Lors de la production de l'IA, vous pouvez rencontrer de nombreux défis, tels que comment appliquer votre modèle d'IA à un processus ou à des personnes, stabiliser les données et les modèles, comment garder votre modèle précis dans des environnements changeants et au fil du temps, la mise à l'échelle et la croissance ou augmenter les capacités de votre modèle d'IA.
Intégrer l'IA
Exécuter avec succès une preuve de concept (PoC) d'apprentissage automatique avec un nouvel algorithme ne représente que 10 % de l'effort requis pour le produire et en tirer une valeur réelle. Les 90 % restants peuvent être divisés en choses que vous devez faire pour fabriquer un produit utilisable et en choses que vous devez faire pour fabriquer un produit utile.
Pour rendre un produit utilisable, vous devez zoomer sur la mise en œuvre technique de la mise à disposition du produit à vos utilisateurs. Pour le rendre utile, vous devriez envisager d'intégrer le produit dans un processus pour les utilisateurs. Mais d'abord, quelle est exactement la différence entre un PoC et un produit utilisable ?
Tout d'abord, les PoC ne sont pas destinés à la production. Les produits doivent fonctionner à tout moment, à tout moment et dans des circonstances changeantes. Pendant votre PoC, vous trouvez les données que vous recherchez, faites une copie et commencez à les nettoyer et à les analyser. En production, votre source de données doit être connectée à une plateforme de données en temps réel, en toute sécurité et en toute sécurité ; le flux de données doit être manipulé automatiquement et comparé à/combiné avec d'autres sources de données.
Pendant votre PoC, soit vous avez le luxe de pouvoir parler à vos futurs utilisateurs et de travailler avec eux pour concevoir une solution, soit vous n'avez aucun utilisateur et vous concevez une solution technique. Pour un produit, vous avez des utilisateurs qui doivent comprendre cette solution et des personnes chargées de faire fonctionner la solution technique. Ainsi, un produit nécessite une formation, des FAQ et/ou des lignes d'assistance pour qu'il soit utilisable. De plus, vous créez simplement une nouvelle version pour votre cas d'utilisation unique dans un PoC. Les produits nécessitent des mises à jour, et lorsque vous avez déployé votre produit pour plusieurs clients, vous avez besoin d'un moyen de tester et de déployer votre code pour la production (pipelines CI/CD).
« Chez Itility, nous avons développé notre Itility Data Factory et notre AI Factory qui couvrent les éléments constitutifs et la plate-forme sous-jacente de chacun de nos projets. Cela signifie que nous avons l'angle utilisable couvert dès le départ, afin que nous puissions nous concentrer sur l'angle utile (qui dépend davantage du client et du cas d'utilisation) », a déclaré la société.
Application de détection des nuisibles – du PoC au produit utilisable
« La phase de validation de principe de notre application de détection des parasites consistait en un modèle capable d'effectuer la tâche étroite de classer et de compter les mouches sur un piège à colle sur la base d'images prises par les membres de l'équipe de serre. Au cas où ils manqueraient une photo ou si quelque chose se passait mal, ils pouvaient revenir en arrière et en prendre une autre, ou la corriger directement dans le tableau de bord. De nombreuses vérifications manuelles ont été nécessaires.
« Notre monde PoC était simple, basé sur un seul appareil, un seul utilisateur et un seul client. Cependant, pour en faire un produit utilisable, nous devions évoluer et prendre en charge plusieurs clients. Ensuite, se pose la question de savoir comment garder les données séparées et sécurisées. De plus, chaque client/machine nécessite une installation et une configuration par défaut. Alors, comment configurer/mettre en place 20 nouveaux clients ? Comment savoir quand créer une interface d'administration et automatiser l'intégration ? À 2 clients, 20 ou 200 ? »
Bien sûr, vous pourriez avoir des questions, telles que « comment le comptage des mouches aide-t-il mon client ? Comment créer de la valeur à partir de ces informations ? Comment recommander des décisions et agir ? Comment cette application d'IA s'intègre-t-elle dans le processus métier ?'. La première étape consiste à changer votre cadre de référence d'un point de vue technique/données à celui de l'utilisateur final. Cela signifie poursuivre la conversation avec votre client et voir comment le PoC éprouvé s'intègre dans les processus quotidiens.
« Vous devez également suivre de près le processus pendant une période plus longue, vous devez participer à des réunions opérationnelles et tactiques pour vraiment comprendre quelles actions sont prises chaque jour en fonction de quelles informations, combien de temps est consacré à faire quoi et le raisonnement derrière certaines actions. Sans comprendre comment les informations de votre modèle sont utilisées pour créer de la valeur commerciale, vous n'obtiendrez pas un produit utile.
« Dans notre cas, nous avons découvert quelles informations étaient utilisées pour prendre des décisions. Par exemple, nous avons découvert que pour certains parasites, il était plus important de suivre la tendance hebdomadaire (pour laquelle vous n'avez pas besoin d'une précision très élevée) tandis que d'autres nécessitent une action au premier signe d'un parasite (ce qui signifie qu'il est préférable d'avoir quelques de faux positifs que d'avoir ne serait-ce qu'un seul faux négatif).
« De plus, nous avons découvert que notre client avait déjà eu une « mauvaise » expérience avec un outil similaire prétendant avoir des précisions qu'il ne pouvait pas fournir en pratique. Pourquoi feraient-ils confiance aux nôtres ? Nous avons pris ce problème de confiance de front et avons fait de la précision et de la transparence une caractéristique clé du produit. Nous avons utilisé ces informations pour rendre notre produit utile en adaptant l'application aux méthodes de travail de l'utilisateur final et en augmentant la transparence dans l'interaction, donnant à l'utilisateur plus de contrôle sur l'application », poursuit l'entreprise.
Quel est le plus gros défi ?
« Dans notre scénario de comptage de mouches, nous pouvons parler de notre score de précision autant que nous le voulons. Cependant, pour être utile, l'utilisateur (un spécialiste des serres) a besoin de plus que des pourcentages. Ce qu'il faut, c'est en faire l'expérience et apprendre à lui faire confiance. La pire chose qui puisse arriver est lorsque vos utilisateurs comparent vos résultats avec leurs propres résultats manuels et qu'il y a un (grand) écart. Votre réputation est ruinée et il n'y a pas de place pour regagner la confiance. Nous avons contrecarré cela en ajoutant un logiciel au produit qui encourage l'utilisateur à rechercher ces écarts et à les corriger.
« Notre approche est donc d'intégrer l'utilisateur dans la solution d'IA au lieu de le présenter comme un système qui va remplacer le spécialiste. Nous transformons le spécialiste en opérateur. L'IA augmente leurs capacités et les spécialistes gardent le contrôle en enseignant et en guidant en permanence l'IA pour en savoir plus et apporter des corrections lorsque l'environnement ou d'autres variables dérivent. En tant qu'opérateur, le spécialiste fait partie intégrante de la solution - enseignant et formant l'IA avec des actions spécifiques.
Cliquez ici pour voir une vidéo avec plus de détails sur l'approche centrée sur l'opérateur.