Ein Leitfaden zur Entwicklung unternehmenstauglicher Anwendungen für künstliche Intelligenz

Wenn Sie tiefer in den KI-Anwendungsentwicklungsprozess eintauchen möchten, müssen Sie zunächst verstehen, wie sich diese Projekte von regulären Anwendungsentwicklungsprojekten unterscheiden. Wenn es um künstliche Intelligenz geht, erfordert jedes Problem eine einzigartige Lösung, auch wenn Unternehmen bereits ähnliche Projekte entwickelt haben. Einerseits gibt es verschiedene vortrainierte Modelle und bewährte Methoden zum Aufbau künstlicher Intelligenz. Darüber hinaus ist KI einzigartig, da sie auf unterschiedlichen Daten und Geschäftsfällen basiert. Aus diesem Grund beginnen KI-Ingenieure ihre Reise normalerweise damit, dass sie sich mit dem Geschäftsszenario und den verfügbaren Daten befassen und vorhandene Methoden und Modelle erkunden . Hier erfahren Sie, warum und wie das Verständnis dieser Realität Unternehmen dabei helfen kann, sich auf die Umsetzung dieser Prozesse und Budgets für ihre Projekte vorzubereiten.

Klassifizierung von Projekten zur künstlichen Intelligenz

Projekte zur künstlichen Intelligenz können in vier Kategorien unterteilt werden:

Einfache Projekte: Typische Beispiele sind produktionsreife Modelle, die durch die Anwendung öffentlicher Datensätze und bekannter Technologien implementiert werden können. ImageNet eignet sich beispielsweise für Projekte zur Klassifizierung von Bildern.

Seriöse Technologieprojekte: In diesen Fällen kennen wir die geeignete Technologie, die für das Projekt erforderlich ist, müssen aber dennoch hart arbeiten, um die Daten zu sammeln und aufzubereiten.

Projekte, die eine eingehende Forschung erfordern: Im Prinzip können wir herausfinden, wie das Modell funktioniert, wie vorhandene Daten angewendet werden oder welche Schritte unternommen werden sollten, um das Modell für die Erledigung einer bestimmten Aufgabe zu trainieren. Allein aufgrund der Erfahrung können keine Vorhersagen getroffen werden, da wir nicht wissen, wie sich das Modell verhält. Der Startvorgang erfordert zusätzliche Tests und Fallbearbeitung.
• Produktionsprojekte erfordern zusätzlichen Aufwand: Weder die Daten noch die Modelle in dieser Fallgruppe wurden vollständig in der Praxis erprobt.
• Warum sind Projekte im Bereich der künstlichen Intelligenz so unvorhersehbar?
• Die Entwicklungsumgebung für Projekte im Bereich der künstlichen Intelligenz kann als dreischichtige Pyramide dargestellt werden, die aus Technologien und gebrauchsfertigen Lösungen besteht.

Die obere Schicht enthält vorgefertigte Produkte, die für den Einsatz künstlicher Intelligenz geeignet sind – etwa Bibliotheken von Drittanbietern oder bewährte Unternehmenslösungen. Gute Beispiele sind beispielsweise die Lösungen von Google zur Erkennung von Scheckbetrug, zur Gesichtserkennung und zur Objekterkennung.

Die zweite Ebene umfasst die Beschreibung neuer Bereiche geschäftlicher Herausforderungen. Wir haben vielleicht das richtige Modell, um die Herausforderung zu lösen, aber die Technologie muss leicht modifiziert oder angepasst werden, um ihre Wirksamkeit bei der Implementierung zu beweisen. Das Modell sollte auf seinen spezifischen Anwendungsfall spezialisiert werden, was zur Entstehung neuer Nischen im Einsatz künstlicher Intelligenz geführt hat.

Wissenschaftliche Forschung bildet die untere Ebene. Wissenschaftliche Studien sind noch nicht produktionsreif, weil man nicht weiß, welche Ergebnisse die Modelle zeigen werden. Dies ist ein tiefgreifender Aspekt von Systemen der künstlichen Intelligenz, obwohl Anstrengungen in diese Richtung unternommen werden können.

KI-Anwendungsentwicklung und reguläre Anwendungen

Es gibt keinen grundsätzlichen Unterschied zwischen der Entwicklung von KI-Anwendungen und Nicht-KI-Anwendungen, und beide erfordern einen Proof of Concept (PoC) und eine Demonstrationsphase. Die Phase der Benutzeroberfläche (UI)/Benutzererfahrung (UX) beginnt, nachdem die Demo- und KI-Komponenten fertig sind.

Wenn ein App-Entwicklungsunternehmen die Aufgabe erhält, eine KI-gesteuerte App zu erstellen, muss zunächst der Kunde nach seinen Bedürfnissen gefragt werden und Daten: Ist KI der Kern des Produkts oder ein Add-on? Die Antwort auf diese Frage wirkt sich auf die Komplexität der Lösung aus

Der Kunde benötigt möglicherweise nicht die genaueste und modernste Lösung. Daher ist es wichtig herauszufinden, ob der Mangel an KI-Komponenten die Entwicklung ausgereifter Produkte behindert und ob es sinnvoll ist, ein Produkt ohne KI-Komponenten zu erstellen. Wenn das erledigt ist, können wir weitermachen.

Zunächst können KI-Projekte in zwei Unterkategorien unterteilt werden:

Von Grund auf neu erstellte Anwendungen

In bestehende Anwendungen integrierte KI-Komponenten

• Erstellung von KI-Anwendungen von Grund auf
• Also, wenn Sie sich entscheiden, eine neue KI-fähige zu entwickeln Anwendung von Grund auf. Aus diesem Grund gibt es keine Infrastruktur zur Integration von KI-Anwendungen. Hier stellt sich die wichtigste Frage: Kann die Entwicklung von KI-Funktionen wie übliche App-Funktionen wie Anmelden/Abmelden oder Senden/Empfangen von Nachrichten und Fotos gehandhabt werden?

Auf den ersten Blick ist KI nur etwas, mit dem der Benutzer mit einer Funktion interagieren kann. Mithilfe von KI lässt sich beispielsweise erkennen, ob eine Nachricht als Spam einzustufen ist, Lächeln auf Gesichtern auf Fotos erkennen und KI-basierte Anmeldungen mithilfe der Gesichts- und Stimmerkennung ermöglichen. Allerdings ist die Entwicklung von KI-Lösungen noch jung und forschungsbasiert. Dies hat zu der Erkenntnis geführt, dass die KI-Funktionalität einer Anwendung der riskanteste Teil des gesamten Projekts ist, insbesondere wenn die Geschäftsziele die Entwicklung innovativer und komplexer KI-Lösungen erfordern.

Zum Beispiel, wenn Sie eine Chat-Anwendung mit Anmelde-/Abmeldebildschirm, Nachrichtensystem und Videoanruffunktion erstellen möchten. Die Videoanruffunktion soll Snapchat-ähnliche Filtereffekte unterstützen. Hier finden Sie eine Risikotabelle und einen Überblick über die verschiedenen funktionalen Komplexitäten der Anwendung:

Chat-App-Funktionen

Es liegt auf der Hand, dass es aus Sicht einer Risikominimierungsstrategie unvernünftig ist, den Entwicklungsprozess mit den Aufgaben zu beginnen geringste Komplexität und geringstes Risiko. Sie fragen sich vielleicht, warum Snapchat-ähnliche Filter am riskantesten sind. Hier ist eine einfache Antwort: Um einen Snapchat-ähnlichen Filter zu erstellen, müssen viele hochmoderne Technologien wie Augmented Reality (AR) und Deep Learning eingesetzt werden Mischen Sie sie entsprechend und platzieren Sie sie auf einem Mobiltelefon mit geringen Rechenressourcen. Dazu müssen Sie viele außergewöhnliche Ingenieuraufgaben lösen.

Integration von KI-Komponenten in bestehende Anwendungen

Die Integration von KI-Funktionen in bestehende Projekte unterscheidet sich ein wenig vom Erstellen einer KI-Anwendung von Grund auf. Erstens kommt es häufig vor, dass bestehende Projekte, die wir mit KI erweitern müssen, ohne eine Architektur entwickelt werden, die KI-Fähigkeiten berücksichtigt. Wenn man bedenkt, dass KI-Fähigkeiten Teil einiger Datenpipelines sind, kommen wir zu dem Schluss, dass die Entwicklung von KI-Fähigkeiten definitiv zumindest einige Änderungen an der Anwendungsarchitektur erfordern wird. Aus Sicht der künstlichen Intelligenz lassen sich bestehende Anwendungen in folgende Kategorien einteilen:

Datenbankbasierte Projekte:

• Textverarbeitung
• Empfehlungssysteme
• Chatbots
• Zeitreihenvorhersage

Nicht-datenbankbasierte Projekte für:

• Bild-/Videoverarbeitung
• Sprach-/Tonverarbeitung

Hauptphasen der Anwendungsentwicklung für künstliche Intelligenz

Hier sind die fünf Phasen eines typischen Anwendungsentwicklungsprozesses für künstliche Intelligenz. Die erste ist die Problemdefinitionsphase. In dieser Phase muss das Entwicklungsteam die Ziele der Anwendung und die Probleme, die sie lösen möchte, klären. Sie führen Gespräche mit Kunden oder relevanten Stakeholdern, um Bedürfnisse und Erwartungen zu ermitteln. Als nächstes folgt die Datenerhebungs- und Vorbereitungsphase. In dieser Phase wird das Team große Datenmengen sammeln, die zum Trainieren und Optimieren des Algorithmus der künstlichen Intelligenz verwendet werden. Datenqualität und -vielfalt sind entscheidend für die Anwendungsleistung. Die dritte Stufe ist die Modellauswahl und -schulung. In dieser Phase wählt das Team ein geeignetes KI-Modell aus und trainiert es anhand zuvor gesammelter Daten. Das Ziel des Trainings besteht darin, das Modell in die Lage zu versetzen, verschiedene Situationen genau vorherzusagen und zu bewältigen. Anschließend erfolgt die Modelltest- und Evaluierungsphase. In dieser Phase testet das Team das trainierte Modell, um seine Leistung in verschiedenen Situationen sicherzustellen. Sie verwenden Testdatensätze, um die Genauigkeit und Leistung des Modells zu bewerten. Schließlich kommt die Bereitstellungs- und Wartungsphase. In dieser Phase stellt das Team das trainierte Modell in der tatsächlichen Anwendungsumgebung bereit und überwacht und pflegt weiterhin die Leistung des Modells. Sie müssen möglicherweise angepasst und aktualisiert werden, um sich ändernden Anforderungen und Daten gerecht zu werden. Die Reihenfolge dieser Phasen kann variieren und der spezifische Entwicklungsprozess variiert von Projekt zu Projekt. Diese Phasen bieten jedoch einen Überblick über einen typischen KI-Anwendungsentwicklungsprozess

1. Geschäftsanalyse

In der ersten Phase erhalten wir Input oder Vision vom Kunden, die als Dokument mit einem Überblick über die Gesamtidee verwendet werden können. Hier beginnen wir mit dem Geschäftsanalyseprozess. Um den Input vorzubereiten, müssen wir die geschäftlichen Aspekte berücksichtigen. Unternehmen nutzen Geschäftsprobleme, um Anwendungsentwicklungsunternehmen zu lösen, deren Aufgabe es ist, die Schnittstelle zwischen geschäftlichen und künstlichen Intelligenzfähigkeiten zu finden.

In Szenarien wie Restaurants oder Lebensmittelketten zeigen Geschäftsinhaber großes Interesse daran, Lebensmittelverschwendung zu reduzieren und durch die Analyse von Einkauf und Verkauf ein Gleichgewicht zu erreichen. Für Ingenieure der künstlichen Intelligenz verwandelt sich diese Aufgabe in eine Zeitreihenvorhersage- oder Beziehungsanalyseaufgabe, deren Lösung Menschen dabei helfen kann, bestimmte Zahlen vorherzusagen Probleme des maschinellen Lernens (ML). Dieser Schritt muss die technischen Fähigkeiten von Teilbereichen der künstlichen Intelligenz berücksichtigen, wie z. B. Computer Vision, Verarbeitung natürlicher Sprache, Spracherkennung, prädiktive und generative künstliche Intelligenz usw.

3 Datenerfassung

Daten sind der Treibstoff für maschinelles Lernen und die Anwendung künstlicher Intelligenz Schlüsselschritte in der Programmentwicklung. Es gibt zwei Haupttypen von Daten – spezifische und allgemeine. Allgemeine Daten sind auf Open-Source-Daten-Websites verfügbar. Wir müssen also lediglich die Zielgruppe eingrenzen und uns auf eine bestimmte Region, ein bestimmtes Geschlecht, ein bestimmtes Alter oder andere Schlüsselfaktoren konzentrieren. Große Mengen gemeinsamer Daten können den Prozess rationalisieren.

Wenn also ein Kunde eine App hat, die auf Fitness-Tracker-Aktivitäten basiert, können wir Daten anwenden und Erkenntnisse übertragen, um so schnell wie möglich mit der Implementierung zu beginnen. Das Gleiche gilt für die Bildklassifizierung, bei der man von einer großen Sammlung ausgehen kann.

Der Inhalt, der neu geschrieben werden muss, ist: (1) AIPoC für neue Projekte entwickeln

Die Proof of Concept (PoC)-Phase eines neuen Projekts für künstliche Intelligenz sollte KI-zentriert sein. Was bedeutet das? Um der Risikominimierungsstrategie gerecht zu werden, sollten wir mit dem riskantesten Teil des Projekts, der KI-Funktionalität, beginnen und nach Möglichkeit keine anderen Funktionen des Projekts berühren. Die Proof of Concept (PoC)-Phase kann mehrfach wiederholt werden, um passende Ergebnisse zu erzielen. Nachdem Sie zufriedenstellende Ergebnisse erzielt haben, können Sie in die MVP-/Industrialisierungsphase übergehen, um alle verbleibenden Funktionen der Anwendung zu entwickeln.

(2) AIPoC für bestehende Projekte entwickeln

Um Endbenutzern die Nutzung von Funktionen der künstlichen Intelligenz zu ermöglichen, muss diese Funktionalität zunächst entwickelt und dann in bestehende Anwendungen integriert werden. Mit anderen Worten, die Codebasis, Architektur und Infrastruktur der Anwendung müssen berücksichtigt werden

Umgeschrieben als: Das Reizvollste an künstlicher Intelligenz ist, dass sie erforscht, entwickelt und getestet werden kann, ohne die Hauptanwendung anzutasten. Daraus entstand die Idee, dass man einen Proof of Concept (PoC) künstlicher Intelligenz starten könnte, ohne die Hauptanwendung zu gefährden. Dies ist eigentlich der Kern Ihrer Strategie zur Risikominimierung.

Hier sind die drei Schritte, die Sie befolgen müssen:

(1) Sammeln Sie Daten aus Ihrer vorhandenen Anwendung durch:

• Erstellen Sie einen Datenbank-Dump.
• Sammeln Sie Bilder/Video-/Audiobeispiele
• Beschriften Sie die gesammelten Daten oder beziehen Sie relevante Datensätze aus Open-Source-Bibliotheken.

Sammeln Sie Daten, bevor Sie eine isolierte KI-Umgebung erstellen.

• Training.
• Testen.
• Analyse zur Vorbereitung auf die aktuelle Anwendungsarchitektur

Codebasis-Anpassung für neue KI-Funktionen

Je nach Projekttyp können Anpassungen der Codebasis zu Folgendem führen:
• Änderungen der Datenbankarchitektur, um den Zugriff darauf durch KI-Module zu vereinfachen und zu beschleunigen

Änderungen in der Microservices-Topologie für die Video-/Audioverarbeitung

Änderungen der Mindestsystemanforderungen für mobile Anwendungen

• 4.PoC-Stufenschätzung
• Unternehmenseigentümer stellen häufig Software zur Verfügung. Anbieter stellen Fragen zum Budget, zum Zeitplan und zum Aufwand, der möglicherweise erforderlich ist, wenn sie eine durchführen Proof of Concept (PoC)-Phase. Wie oben erwähnt, sind KI-Projekte im Vergleich zu regulären Entwicklungsprozessen sehr unvorhersehbar. Dies liegt daran, dass Aufgabentypen, Datensätze, Methoden und Techniken sehr unterschiedlich sind. All diese Faktoren erklären, warum die Schätzung hypothetischer Projekte eine ziemlich schwierige Aufgabe ist. Dennoch stellen wir eine mögliche Klassifizierung der oben genannten KI-Projekte anhand ihrer Komplexität vor
• 5. Neue Iteration oder Produktion

Nach dem ersten Proof of Concept (PoC) kann der nächste Schritt eine neue Runde Proof of Concept sein ( PoC) und weitere Verbesserungen oder Bereitstellung. Das Erstellen eines neuen Proof of Concept (PoC) bedeutet das Hinzufügen von Daten, das Bearbeiten von Fällen, das Durchführen von Fehleranalysen usw. Die Anzahl der Iterationen ist bedingt und hängt vom jeweiligen Projekt ab.

Jedes Projekt im Bereich der künstlichen Intelligenz ist direkt mit Risiken verbunden. Es können Risiken aus der Eignung der Daten sowie aus algorithmischen oder Implementierungsrisiken bestehen. Um das Risiko zu reduzieren, ist es ratsam, mit der Produktentwicklung erst dann zu beginnen, wenn die Genauigkeit der KI-Komponente den Geschäftszielen und -erwartungen entspricht

Das obige ist der detaillierte Inhalt vonEin Leitfaden zur Entwicklung unternehmenstauglicher Anwendungen für künstliche Intelligenz. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!