AIని ఉత్పత్తి చేసేటప్పుడు, మీ AI మోడల్ను ఒక ప్రక్రియ లేదా వ్యక్తులకు ఎలా వర్తింపజేయాలి, డేటా మరియు మోడల్లను స్థిరీకరించడం, మారుతున్న పరిసరాలలో మరియు కాలక్రమేణా మీ మోడల్ను ఎలా ఖచ్చితంగా ఉంచాలి, స్కేలింగ్ మరియు ఎలా పెరగాలి వంటి అనేక సవాళ్లను మీరు ఎదుర్కొంటారు. లేదా మీ AI మోడల్ సామర్థ్యాలను పెంచుకోండి.
AI పొందుపరచడం
కొత్త అల్గారిథమ్తో మెషిన్ లెర్నింగ్ ప్రూఫ్ ఆఫ్ కాన్సెప్ట్ (PoC)ని అమలు చేయడం అనేది దానిని ఉత్పత్తి చేయడానికి మరియు దాని నుండి వాస్తవ విలువను పొందడానికి అవసరమైన ప్రయత్నంలో 10% మాత్రమే. మిగిలిన 90% మీరు ఉపయోగించదగిన ఉత్పత్తిని చేయడానికి మరియు ఉపయోగకరమైన ఉత్పత్తిని చేయడానికి మీరు చేయవలసినవిగా విభజించవచ్చు.
ఉపయోగించదగిన ఉత్పత్తిని చేయడానికి, మీరు మీ వినియోగదారులకు ఉత్పత్తిని అందుబాటులో ఉంచే సాంకేతిక అమలును జూమ్ చేయాలి. దీన్ని ఉపయోగకరంగా చేయడానికి, మీరు ఉత్పత్తిని వినియోగదారుల కోసం ఒక ప్రక్రియలో పొందుపరచడాన్ని చూడాలి. మొదట, అయితే, PoC మరియు ఉపయోగించగల ఉత్పత్తి మధ్య తేడా ఏమిటి?
అన్నింటిలో మొదటిది, PoCలు ఉత్పత్తి కోసం ఉద్దేశించినవి కావు. ఉత్పత్తులు అన్ని సమయాలలో, ఎప్పుడైనా మరియు మారుతున్న పరిస్థితులలో పని చేయాలి. మీ PoC సమయంలో, మీరు వెతుకుతున్న డేటాను మీరు కనుగొంటారు, కాపీని తయారు చేసి, దాన్ని శుభ్రం చేయడం మరియు విశ్లేషించడం ప్రారంభించండి. ఉత్పత్తిలో, మీ డేటా మూలాన్ని నిజ సమయంలో, సురక్షితంగా మరియు సురక్షితంగా డేటా ప్లాట్ఫారమ్కు కనెక్ట్ చేయాలి; డేటా స్ట్రీమ్ స్వయంచాలకంగా తారుమారు చేయబడాలి మరియు ఇతర డేటా మూలాధారాలతో సరిపోల్చాలి.
మీ PoC సమయంలో, మీరు మీ భవిష్యత్ వినియోగదారులతో మాట్లాడగలిగే విలాసాన్ని కలిగి ఉంటారు మరియు పరిష్కారాన్ని రూపొందించడానికి వారితో కలిసి పని చేయవచ్చు లేదా మీకు వినియోగదారులే లేరు మరియు మీరు సాంకేతిక పరిష్కారాన్ని రూపొందిస్తున్నారు. ఉత్పత్తి కోసం, మీరు ఆ పరిష్కారాన్ని అర్థం చేసుకోవలసిన వినియోగదారులను కలిగి ఉన్నారు మరియు సాంకేతిక పరిష్కారాన్ని అమలులో ఉంచడానికి బాధ్యత వహించే వ్యక్తులు ఉన్నారు. అందువల్ల, ఒక ఉత్పత్తికి శిక్షణ, తరచుగా అడిగే ప్రశ్నలు మరియు/లేదా సపోర్ట్ లైన్లు ఉపయోగపడేలా ఉండాలి. ఇంకా, మీరు PoCలో మీ వన్ యూజ్ కేస్ కోసం కొత్త వెర్షన్ను క్రియేట్ చేయండి. ఉత్పత్తులకు అప్డేట్లు అవసరం మరియు మీరు బహుళ కస్టమర్ల కోసం మీ ఉత్పత్తిని విడుదల చేసినప్పుడు, ఉత్పత్తి కోసం మీ కోడ్ని పరీక్షించడానికి మరియు అమలు చేయడానికి మీకు ఒక మార్గం అవసరం (CI/CD పైప్లైన్లు).
“ఇటిలిటీలో, మేము మా ప్రాజెక్ట్లలో దేనికైనా బిల్డింగ్ బ్లాక్లు మరియు అంతర్లీన ప్లాట్ఫారమ్ను కవర్ చేసే మా ఇటిలిటీ డేటా ఫ్యాక్టరీ మరియు AI ఫ్యాక్టరీని అభివృద్ధి చేసాము. దీనర్థం మేము మొదటి నుండి ఉపయోగించగల కోణాన్ని కలిగి ఉన్నాము, తద్వారా మేము ఉపయోగకరమైన కోణంపై దృష్టి పెట్టగలము (ఇది ఎక్కువ కస్టమర్ మరియు వినియోగ కేసుపై ఆధారపడి ఉంటుంది)" అని కంపెనీ పేర్కొంది.
పెస్ట్ డిటెక్షన్ యాప్ - PoC నుండి ఉపయోగించదగిన ఉత్పత్తి వరకు
“మా పెస్ట్ డిటెక్షన్ యాప్ యొక్క ప్రూఫ్ ఆఫ్ కాన్సెప్ట్ ఫేజ్లో గ్రీన్హౌస్ బృందం సభ్యులు తీసిన చిత్రాల ఆధారంగా జిగురు ఉచ్చుపై ఈగలను వర్గీకరించడం మరియు లెక్కించడం అనే ఇరుకైన పనిని నిర్వహించగల మోడల్ను కలిగి ఉంది. ఒకవేళ వారు ఒక చిత్రాన్ని కోల్పోయినట్లయితే లేదా ఏదైనా తప్పు జరిగితే, వారు తిరిగి వెళ్లి మరొకదాన్ని తీయవచ్చు లేదా నేరుగా డాష్బోర్డ్లో దాన్ని పరిష్కరించవచ్చు. చాలా మాన్యువల్ తనిఖీలు అవసరం.
“ఒకే పరికరం, ఒకే వినియోగదారు మరియు ఒకే కస్టమర్ ఆధారంగా మా PoC-ప్రపంచం చాలా సులభం. అయినప్పటికీ, దీన్ని ఉపయోగించదగిన ఉత్పత్తిగా మార్చడానికి, మేము బహుళ కస్టమర్లకు స్కేల్ మరియు మద్దతు ఇవ్వాలి. అప్పుడు, డేటాను వేరుగా మరియు సురక్షితంగా ఉంచడం ఎలా అనే ప్రశ్న తలెత్తుతుంది. అంతేకాకుండా, ప్రతి ఒక్క కస్టమర్/మెషీన్కు సెటప్ మరియు డిఫాల్ట్ కాన్ఫిగరేషన్ అవసరం. కాబట్టి, 20 కొత్త కస్టమర్లను ఎలా కాన్ఫిగర్ చేయాలి/సెటప్ చేయాలి? అడ్మిన్ ఇంటర్ఫేస్ను ఎప్పుడు నిర్మించాలో మరియు ఆన్బోర్డింగ్ని ఆటోమేట్ చేయాలో మీకు ఎలా తెలుసు? 2 కస్టమర్ల వద్ద, 20 లేదా 200?"
అయితే, 'ఈగలను లెక్కించడం నా కస్టమర్కు ఎలా సహాయపడుతుంది?' వంటి ప్రశ్నలు మీకు ఉండవచ్చు. ఈ సమాచారం నుండి విలువను ఎలా సృష్టించాలి? నిర్ణయాలను సిఫార్సు చేయడం మరియు చర్య తీసుకోవడం ఎలా? వ్యాపార ప్రక్రియలో ఈ AI అప్లికేషన్ ఎలా సరిపోతుంది?’. టెక్నికల్/డేటా దృక్కోణం నుండి తుది వినియోగదారు దృక్పథానికి మీ ఫ్రేమ్ ఆఫ్ రిఫరెన్స్ను మార్చడం మొదటి దశ. దీని అర్థం మీ కస్టమర్తో సంభాషణను కొనసాగించడం మరియు నిరూపితమైన PoC రోజువారీ ప్రక్రియలకు ఎలా సరిపోతుందో చూడడం.
“మీరు ప్రక్రియను ఎక్కువ కాలం పాటు అనుసరించాలి, ఏ సమాచారం ఆధారంగా ప్రతిరోజూ ఎలాంటి చర్యలు తీసుకుంటారు, ఏమి చేయడానికి ఎంత సమయం వెచ్చిస్తారు మరియు తార్కికం ఆధారంగా మీరు కార్యాచరణ మరియు వ్యూహాత్మక సమావేశాలలో చేరాలి. కొన్ని చర్యల వెనుక. వ్యాపార విలువను సృష్టించడానికి మీ మోడల్ నుండి సమాచారం ఎలా ఉపయోగించబడుతుందో అర్థం చేసుకోకుండా, మీరు ఉపయోగకరమైన ఉత్పత్తిని పొందలేరు.
“మా విషయంలో, నిర్ణయాలు తీసుకోవడానికి ఏ సమాచారం ఉపయోగించబడుతుందో మేము కనుగొన్నాము. ఉదాహరణకు, కొన్ని తెగుళ్లకు వారంవారీ ట్రెండ్ని అనుసరించడం చాలా ముఖ్యం అని మేము కనుగొన్నాము (దీని కోసం మీకు అధిక ఖచ్చితత్వాలు అవసరం లేదు) అయితే ఇతరులకు తెగులు వచ్చిన మొదటి సంకేతంలో చర్య అవసరం (అంటే జంటను కలిగి ఉండటం మంచిది ఒక తప్పుడు ప్రతికూలత కంటే తప్పుడు పాజిటివ్లు).
“అదనంగా, ఆచరణలో అందించలేని ఖచ్చితత్వాలను కలిగి ఉన్నారని క్లెయిమ్ చేసే సారూప్య సాధనంతో మా కస్టమర్ గతంలో 'చెడు' అనుభవాన్ని కలిగి ఉన్నారని మేము కనుగొన్నాము. వాళ్ళు మనల్ని ఎందుకు నమ్ముతారు? మేము ఈ ట్రస్ట్ సమస్యను నేరుగా తీసుకున్నాము మరియు ఖచ్చితత్వం మరియు పారదర్శకతను ఉత్పత్తి యొక్క ముఖ్య లక్షణంగా చేసాము. అప్లికేషన్ను తుది వినియోగదారు పని పద్ధతులకు అనుగుణంగా మార్చడం ద్వారా మరియు పరస్పర చర్యలో పారదర్శకతను పెంచడం ద్వారా, అప్లికేషన్పై వినియోగదారుకు మరింత నియంత్రణను అందించడం ద్వారా మా ఉత్పత్తిని ఉపయోగకరంగా చేయడానికి మేము ఈ సమాచారాన్ని ఉపయోగించాము, ”కంపెనీ కొనసాగుతుంది.
అతిపెద్ద సవాలు ఏమిటి?
“మా ఫ్లై-కౌంటింగ్ దృష్టాంతంలో, మన ఖచ్చితత్వం స్కోర్ గురించి మనకు కావలసినంత మాట్లాడవచ్చు. అయితే, ఉపయోగకరంగా ఉండాలంటే, వినియోగదారుకు (గ్రీన్హౌస్ నిపుణుడు) శాతాల కంటే ఎక్కువ అవసరం. దానిని అనుభవించడం మరియు దానిని విశ్వసించడం నేర్చుకోవడం అవసరం. మీ వినియోగదారులు మీ ఫలితాలను వారి స్వంత మాన్యువల్ ఫలితాలతో సరిపోల్చినప్పుడు మరియు (పెద్ద) వ్యత్యాసం ఉన్నప్పుడు జరిగే చెత్త విషయం. మీ ప్రతిష్ట నాశనం చేయబడింది మరియు నమ్మకాన్ని తిరిగి పొందే అవకాశం లేదు. ఆ వ్యత్యాసాల కోసం వెతకడానికి మరియు వాటిని సరిదిద్దడానికి వినియోగదారుని ప్రోత్సహించే సాఫ్ట్వేర్ను ఉత్పత్తికి జోడించడం ద్వారా మేము దీనిని ప్రతిఘటించాము.
"మా విధానం ఏమిటంటే, వినియోగదారుని AI సొల్యూషన్లో ఒక సిస్టమ్గా ప్రదర్శించే బదులు దానిలో భాగం చేయడమే. మేము నిపుణుడిని ఆపరేటర్గా మారుస్తాము. AI వారి సామర్థ్యాలను పెంపొందించుకుంటుంది మరియు పర్యావరణం లేదా ఇతర వేరియబుల్స్ డ్రిఫ్ట్ అయినప్పుడు మరింత తెలుసుకోవడానికి మరియు దిద్దుబాట్లు చేయడానికి AIకి నిరంతరం బోధించడం మరియు మార్గనిర్దేశం చేయడం ద్వారా నిపుణులు నియంత్రణలో ఉంటారు. ఆపరేటర్గా, స్పెషలిస్ట్ పరిష్కారంలో అంతర్భాగం - నిర్దిష్ట చర్యలతో AIకి బోధించడం మరియు శిక్షణ ఇవ్వడం.
క్లిక్ చేయండి <span style="font-family: Mandali; ">ఇక్కడ క్లిక్ చేయండి ఆపరేటర్-సెంట్రిక్ విధానంపై మరిన్ని వివరాలతో వీడియోను చూడటానికి.