AI for Business: #5 How to do AI Experiments?
مقدمة حول إثبات المفهوم في مشاريع الذكاء الاصطناعي
أهمية إثبات المفهوم (POC) في مشاريع الذكاء الاصطناعي
- المشاريع المتعلقة بالذكاء الاصطناعي تحمل الكثير من عدم اليقين، مما يجعل من الصعب تحديد ما إذا كانت فكرة معينة تستحق المتابعة.
- تم استعراض الأساسيات الخاصة بالذكاء الاصطناعي واستخداماته المختلفة في الحلقات السابقة، والآن سنبدأ المرحلة الأولية لإحياء هذه الأفكار من خلال تجارب إثبات المفهوم.
لماذا نحتاج إلى إثبات المفهوم؟
- هناك ثلاثة أسباب رئيسية: الاختبار، التغذية الراجعة، والتخطيط للإنتاج.
- الاختبار: يسمح لك بالإجابة على أسئلة أساسية بسرعة مثل ما إذا كان الذكاء الاصطناعي هو النهج الصحيح لحل المشكلة.
- التغذية الراجعة: الحصول على تغذية راجعة مبكرة من أصحاب المصلحة الذين سيستخدمون الحل أمر ضروري لضمان تلبية احتياجاتهم.
- التخطيط للإنتاج: يساعد POC في التخطيط للإنتاج عن طريق إعطاء فكرة عن التعقيد والوقت والجهد والتكاليف المطلوبة لبناء نظام إنتاج كامل.
عناصر تخطيط إثبات المفهوم
- هناك عشرة عناصر يجب أخذها بعين الاعتبار عند التخطيط لإثبات مفهوم للذكاء الاصطناعي:
- المشكلة
- الفرضية
- النطاق
- معايير النجاح
- البيانات
- النمذجة والأدوات
- البنية التحتية
- النتائج المتوقعة
- الفريق
- الوقت
مثال عملي: أتمتة الفحص البصري الصناعي
تحديد المشكلة والفرضية
- المثال يتناول أتمتة الفحص البصري الصناعي باستخدام التعلم العميق للكشف عن العيوب في المنتجات بدلاً من الاعتماد بشكل كبير على الفحص اليدوي.
- المشكلة هي أن الفحص اليدوي للمنتجات الصناعية يستغرق وقتًا طويلاً ويستهلك الموارد، مما يؤدي إلى زيادة التكاليف وتقليل الكفاءة.
نطاق المشروع ومعايير النجاح
- يجب أن يكون نطاق العمل محدودًا ومركزًا على بناء النموذج وليس نظام إنتاج كامل.
- معايير النجاح تشمل دقة بنسبة 70% وPrecision بنسبة 80% وقدرة النموذج على فحص مئة صورة في أقل من دقيقة.
البيانات والنمذجة
- البيانات المطلوبة تتضمن مجموعة بيانات تحتوي على خمسة آلاف صورة لمنتجات صناعية مع توضيحات تشير إلى وجود أو عدم وجود عيوب.
استخدام التعلم العميق في تطوير نماذج مخصصة
البنية التحتية المطلوبة لتدريب النماذج
- يمكن استخدام خدمات مثل Amazon Recognition أو تدريب نماذج مخصصة باستخدام إطار عمل التعلم العميق مثل PyTorch، حيث تحدد العناصر الأساسية البنية التحتية المطلوبة من حيث الأجهزة والتخزين والحوسبة.
- عند تدريب نموذج مخصص، يتطلب الأمر جهازًا قويًا سواء كان محليًا أو افتراضيًا سحابيًا، مع ضرورة توفر قوة معالجة وذاكرة كافية للتعامل مع حجم وتعقيد مجموعة البيانات.
- مثال على آلة افتراضية من أمازون هو Amazon EC2 P3 2x large instance، المصممة لتحمل أحمال الحوسبة عالية الأداء مثل التعلم الآلي.
المخرجات المتوقعة من إثبات المفهوم
- بعد الانتهاء من إثبات المفهوم (PC)، يجب أن تتوقع الحصول على نموذج مدرب بدقة جيدة بالإضافة إلى ملفات الشيفرة الخاصة بجميع مراحل المشروع.
- تحتاج أيضًا إلى توثيق يوضح كيفية تواصل الأجزاء المختلفة في النظام وملخص للنتائج وكيف تم تحقيقها.
- قد تحتاج إلى نقل المعرفة إذا كان هناك استشاري يساعدك في تطوير النموذج لضمان استمرار فريقك في العمل.
اختبار النموذج وتطبيقات البروتوتيب
- بعد الانتهاء من PC، يمكنك اختبار النموذج باستخدام بيانات جديدة. يمكن القيام بذلك عبر تشغيل سكريبتات في بيئة بايثون أو عن طريق واجهة مستخدم رسومية.
- قد تحتاج إلى تطبيق بروتوتيب لواجهة المستخدم لاختبار النموذج وتقديم البيانات له للحصول على النتائج.
توصيات لتوسيع نطاق النظام
- يجب أن تتضمن التوصيات ما يجب القيام به لتوسيع التجربة إلى نظام إنتاجي. هذه التوصيات تعتبر حاسمة لتحقيق النجاح المستقبلي للنموذج.
- تلخيص ما تحتاجه: ملفات الشيفرة، الوثائق، ملخص النتائج، نقل المعرفة إذا لزم الأمر، وتطبيق بروتوتيب لاختبار النموذج.
نتائج إثبات المفهوم لنموذج الرؤية الصناعية
- الهدف الرئيسي هو تطوير نموذج رؤية حاسوبية قادر على اكتشاف العيوب في المنتجات الصناعية.
- تشمل المخرجات أيضًا خط أنابيب بيانات لمعالجة الصور الخام وتحويلها بشكل مناسب للتدريب.
- تقرير مفصل حول تطوير النموذج يتضمن وصف مجموعة البيانات المستخدمة والمعمارية والمعايير المستخدمة للتقييم.
مقدمة حول إثبات المفهوم
عناصر التخطيط لإثبات المفهوم
- يتطلب إثبات المفهوم في حالة الفحص البصري حوالي شهر ونصف. يُنصح بتضمين 10 عناصر أساسية عند التخطيط لتجارب إثبات المفهوم، سواء كانت داخلية أو من خلال مقاولين.
أمثلة على خطط إثبات المفهوم
- تم تضمين أربعة أمثلة مختلفة لخطط إثبات المفهوم، بما في ذلك حالة استخدام الذكاء الاصطناعي التوليدي. يمكن الاطلاع على التفاصيل في وصف الفيديو لفهم المنهجية بشكل أفضل.
أسئلة حاسمة بعد مرحلة إثبات المفهوم
السؤال الأول: هل الذكاء الاصطناعي هو الحل المناسب؟
- يجب تقييم ما إذا كان الذكاء الاصطناعي هو الحل الأمثل للمشكلة المطروحة. أحيانًا قد تكون التقنيات التقليدية أكثر كفاءة.
السؤال الثاني: ما هو مستوى دقة النموذج المتوقع؟
- يجب مقارنة دقة النموذج في نظام الإنتاج مع تلك الموجودة في إثبات المفهوم. قد يكون من الممكن تحقيق دقة أعلى مع المزيد من البيانات والتقنيات.
السؤال الثالث: لماذا لا تحقق نتائج جيدة؟
- إذا لم تكن النتائج مرضية، يجب تحديد الأسباب المحتملة مثل نقص البيانات أو المهارات أو العمل على مشكلة غير صحيحة.
تحليل أسباب عدم الحصول على نتائج جيدة
نقص البيانات
- قد تحتاج إلى مجموعات بيانات إضافية لتحسين الدقة، مثل بيانات الطقس والحملات التسويقية.
نقص المهارات
- قد يكون الفريق غير مؤهل لحل مشاكل معينة مثل رؤية الكمبيوتر. يمكن النظر في توظيف مستشارين أو شراكات مع شركات تكنولوجيا متخصصة.
العمل على المشكلة الخاطئة
تحديات استخدام الذكاء الاصطناعي في حل المشكلات
أهمية اختيار الأدوات المناسبة
- هناك ميل لاستخدام تقنيات الذكاء الاصطناعي لحل مشكلات يمكن حلها بطرق تقليدية، مما يؤدي إلى عدم الكفاءة.
- من المهم تقييم ما إذا كان يجب استخدام نماذج أو خدمات جاهزة لبناء النظام الإنتاجي أو بناءه من الصفر.
استكشاف الأدوات والخدمات المتاحة
- يوفر إثبات المفهوم فرصة لاستكشاف أدوات وخدمات مختلفة في السوق، مثل خدمات السحابة ونماذج التعلم المسبق.
- استخدام الأدوات الجاهزة يمكن أن يوفر الوقت، لكنه قد يفتقر إلى المرونة التي توفرها الأنظمة المبنية من الصفر.
تقييم التكاليف والموارد
- يجب تقدير التكلفة الإجمالية للنظام الإنتاجي بناءً على نتائج إثبات المفهوم.
- يتطلب النظام الإنتاجي توسيع نطاق الحلول لتشمل جميع جوانب المؤسسة، بما في ذلك تكامل البيانات ومعالجة المعلومات.
التحديات الفنية والتشغيلية
- تحتاج الأنظمة الإنتاجية إلى هندسة برمجيات متقدمة لضمان التشغيل الآلي وتدفق البيانات بين النماذج والأنظمة المختلفة.
- تشمل التكاليف المستمرة صيانة النموذج وإعادة تدريبه لمواجهة تغيرات النتائج مع مرور الوقت.
اتخاذ القرارات الاستراتيجية
- يجب تقييم العائد على الاستثمار (ROI) للنظام الإنتاجي لتحديد جدوى المشروع قبل الالتزام بالميزانية أو الموارد.
- يساعد إثبات المفهوم في تحديد التكاليف المحتملة ويساهم في اتخاذ قرارات مستنيرة بشأن الاستثمارات المستقبلية.
التحضير للخطوة التالية: بناء قدرات الذكاء الاصطناعي
تطوير فرق الذكاء الاصطناعي
- سيتم تناول موضوع بناء فرق الذكاء الاصطناعي وما هي المهارات والموارد المطلوبة وفقًا لمرحلة المشروع.
خيارات الاستعانة بمصادر خارجية