Panduan untuk membangunkan aplikasi kecerdasan buatan gred perusahaan

Jika anda ingin mendalami proses pembangunan aplikasi kecerdasan buatan, anda perlu memahami cara projek ini berbeza daripada projek pembangunan aplikasi biasa. Apabila ia datang kepada kecerdasan buatan, setiap masalah memerlukan penyelesaian yang unik, walaupun syarikat telah membangunkan projek yang serupa. Di satu pihak, terdapat pelbagai model pra-latihan dan kaedah terbukti untuk membina kecerdasan buatan. Tambahan pula, AI adalah unik kerana ia berdasarkan data dan kes perniagaan yang berbeza. Oleh sebab itu, jurutera AI sering memulakan perjalanan dengan menggali kes perniagaan dan data yang tersedia, meneroka kaedah dan model sedia ada Dalam hal ini, penciptaan projek kecerdasan buatan adalah lebih dekat dengan penyelidikan saintifik daripada pembangunan perisian klasik. Inilah sebabnya, dan cara memahami realiti ini boleh membantu organisasi bersedia untuk melaksanakan proses dan belanjawan ini untuk projek mereka.

Klasifikasi Projek Kecerdasan Buatan

Projek Kecerdasan Buatan boleh dibahagikan kepada empat kategori:

Projek tipikal pengeluaran: Contoh-contoh biasa model sedia yang boleh dilaksanakan dengan menggunakan set data awam dan teknologi terkenal. Sebagai contoh, ImageNet sesuai untuk projek yang bertujuan untuk mengklasifikasikan imej.

Projek Teknologi Bereputasi: Dalam kes ini, kami mengetahui teknologi yang sesuai yang diperlukan untuk projek itu, tetapi kami masih perlu bekerja keras untuk mengumpul dan menyediakan data.

Projek yang memerlukan penyelidikan mendalam: Pada dasarnya, kita boleh memikirkan cara model berfungsi, cara menggunakan data sedia ada atau langkah yang perlu diambil untuk melatih model untuk menyelesaikan tugas tertentu. Tiada ramalan boleh dibuat berdasarkan pengalaman sahaja kerana kita tidak tahu bagaimana model itu berkelakuan. Proses permulaan memerlukan ujian tambahan dan pengendalian kes.
• Projek pengeluaran memerlukan usaha tambahan: baik data mahupun model dalam set kes ini telah dicuba sepenuhnya dalam amalan. Mengapakah projek kecerdasan buatan tidak dapat diramalkan?
• Lapisan atas mengandungi produk siap pakai yang sesuai untuk kegunaan kecerdasan buatan - seperti perpustakaan pihak ketiga atau penyelesaian syarikat yang terbukti. Contohnya, penyelesaian Google untuk mengesan penipuan cek, pengecaman muka dan pengesanan objek ialah contoh yang baik.
• Tahap kedua termasuk menerangkan bidang baharu cabaran perniagaan. Kami mungkin mempunyai model yang betul untuk menyelesaikan cabaran, tetapi teknologi itu perlu diubah suai atau disesuaikan sedikit untuk membuktikan keberkesanannya semasa pelaksanaan. Model ini harus dikhususkan untuk kes penggunaannya yang khusus, yang telah membawa kepada kemunculan niche baharu dalam penggunaan kecerdasan buatan.
• Penyelidikan saintifik merupakan peringkat yang lebih rendah. Penyelidikan saintifik tidak bersedia untuk pengeluaran kerana seseorang tidak tahu hasil yang akan ditunjukkan oleh model. Ini adalah aspek yang mendalam dalam sistem kecerdasan buatan, walaupun usaha boleh dilakukan ke arah ini.

Pembangunan aplikasi AI dan aplikasi biasa

Tiada perbezaan asas antara pembangunan aplikasi AI dan aplikasi bukan AI, kedua-duanya memerlukan bukti konsep (PoC) dan demonstrasi fasa. Fasa Antara Muka Pengguna (UI)/Pengalaman Pengguna (UX) bermula selepas demo dan komponen AI sedia Perkara utama ialah bertanya kepada pelanggan tentang keperluan dan data mereka: Adakah AI teras kepada produk atau alat tambah? Jawapan kepada soalan ini akan menjejaskan kerumitan penyelesaian

Pelanggan mungkin tidak memerlukan penyelesaian yang paling tepat dan moden. Oleh itu, adalah penting untuk mengetahui sama ada kekurangan komponen AI menghalang pembangunan produk matang dan sama ada ada gunanya mencipta produk tanpa komponen AI. Dengan itu, kita boleh teruskan.

Pada mulanya, projek AI boleh dibahagikan kepada dua subkategori:

Aplikasi yang dibina dari awal

Komponen AI # Integrasikan ke dalam aplikasi sedia ada 🎜🎜#

Bina aplikasi AI dari awal

Jadi jika anda memutuskan untuk membangunkan aplikasi berfungsi AI baharu dari awal. Oleh sebab itu, tiada infrastruktur untuk menyepadukan aplikasi AI. Inilah soalan paling penting: Bolehkah pembangunan ciri AI dikendalikan seperti ciri aplikasi biasa seperti log masuk/keluar atau menghantar/menerima mesej dan foto

Pada pandangan pertama, AI Hanya ciri yang boleh pengguna? berinteraksi dengan. Sebagai contoh, AI boleh digunakan untuk mengesan sama ada mesej harus dianggap sebagai spam, mengenal pasti senyuman pada wajah dalam foto dan mendayakan log masuk berasaskan AI dengan bantuan pengecaman muka dan suara. Walau bagaimanapun, pembangunan penyelesaian AI masih muda dan berasaskan penyelidikan. Ini telah membawa kepada kesedaran bahawa kefungsian AI bagi aplikasi adalah bahagian paling berisiko dalam keseluruhan projek, terutamanya apabila matlamat perniagaan memerlukan penyelesaian AI yang inovatif dan kompleks.

Sebagai contoh, jika anda ingin membina aplikasi sembang dengan skrin log masuk/log keluar, sistem pemesejan dan fungsi panggilan video. Fungsi panggilan video harus menyokong penapis yang serupa dengan Snapchat. Berikut ialah jadual risiko dan gambaran keseluruhan kerumitan fungsi aplikasi yang berbeza:

Fungsi Aplikasi Sembang

Jelas sekali bahawa dari perspektif strategi pengurangan risiko, adalah tidak munasabah untuk memulakan proses pembangunan dengan tugas dengan kerumitan dan risiko terendah. Anda mungkin bertanya, mengapa penapis seperti Snapchat yang paling berisiko Berikut ialah jawapan mudah: Untuk mencipta penapis seperti Snapchat, banyak teknologi canggih, seperti realiti diperkukuh (AR) dan pembelajaran mendalam, mesti terlibat untuk meletakkannya? mencampurkannya dengan sewajarnya dan meletakkannya pada telefon mudah alih dengan sumber pengkomputeran yang rendah. Untuk melakukan ini, anda perlu menyelesaikan banyak tugas kejuruteraan yang luar biasa.

Mengintegrasikan komponen AI ke dalam aplikasi sedia ada

Mengintegrasikan keupayaan AI ke dalam projek sedia ada sedikit berbeza daripada membina aplikasi AI dari awal. Pertama, ia adalah situasi biasa bahawa projek sedia ada yang perlu kita tambah dengan AI dibangunkan tanpa sebarang seni bina mempertimbangkan keupayaan AI. Memandangkan keupayaan AI adalah sebahagian daripada beberapa saluran data, kami membuat kesimpulan bahawa membangunkan keupayaan AI pasti memerlukan sekurang-kurangnya beberapa perubahan pada seni bina aplikasi. Daripada perspektif kecerdasan buatan, aplikasi sedia ada boleh dibahagikan kepada kategori berikut:

Projek berasaskan pangkalan data:

• Pemprosesan teks
• Sistem pengesyoran
• Chatbots
• berasaskan data

berasaskan data

• Pemprosesan Imej/Video

Pemprosesan Suara/Bunyi

Peringkat Utama Pembangunan Aplikasi Kepintaran Buatan

Berikut ialah lima peringkat proses pembangunan aplikasi Kecerdasan Buatan biasa. Yang pertama ialah fasa definisi masalah. Pada peringkat ini, pasukan pembangunan perlu menjelaskan matlamat aplikasi dan masalah yang ingin diselesaikan. Mereka mengadakan perbincangan dengan pelanggan atau pihak berkepentingan yang berkaitan untuk menentukan keperluan dan jangkaan. Seterusnya ialah fasa pengumpulan dan penyediaan data. Pada peringkat ini, pasukan akan mengumpul sejumlah besar data, yang akan digunakan untuk melatih dan mengoptimumkan algoritma kecerdasan buatan. Kualiti dan kepelbagaian data adalah penting untuk prestasi aplikasi. Peringkat ketiga ialah pemilihan model dan latihan. Pada peringkat ini, pasukan memilih model AI yang sesuai dan melatihnya menggunakan data yang dikumpul sebelum ini. Matlamat latihan adalah untuk membolehkan model meramal dan mengendalikan pelbagai situasi dengan tepat. Kemudian datang fasa ujian dan penilaian model. Pada peringkat ini, pasukan akan menguji model terlatih untuk memastikan prestasinya dalam situasi yang berbeza. Mereka menggunakan set data ujian untuk menilai ketepatan dan prestasi model. Akhirnya datang fasa penggunaan dan penyelenggaraan. Pada peringkat ini, pasukan akan menggunakan model terlatih ke persekitaran aplikasi sebenar dan terus memantau dan mengekalkan prestasi model. Mereka mungkin perlu disesuaikan dan dikemas kini untuk menampung keperluan dan data yang berubah-ubah. Susunan fasa ini mungkin berbeza-beza, dan proses pembangunan yang tepat akan berbeza dari satu projek ke projek. Walau bagaimanapun, fasa ini memberikan gambaran keseluruhan proses pembangunan aplikasi AI biasa

1. Analisis Perniagaan

Pada fasa pertama, kami mendapat input atau visi daripada pelanggan yang boleh berfungsi sebagai dokumen dengan gambaran keseluruhan idea keseluruhan. Di sini kita memulakan proses analisis perniagaan. Untuk menyediakan input, kita perlu mempertimbangkan masalah perniagaan. Perusahaan menggunakan masalah perniagaan untuk menyelesaikan syarikat pembangunan aplikasi, yang tugasnya adalah untuk mencari persimpangan perniagaan dan keupayaan kecerdasan buatan.

Dalam senario seperti restoran atau rangkaian runcit, pemilik perniagaan menunjukkan minat yang mendalam untuk mengurangkan sisa makanan dan mencapai keseimbangan dengan menganalisis pembelian dan jualan. Bagi jurutera kecerdasan buatan, tugas ini berubah menjadi ramalan siri masa atau tugas analisis perhubungan, yang penyelesaiannya boleh membantu orang ramai meramal nombor tertentu

2 Pengenalpastian masalah pembelajaran mesin

Pada peringkat seterusnya, kita perlu menentukan keperluan Bincangkan dan selesaikan. masalah pembelajaran mesin (ML). Langkah ini mesti mengambil kira keupayaan teknikal subbidang kecerdasan buatan, seperti penglihatan komputer, pemprosesan bahasa semula jadi, pengecaman pertuturan, kecerdasan buatan ramalan dan generatif, dll.

3 Pengumpulan data

Data adalah bahan api untuk pembelajaran mesin dan aplikasi kecerdasan buatan Langkah-langkah utama dalam pembangunan program. Terdapat dua jenis data utama - khusus dan umum. Data am tersedia daripada tapak web data sumber terbuka, jadi apa yang perlu kita lakukan ialah mengecilkan khalayak sasaran dan menumpukan pada kawasan tertentu, jantina, umur atau faktor utama lain. Sebilangan besar data biasa boleh menyelaraskan proses.

Jadi jika pelanggan mempunyai aplikasi berdasarkan aktiviti penjejak kecergasan, kami boleh menggunakan data dan memindahkan pembelajaran untuk memulakan pelaksanaan secepat mungkin. Perkara yang sama berlaku untuk klasifikasi imej di mana seseorang boleh bermula dari koleksi yang besar.

🎜Kandungan yang perlu ditulis semula ialah: (1) Membangunkan AIPoC untuk projek baharu🎜

Fasa Bukti Konsep (PoC) bagi projek kecerdasan buatan baharu seharusnya bertumpu AI. Apakah maksud ini? Untuk memenuhi strategi pengurangan risiko, kita harus bermula dengan bahagian projek yang paling berisiko, fungsi AI, dan jika boleh, jangan sentuh sebarang fungsi projek yang lain. Fasa Bukti Konsep (PoC) boleh diulang beberapa kali untuk mencapai hasil yang sesuai. Selepas mencapai keputusan yang memuaskan, anda bebas untuk beralih ke fasa MVP/Pengindustrian untuk membangunkan semua ciri aplikasi yang tinggal.

(2) Membangunkan AIPoC untuk projek sedia ada

Untuk pengguna akhir menggunakan fungsi kecerdasan buatan, fungsi ini perlu dibangunkan dahulu dan kemudian disepadukan dengan aplikasi sedia ada Untuk menyepadukan . Iaitu, asas kod, seni bina dan infrastruktur aplikasi perlu dipertimbangkan

ditulis semula sebagai: Perkara yang paling menarik tentang kecerdasan buatan ialah ia boleh dikaji, dibangunkan dan diuji tanpa menyentuh aplikasi utama. Ini mencetuskan idea bahawa seseorang boleh melancarkan bukti konsep (PoC) kecerdasan buatan tanpa mempertaruhkan aplikasi utama. Ini sebenarnya teras strategi pengurangan risiko

Berikut adalah tiga langkah yang perlu diikuti:

(1) Kumpul data daripada aplikasi sedia ada dengan:

#🎜 🎜#

Buat longgokan pangkalan data
• Kumpul sampel imej/video/audio
• Tag data yang dikumpul atau dapatkan relevan daripada perpustakaan sumber terbuka Set Data
• #🎜 🎜#
Sebelum membina persekitaran AI terpencil, sila kumpul data

Latihan

• Ujian#🎜 🎜###🎜🎜🎜🎜🎜🎜 #
• (3) Penggunaan komponen kecerdasan buatan yang berjaya dilatih:
• Bersedia untuk perubahan seni bina aplikasi semasa

#🎜🎜 untuk penyesuaian kod ciri AI baharu

Bergantung pada jenis projek, pelarasan pada pangkalan kod mungkin mengakibatkan:
• Perubahan pada skema pangkalan data untuk memudahkan dan mempercepatkan akses kepadanya oleh modul kecerdasan buatan

Perubahan dalam topologi perkhidmatan mikro pemprosesan video/audio

Perubahan kepada keperluan sistem minimum untuk aplikasi mudah alih

• #🎜🎜 4.Anggaran peringkat PoC
• Pemilik perniagaan sering bertanya kepada vendor perisian tentang belanjawan dan masa yang mungkin diperlukan semasa menjalankan jadual peringkat dan beban kerja bukti konsep (PoC). Seperti yang dinyatakan di atas, projek AI sangat tidak dapat diramalkan berbanding dengan proses pembangunan biasa. Ini kerana jenis tugas, set data, kaedah dan teknik semuanya sangat berubah-ubah. Semua faktor ini menjelaskan mengapa menganggarkan projek hipotesis adalah tugas yang agak sukar. Namun begitu, kami membentangkan satu kemungkinan klasifikasi projek kecerdasan buatan di atas berdasarkan kerumitan projek
• 5 Lelaran atau pengeluaran baharu

selepas bukti konsep pertama. PoC, langkah seterusnya boleh menjadi pusingan baharu Bukti Konsep (PoC) dan penambahbaikan atau penggunaan selanjutnya. Mencipta bukti konsep (PoC) baharu bermakna menambah data, mengerjakan kes, melakukan analisis ralat, dsb. Bilangan lelaran adalah bersyarat dan bergantung pada projek tertentu

Sebarang projek kecerdasan buatan berkaitan secara langsung dengan risiko. Mungkin terdapat risiko yang timbul daripada kesesuaian data, serta risiko algoritma atau pelaksanaan. Untuk mengurangkan risiko, adalah bijak untuk memulakan pembangunan produk hanya apabila ketepatan komponen AI memenuhi matlamat dan jangkaan perniagaan

Atas ialah kandungan terperinci Panduan untuk membangunkan aplikasi kecerdasan buatan gred perusahaan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!