતને રીઅલ-ટાઇમમાં, સુરક્ષિત રીતે અને સુરક્ષિત રીતે ડેટા પ્લેટફોર્મ સાથે કનેક્ટ કરવું આવશ્યક છે; ડેટા સ્ટ્રીમને આપમેળે ચાલાકી કરવી પડશે અને અન્ય ડેટા સ્ત્રોતો સાથે તેની સરખામણી/સંયોજિત કરવી પડશે.
તમારા પીઓસી દરમિયાન, તમારી પાસે કાં તો તમારા ભાવિ વપરાશકર્તાઓ સાથે વાત કરવા અને ઉકેલ ડિઝાઇન કરવા માટે તેમની સાથે કામ કરવાની લક્ઝરી છે, અથવા તમારી પાસે કોઈ વપરાશકર્તા નથી, અને તમે તકનીકી ઉકેલ ડિઝાઇન કરી રહ્યાં છો. ઉત્પાદન માટે, તમારી પાસે એવા વપરાશકર્તાઓ છે કે જેમને તે ઉકેલને સમજવાની જરૂર છે, અને તકનીકી ઉકેલને ચાલુ રાખવા માટે જવાબદાર લોકો. આમ, ઉત્પાદનનો ઉપયોગ કરી શકાય તે માટે તેને તાલીમ, FAQs અને/અથવા સપોર્ટ લાઇનની જરૂર પડે છે. વધુમાં, તમે PoCમાં તમારા એક ઉપયોગ કેસ માટે માત્ર એક નવું વર્ઝન બનાવો. પ્રોડક્ટ્સને અપડેટની જરૂર હોય છે અને જ્યારે તમે તમારી પ્રોડક્ટને બહુવિધ ગ્રાહકો માટે રોલઆઉટ કરો છો, ત્યારે તમારે પ્રોડક્શન (CI/CD પાઇપલાઇન્સ) માટે તમારા કોડને ચકાસવા અને તેનો ઉપયોગ કરવાની રીતની જરૂર હોય છે.
“ઇટિલિટીમાં, અમે અમારી ઇટિલિટી ડેટા ફેક્ટરી અને AI ફેક્ટરી વિકસાવી છે જે અમારા કોઈપણ પ્રોજેક્ટ માટે બિલ્ડિંગ બ્લોક્સ અને અંતર્ગત પ્લેટફોર્મને આવરી લે છે. આનો અર્થ એ છે કે અમારી પાસે શરૂઆતથી જ ઉપયોગી એંગલ આવરી લેવામાં આવ્યો છે, જેથી અમે ઉપયોગી એંગલ પર ધ્યાન કેન્દ્રિત કરી શકીએ (જે વધુ ગ્રાહક છે અને કેસ આધારિત ઉપયોગ કરે છે),” કંપનીએ જણાવ્યું હતું.
પેસ્ટ ડિટેક્શન એપ્લિકેશન - PoC થી ઉપયોગ કરી શકાય તેવા ઉત્પાદન સુધી
“અમારી પેસ્ટ ડિટેક્શન એપના પ્રૂફ ઓફ કોન્સેપ્ટ તબક્કામાં એક મોડેલનો સમાવેશ થાય છે જે ગ્રીનહાઉસ ટીમના સભ્યો દ્વારા લેવામાં આવેલી છબીઓના આધારે ગ્લુ ટ્રેપ પર માખીઓનું વર્ગીકરણ અને ગણતરી કરવાનું સંકુચિત કાર્ય કરી શકે છે. જો તેઓ કોઈ ચિત્ર ચૂકી ગયા હોય અથવા જો કંઈક ખોટું થયું હોય, તો તેઓ પાછા જઈને બીજું લઈ શકે છે અથવા તેને ડૅશબોર્ડમાં સીધું ઠીક કરી શકે છે. ઘણી મેન્યુઅલ તપાસની જરૂર હતી.
“અમારું PoC-વર્લ્ડ એક સિંગલ ડિવાઇસ, એક સિંગલ યુઝર અને એક સિંગલ ગ્રાહક પર આધારિત હતું. જો કે, તેને ઉપયોગી ઉત્પાદન બનાવવા માટે, અમારે બહુવિધ ગ્રાહકોને સ્કેલ અને સપોર્ટ કરવાની જરૂર હતી. પછી, ડેટાને અલગ અને સુરક્ષિત કેવી રીતે રાખવો તે પ્રશ્ન ઊભો થાય છે. વધુમાં, દરેક વ્યક્તિગત ગ્રાહક/મશીનને સેટઅપ અને ડિફોલ્ટ ગોઠવણીની જરૂર હોય છે. તો, 20 નવા ગ્રાહકોને કેવી રીતે ગોઠવવા/સેટ કરવા? એડમિન ઇન્ટરફેસ ક્યારે બનાવવું અને ઓનબોર્ડિંગને સ્વચાલિત કરવું તે તમે કેવી રીતે જાણો છો? 2 ગ્રાહકો પર, 20 કે 200 પર?"
અલબત્ત, તમારી પાસે પ્રશ્નો હોઈ શકે છે, જેમ કે 'માખીઓ ગણવાથી મારા ગ્રાહકને કેવી રીતે મદદ મળે છે? આ માહિતીમાંથી મૂલ્ય કેવી રીતે બનાવવું? નિર્ણયોની ભલામણ કેવી રીતે કરવી અને પગલાં લેવા? આ AI એપ્લિકેશન બિઝનેસ પ્રક્રિયામાં કેવી રીતે ફિટ થાય છે?'. પહેલું પગલું એ છે કે ટેક્નિકલ/ડેટાના પરિપ્રેક્ષ્યથી અંતિમ-વપરાશકર્તાના પરિપ્રેક્ષ્યમાં તમારા સંદર્ભની ફ્રેમને બદલવી. આનો અર્થ એ છે કે તમારા ગ્રાહક સાથે વાતચીત ચાલુ રાખવી અને સાબિત થયેલ PoC દૈનિક પ્રક્રિયાઓમાં કેવી રીતે બંધબેસે છે તે જોવું.
“તમારે લાંબા સમય સુધી પ્રક્રિયાને નજીકથી અનુસરવી પડશે, તમારે ખરેખર સમજવા માટે ઓપરેશનલ અને વ્યૂહાત્મક મીટિંગ્સમાં જોડાવાની જરૂર છે કે કઈ માહિતીના આધારે દરરોજ શું પગલાં લેવામાં આવે છે, શું કરવામાં કેટલો સમય પસાર થાય છે અને તર્ક ચોક્કસ ક્રિયાઓ પાછળ. વ્યવસાય મૂલ્ય બનાવવા માટે તમારા મોડેલની માહિતીનો ઉપયોગ કેવી રીતે થાય છે તે સમજ્યા વિના, તમે ઉપયોગી ઉત્પાદન મેળવી શકશો નહીં.
“અમારા કિસ્સામાં, અમે શોધી કાઢ્યું કે નિર્ણય લેવા માટે કઈ માહિતીનો ઉપયોગ કરવામાં આવ્યો હતો. ઉદાહરણ તરીકે, અમે શોધી કાઢ્યું છે કે કેટલીક જંતુઓ માટે સાપ્તાહિક વલણને અનુસરવું વધુ મહત્વપૂર્ણ છે (જેના માટે તમારે ઉચ્ચ સચોટતાની જરૂર નથી) જ્યારે અન્યને જંતુના પ્રથમ સંકેત પર પગલાં લેવાની જરૂર છે (જેનો અર્થ એ છે કે યુગલ હોવું વધુ સારું છે. એક ખોટા નકારાત્મક કરતાં પણ ખોટા હકારાત્મક).
"વધુમાં, અમે શોધી કાઢ્યું કે અમારા ગ્રાહકને અગાઉ સમાન સાધન સાથે 'ખરાબ' અનુભવ થયો હતો, જે સચોટતા હોવાનો દાવો કરે છે કે તે વ્યવહારમાં પહોંચાડી શકતો નથી. તેઓ શા માટે અમારા પર વિશ્વાસ કરશે? અમે આ વિશ્વાસની સમસ્યાને આગળ ધપાવી અને ચોકસાઈ અને પારદર્શિતાને ઉત્પાદનની મુખ્ય વિશેષતા બનાવી. અમે આ માહિતીનો ઉપયોગ અંતિમ વપરાશકર્તાની કાર્યપદ્ધતિઓ સાથે એપ્લિકેશનને અનુકૂલિત કરીને અને વપરાશકર્તાને એપ્લિકેશન પર વધુ નિયંત્રણ આપીને પારદર્શિતા વધારીને અમારા ઉત્પાદનને ઉપયોગી બનાવવા માટે કર્યો છે,” કંપની ચાલુ રાખે છે.
સૌથી મોટો પડકાર શું છે?
“અમારા ફ્લાય-કાઉન્ટિંગ દૃશ્યમાં, અમે ઇચ્છીએ છીએ તે અમારા ચોકસાઈના સ્કોર વિશે વાત કરી શકીએ છીએ. જો કે, ઉપયોગી થવા માટે, વપરાશકર્તા (ગ્રીનહાઉસ નિષ્ણાત) ને ટકાવારી કરતાં વધુની જરૂર છે. શું જરૂરી છે તેનો અનુભવ કરવાની, અને તેના પર વિશ્વાસ કરવાનું શીખવાની. સૌથી ખરાબ બાબત એ છે કે જ્યારે તમારા વપરાશકર્તાઓ તમારા પરિણામોની તુલના તેમના પોતાના મેન્યુઅલ પરિણામો સાથે કરે છે અને તેમાં (મોટી) વિસંગતતા છે. તમારી પ્રતિષ્ઠા બરબાદ થઈ ગઈ છે અને વિશ્વાસ પાછો મેળવવા માટે કોઈ જગ્યા નથી. અમે ઉત્પાદનમાં સૉફ્ટવેર ઉમેરીને તેનો પ્રતિકાર કર્યો છે જે વપરાશકર્તાને તે વિસંગતતાઓ શોધવા અને તેને સુધારવા માટે પ્રોત્સાહિત કરે છે.
“અમારો અભિગમ એ છે કે વપરાશકર્તાને AI સોલ્યુશનનો ભાગ બનાવવાને બદલે તેને એક એવી સિસ્ટમ તરીકે રજૂ કરવાનો છે જે નિષ્ણાતને બદલશે. અમે નિષ્ણાતને ઓપરેટરમાં ફેરવીએ છીએ. AI તેમની ક્ષમતાઓમાં વધારો કરી રહ્યું છે અને જ્યારે પર્યાવરણ અથવા અન્ય ચલો બદલાઈ જાય ત્યારે નિષ્ણાતો AI ને વધુ શીખવા અને સુધારા કરવા માટે સતત શીખવી અને માર્ગદર્શન આપીને નિયંત્રણમાં રહે છે. ઓપરેટર તરીકે, નિષ્ણાત એ ઉકેલનો અભિન્ન ભાગ છે - ચોક્કસ ક્રિયાઓ સાથે AI ને શીખવવું અને તાલીમ આપવી."
ક્લિક કરો અહીં ઓપરેટર-કેન્દ્રિત અભિગમ પર વધુ વિગતો સાથેનો વિડિયો જોવા માટે.