엔터프라이즈급 인공 지능 애플리케이션 개발 가이드

AI 애플리케이션 개발 프로세스에 대해 더 자세히 알아보고 싶다면 먼저 이러한 프로젝트가 일반 애플리케이션 개발 프로젝트와 어떻게 다른지 이해해야 합니다. 인공 지능의 경우 기업이 이미 유사한 프로젝트를 개발했더라도 모든 문제에는 고유한 솔루션이 필요합니다. 한편으로는 인공지능을 구축하기 위한 다양한 사전 훈련된 모델과 입증된 방법이 있습니다. 게다가 AI는 다양한 데이터와 비즈니스 사례를 기반으로 한다는 점에서 독특합니다. 이 때문에 AI 엔지니어는 일반적으로 비즈니스 사례와 사용 가능한 데이터를 조사하고 기존 방법과 모델을 탐색하는 것으로 여정을 시작합니다. . 이러한 현실을 이해하는 것이 조직이 프로젝트를 위해 이러한 프로세스와 예산을 구현하는 데 도움이 되는 이유와 방법을 살펴보겠습니다.

인공지능 프로젝트 분류

인공지능 프로젝트는 네 가지 범주로 나눌 수 있습니다.

간단한 프로젝트: 일반적인 예로는 공개 데이터 세트와 잘 알려진 기술을 적용하여 구현할 수 있는 생산 준비 모델이 있습니다. 예를 들어 ImageNet은 이미지 분류를 목표로 하는 프로젝트에 적합합니다.

평판 좋은 기술 프로젝트: 이 경우 우리는 프로젝트에 필요한 적절한 기술을 알고 있지만 여전히 데이터를 수집하고 준비하기 위해 열심히 노력해야 합니다.

심층적인 연구가 필요한 프로젝트: 원칙적으로 모델이 어떻게 작동하는지, 기존 데이터를 적용하는 방법, 특정 작업을 완료하기 위해 모델을 훈련하기 위해 어떤 단계를 수행해야 하는지 등을 파악할 수 있습니다. 모델이 어떻게 작동하는지 모르기 때문에 경험만으로는 어떤 예측도 할 수 없습니다. 시작 프로세스에는 추가 테스트와 사례 처리가 필요합니다.
• 생산 프로젝트에는 추가 노력이 필요합니다. 이 사례 세트의 데이터나 모델은 실제로 완전히 시도되지 않았습니다.
• 인공지능 프로젝트는 왜 그렇게 예측할 수 없는 걸까요?
• 인공지능 프로젝트 개발 환경은 기술과 즉시 사용 가능한 솔루션으로 구성된 3계층 피라미드로 시각화할 수 있습니다.

상위 레이어에는 타사 라이브러리나 검증된 회사 솔루션 등 인공 지능 사용에 적합한 기성 제품이 포함되어 있습니다. 예를 들어 수표 사기 감지, 얼굴 인식, 객체 감지를 위한 Google의 솔루션이 좋은 예입니다.

두 번째 수준에는 비즈니스 과제의 새로운 영역에 대한 설명이 포함됩니다. 문제를 해결하기 위한 올바른 모델이 있을 수 있지만 구현 중에 효율성을 입증하려면 기술을 약간 수정하거나 조정해야 합니다. 모델은 특정 사용 사례에 맞게 특화되어야 하며, 이로 인해 인공 지능 사용에 있어 새로운 틈새 시장이 등장하게 되었습니다.

과학적 연구는 낮은 수준을 구성합니다. 모델이 어떤 결과를 보여줄지 모르기 때문에 과학적 연구는 생산 준비가 되어 있지 않습니다. 이 방향으로 노력을 기울일 수 있지만 이는 인공 지능 시스템의 심오한 측면입니다.

AI 애플리케이션 개발과 일반 애플리케이션

AI 애플리케이션 개발과 비AI 애플리케이션 개발에는 근본적인 차이가 없으며 둘 다 개념 증명(PoC)과 시연 단계가 필요합니다. 데모와 AI 구성 요소가 준비된 후 사용자 인터페이스(UI)/사용자 경험(UX) 단계가 시작됩니다

앱 개발 회사에서 AI 기반 앱을 만드는 작업을 받으면 가장 먼저 해야 할 일은 클라이언트에게 요구 사항을 묻는 것입니다. 및 데이터: AI 핵심은 제품인가, 아니면 추가 기능인가? 이 질문에 대한 대답은 솔루션의 복잡성에 영향을 미칩니다.

고객은 가장 정확하고 현대적인 솔루션을 요구하지 않을 수도 있습니다. 따라서 AI 구성요소가 부족하면 성숙한 제품 개발을 방해하는지, AI 구성요소 없이 제품을 만드는 데 의미가 있는지 알아보는 것이 중요합니다. 이를 해결하면 계속 진행할 수 있습니다.

처음에 AI 프로젝트는 두 가지 하위 범주로 나눌 수 있습니다.

처음부터 구축된 애플리케이션

기존 애플리케이션에 통합된 AI 구성요소

• 처음부터 AI 애플리케이션 구축
• 그러므로 새로운 AI 지원 프로젝트를 개발하기로 결정했다면 처음부터 적용. 이 때문에 AI 애플리케이션을 통합할 인프라가 없습니다. 가장 중요한 질문은 다음과 같습니다. AI 기능 개발을 로그인/로그아웃 또는 메시지 및 사진 보내기/받기와 같은 일반적인 앱 기능처럼 처리할 수 있습니까?

언뜻 보면 AI는 사용자가 기능과 상호 작용할 수 있는 것입니다. 예를 들어 AI를 사용하면 메시지가 스팸으로 간주되어야 하는지 여부를 감지하고, 사진 속 얼굴의 미소를 식별하고, 얼굴 및 음성 인식을 통해 AI 기반 로그인을 활성화할 수 있습니다. 그러나 AI 솔루션의 개발은 아직 초기 단계이고 연구 기반입니다. 이는 특히 비즈니스 목표에 혁신적이고 복잡한 AI 솔루션이 필요한 경우 애플리케이션의 AI 기능이 전체 프로젝트에서 가장 위험한 부분이라는 사실을 깨닫게 해줍니다.

예를 들어 로그인/로그아웃 화면, 메시징 시스템 및 영상 통화 기능을 갖춘 채팅 애플리케이션을 구축하려는 경우입니다. 화상 통화 기능은 Snapchat과 유사한 필터를 지원해야 합니다. 다음은 애플리케이션의 다양한 기능적 복잡성에 대한 위험 표와 개요입니다.

Chat App Functions

위험 최소화 전략의 관점에서 보면 다음과 같은 작업으로 개발 프로세스를 시작하는 것이 불합리하다는 것이 분명합니다. 복잡성과 위험이 가장 낮습니다. Snapchat과 같은 필터가 왜 가장 위험한지 물으실 수 있습니다. 간단한 대답은 다음과 같습니다. Snapchat과 같은 필터를 만들려면 증강 현실(AR) 및 딥 러닝과 같은 많은 최첨단 기술이 포함되어야 합니다. 적절하게 혼합하여 컴퓨팅 리소스가 부족한 휴대폰에 배치하세요. 이를 위해서는 많은 특별한 엔지니어링 작업을 해결해야 합니다.

기존 애플리케이션에 AI 구성요소 통합

AI 기능을 기존 프로젝트에 통합하는 것은 AI 애플리케이션을 처음부터 구축하는 것과 약간 다릅니다. 첫째, AI로 보강해야 하는 기존 프로젝트가 AI 역량을 고려한 아키텍처 없이 개발되는 것이 일반적인 상황입니다. AI 기능이 일부 데이터 파이프라인의 일부라는 점을 고려할 때 AI 기능을 개발하려면 애플리케이션 아키텍처에 최소한 일부 변경이 필요하다는 결론을 내렸습니다. 인공 지능 관점에서 기존 애플리케이션은 다음 범주로 나눌 수 있습니다.

데이터베이스 기반 프로젝트:

• 텍스트 처리
• 추천 시스템
• Chatbots
• 시계열 예측

비 데이터베이스 기반 프로젝트:

• 이미지/비디오 처리
• 음성/음향 처리

인공지능 애플리케이션 개발의 주요 단계

다음은 일반적인 인공지능 애플리케이션 개발 프로세스의 5단계입니다. 첫 번째는 문제 정의 단계입니다. 이 단계에서 개발팀은 애플리케이션의 목표와 해결하려는 문제를 명확히 해야 합니다. 그들은 고객이나 관련 이해관계자와 논의하여 요구 사항과 기대치를 결정합니다. 다음은 데이터 수집 및 준비 단계입니다. 이 단계에서 팀은 인공 지능 알고리즘을 훈련하고 최적화하는 데 사용될 대량의 데이터를 수집합니다. 데이터 품질과 다양성은 애플리케이션 성능에 매우 중요합니다. 세 번째 단계는 모델 선택 및 훈련입니다. 이 단계에서 팀은 적절한 AI 모델을 선택하고 이전에 수집된 데이터를 사용하여 학습시킵니다. 훈련의 목표는 모델이 다양한 상황을 정확하게 예측하고 처리할 수 있도록 하는 것입니다. 그런 다음 모델 테스트 및 평가 단계가 시작됩니다. 이 단계에서 팀은 학습된 모델을 테스트하여 다양한 상황에서의 성능을 확인합니다. 테스트 데이터 세트를 사용하여 모델의 정확성과 성능을 평가합니다. 마지막으로 배포 및 유지 관리 단계가 옵니다. 이 단계에서 팀은 훈련된 모델을 실제 애플리케이션 환경에 배포하고 모델 성능을 계속 모니터링하고 유지 관리합니다. 변화하는 요구 사항과 데이터를 수용하기 위해 조정하고 업데이트해야 할 수도 있습니다. 이러한 단계의 순서는 다를 수 있으며 정확한 개발 프로세스는 프로젝트마다 다릅니다. 그러나 이러한 단계에서는 일반적인 AI 애플리케이션 개발 프로세스에 대한 개요를 제공합니다.

1. 비즈니스 분석

첫 번째 단계에서는 전반적인 아이디어 개요가 포함된 문서로 사용할 수 있는 클라이언트의 의견이나 비전을 얻습니다. 여기에서 비즈니스 분석 프로세스를 시작합니다. 입력을 준비하려면 비즈니스 문제를 고려해야 합니다. 기업은 비즈니스 문제를 사용하여 비즈니스와 인공 지능 기능의 교차점을 찾는 것이 임무인 애플리케이션 개발 회사를 해결합니다.

식당이나 식료품 체인점 등의 시나리오에서 사업주들은 구매와 판매를 분석하여 음식물 쓰레기를 줄이고 균형을 이루는 데 많은 관심을 보이고 있습니다. 인공지능 엔지니어의 경우 이 작업은 시계열 예측 또는 관계 분석 작업으로 변환되며, 이 작업의 솔루션은 사람들이 특정 숫자를 예측하는 데 도움이 될 수 있습니다

2. 기계 학습 문제 식별

다음 단계에서는 필요성을 결정하고 논의해야 합니다. 머신러닝(ML) 문제. 이 단계에서는 컴퓨터 비전, 자연어 처리, 음성 인식, 예측 및 생성 인공 지능 등과 같은 인공 지능 하위 분야의 기술적 역량을 고려해야 합니다.

3. 데이터 수집

데이터는 기계 학습과 인공 지능의 응용 프로그램 개발의 주요 단계. 데이터에는 구체적 데이터와 일반 데이터의 두 가지 주요 유형이 있습니다. 일반적인 데이터는 오픈소스 데이터 웹사이트에서 얻을 수 있기 때문에 우리가 해야 할 일은 대상 고객을 좁히고 특정 지역, 성별, 연령 또는 기타 주요 요소에 초점을 맞추는 것뿐입니다. 대량의 공통 데이터가 있으면 프로세스를 간소화할 수 있습니다.

따라서 고객이 피트니스 트래커 활동 기반 앱을 가지고 있는 경우 데이터를 적용하고 학습을 전송하여 최대한 빨리 구현을 시작할 수 있습니다. 대규모 컬렉션에서 시작할 수 있는 이미지 분류에도 동일하게 적용됩니다.

다시 작성해야 하는 내용은 다음과 같습니다. (1) 새 프로젝트를 위한 AIPoC 개발

새로운 인공지능 프로젝트의 개념 증명(PoC) 단계는 AI 중심이어야 합니다. 이것이 의미하는 바는 무엇입니까? 위험 최소화 전략을 충족하려면 프로젝트의 가장 위험한 부분인 AI 기능부터 시작해야 하며, 가능하면 프로젝트의 다른 기능은 건드리지 않아야 합니다. 개념 증명(PoC) 단계는 적절한 결과를 얻기 위해 여러 번 반복될 수 있습니다. 만족스러운 결과를 얻은 후에는 MVP/산업화 단계로 이동하여 애플리케이션의 나머지 모든 기능을 개발할 수 있습니다.

(2) 기존 프로젝트를 위한 AIPoC 개발

최종 사용자가 인공 지능 기능을 사용할 수 있도록 하려면 이 기능을 먼저 개발한 다음 기존 애플리케이션과 통합해야 합니다. 즉, 애플리케이션의 코드 기반, 아키텍처 및 인프라를 고려해야 합니다.

다음과 같이 다시 작성되었습니다. 인공지능의 가장 매력적인 점은 메인 애플리케이션을 건드리지 않고도 연구, 개발, 테스트가 가능하다는 점이다. 이로 인해 주요 애플리케이션에 위험을 주지 않고 인공 지능의 개념 증명(PoC)을 시작할 수 있다는 아이디어가 촉발되었습니다. 이것이 실제로 위험 최소화 전략의 핵심입니다.

다음 세 단계를 따르세요.

(1) 다음을 통해 기존 애플리케이션에서 데이터를 수집합니다.

• 데이터베이스 덤프 만들기
• 이미지/비디오/오디오 샘플 수집
• 수집된 데이터에 레이블을 지정하거나 오픈 소스 라이브러리에서 관련 데이터 세트 가져오기

격리된 AI 환경을 구축하기 전에 데이터 수집

• Training
• Testing
• Analytic

(3) 성공적으로 훈련된 AI 구성 요소 배포:

• Changes 현재 애플리케이션 아키텍처 준비
• 새로운 AI 기능에 대한 코드베이스 적응

프로젝트 유형에 따라 코드베이스 조정으로 인해 다음이 발생할 수 있습니다.

• AI 모듈에 의한 액세스를 단순화하고 가속화하기 위해 데이터베이스 아키텍처 변경
• 변경 사항 비디오/오디오 처리 마이크로서비스 토폴로지
• 모바일 애플리케이션의 최소 시스템 요구 사항 변경

4. PoC 단계 예측

사업주가 소프트웨어를 제공하는 경우가 많음 공급업체는 예산, 일정, 작업을 수행할 때 필요할 수 있는 노력에 대해 질문합니다. 개념 증명(PoC) 단계. 위에서 언급했듯이 AI 프로젝트는 일반적인 개발 프로세스에 비해 예측하기가 매우 어렵습니다. 이는 작업 유형, 데이터 세트, 방법 및 기술이 모두 매우 가변적이기 때문입니다. 이러한 모든 요소는 가상 프로젝트를 추정하는 것이 다소 어려운 작업인 이유를 설명합니다. 그럼에도 불구하고 위에서 언급한 AI 프로젝트의 복잡성을 기반으로 한 가지 가능한 분류를 제시합니다

5. 새로운 반복 또는 생산

첫 번째 개념 증명(PoC) 이후 다음 단계는 새로운 라운드 개념 증명( PoC) 및 추가 개선 또는 배포. 새로운 개념 증명(PoC)을 생성한다는 것은 데이터 추가, 사례 작업, 오류 분석 수행 등을 의미합니다. 반복 횟수는 조건부이며 특정 프로젝트에 따라 다릅니다.

모든 인공 지능 프로젝트는 위험과 직접적인 관련이 있습니다. 데이터 적합성뿐만 아니라 알고리즘 또는 구현 위험으로 인해 발생할 수 있는 위험이 있을 수 있습니다. 위험을 줄이려면 AI 구성 요소의 정확성이 비즈니스 목표와 기대를 충족할 때만 제품 개발을 시작하는 것이 현명합니다

위 내용은 엔터프라이즈급 인공 지능 애플리케이션 개발 가이드의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!