企業級人工智慧應用程式開髮指南

如果要深入研究人工智慧應用程式開發流程，首先需要了解這些專案與常規應用程式開發專案的差異。在談到人工智慧時，每個問題都需要獨特的解決方案，即使企業已經開發了類似的專案。一方面，有多種預訓練模型和經過驗證的方法可用於建立人工智慧。此外，人工智慧是獨一無二的，因為它是基於不同的數據和業務案例。正因為如此，人工智慧工程師通常透過深入研究業務案例和可用數據，探索現有的方法和模型來開始這一旅程

由於這些方面，人工智慧專案的創建更接近科學研究，而不是經典的軟體開發。以下探討一下原因，以及了解這個現實如何幫助企業準備好為其專案執行這些流程和預算。

人工智慧專案分類

人工智慧專案可以分為四個類別：

• 直截了當的專案：典型的例子包括可以透過應用公共資料集和知名技術來實現的生產就緒模型。例如，ImageNet適用於旨在對影像進行分類的項目。
• 知名技術專案：在這些情況下，我們知道專案所需的適當技術，但我們仍然需要努力收集和準備資料。
• 需要深入研究的項目：原則上，我們可以弄清楚模型是如何運作的，如何應用現有數據，或者應該採取哪些步驟來訓練模型以完成特定任務。僅憑經驗無法做出任何預測，因為我們不知道模型的行為。啟動過程需要額外的測試和案例處理。
• 生產專案需要額外的努力：這組案例中的資料和模型在實務上都沒有得到充分的嘗試。

為什麼人工智慧專案如此不可預測?

人工智慧專案開發環境可以被視覺化為一個由技術和即用型解決方案組成的三層金字塔。

上層包含適合人工智慧使用的現成產品－如第三方函式庫或經過驗證的公司解決方案。例如，Google用於偵測支票詐欺、臉部辨識和物體偵測的解決方案就是很好的例子。

第二層包含描述業務挑戰的新領域。我們可能有合適的模型來解決挑戰，但該技術需要稍作修改或調整才能在實施過程中證明其有效性。該模型應該專門針對其特定用例，這導致了人工智慧使用中新利基市場的出現。

科學研究構成低層。科學研究還沒有準備好生產，因為人們不知道這些模型會顯示什麼結果。這是人工智慧系統的一個深層次，儘管可以朝這個方向努力。

人工智慧應用程式開發與常規應用程式

人工智慧應用程式的開發與非人工智慧應用程式並無根本區別，都需要進行概念證明（PoC）和演示階段。使用者介面（UI）/使用者體驗（UX）階段則在演示和人工智慧元件準備就緒之後開始

應用程式開發公司在接到創建人工智慧驅動的應用程式的任務時，首要的事情是向客戶詢問需求和數據：人工智慧是產品的核心還是附加組件？這個問題的答案將會影響解決方案的複雜程度

客戶可能不需要最準確和現代的解決方案。因此，重要的是要找出人工智慧組件的缺乏是否阻礙了成熟的產品開發，以及在沒有人工智慧組件的情況下創建產品是否有任何意義。解決了這個問題後，我們就可以繼續前進了。

最初，可以將人工智慧專案分為兩個子類別：

• 從頭開始建立的應用程式
• 人工智慧元件整合到現有應用程式中

從頭開始建立人工智慧應用程式

因此，如果決定從頭開始開發一個新的人工智慧功能應用程式。正因為如此，沒有任何基礎設施來整合人工智慧應用程式。這裡來到了最重要的問題：人工智慧功能開發是否可以像處理通常的應用程式功能一樣處理，例如登入/登出或發送/接收訊息和照片?

乍一看，人工智慧只是用戶可以與之互動的一項功能。例如，人工智慧可用於偵測一則訊息是否應被視為垃圾郵件，辨識照片中臉上的微笑，並在人臉和語音辨識的幫助下實現基於人工智慧的登入。然而，人工智慧解決方案的開發仍然很年輕，而且還以研究為基礎。這導致人們意識到應用程式的人工智慧功能是整個專案中風險最大的部分，尤其是在業務目標需要提出創新且複雜的AI解決方案時。

舉個例子，如果要建立一個帶有登入/登出畫面、訊息系統和視訊通話功能的聊天應用程式。視訊通話功能應該支援類似Snapchat的濾鏡效果。以下是風險表和應用程式不同功能複雜性的概述：

聊天應用程式功能

很明顯，從風險最小化策略的角度來看，從具有最低複雜性和風險的任務開始開發過程是不合理的。人信可能會問，為什麼類似Snapchat的過濾器風險最大?這裡有一個簡單的答案：要創建一個類似Snapchat的過濾器，必須涉及許多尖端技術，如增強現實(AR)和深度學習，將它們適當地混合在一起，並將它們放在計算資源低的手機上。為此，您必須解決許多非凡的工程任務。

將人工智慧元件整合到現有應用程式中

將人工智慧功能整合到現有專案與從頭開始建立AI應用程式有一些不同。首先，我們必須使用人工智慧增強的現有專案是在沒有任何架構考慮AI功能的情況下開發的，這是一種常見的情況。考慮到人工智慧功能是某些資料管道的一部分，我們得出結論，開發AI功能肯定需要至少對應用程式架構進行一些更改。從人工智慧的角度來看，現有的應用可以分為以下幾類：

基於資料庫的專案：

• 文字處理
• 推薦系統
• 聊天機器人
• 時間序列預測

非基於資料庫的專案：

##圖片/視訊處理
• #語音/聲音處理

人工智慧應用程式開發的主要階段

以下是典型人工智慧應用程式開發過程的五個階段。 首先是問題定義階段。在這個階段，開發團隊需要明確應用程式的目標和所要解決的問題。他們會與客戶或相關利益方進行討論，以確定需求和期望。 接下來是資料收集和準備階段。在這個階段，團隊會收集大量的數據，這些數據將用於訓練和優化人工智慧演算法。數據的品質和多樣性對於應用程式的效能至關重要。 第三個階段是模型選擇和訓練。在這個階段，團隊會選擇合適的人工智慧模型，並使用先前收集的資料進行訓練。訓練的目標是讓模型能夠準確地預測和處理各種情況。 然後是模型測試和評估階段。在這個階段，團隊會對訓練好的模型進行測試，以確保其在不同情況下的表現。他們會使用測試資料集來評估模型的準確性和效能。 最後是部署和維護階段。在這個階段，團隊會將訓練好的模型部署到實際的應用環境中，並持續監測和維護模型的效能。他們可能需要進行調整和更新，以適應不斷變化的需求和數據。 這些階段的順序可能會有所不同，具體的開發過程也會因專案而異。然而，這些階段提供了一個典型的人工智慧應用程式開發過程的概述

1.業務分析

#在第一階段，我們獲得客戶的輸入或願景，這些輸入或願景可以作為具有總體想法概述的文檔。在這裡，我們開始業務分析流程。為了準備輸入，我們需要考慮業務問題。企業用業務問題解決應用程式開發公司，後者的工作是找到業務和人工智慧能力的交點。

在餐廳或雜貨連鎖店等場景中，企業主們對於透過分析採購和銷售來減少食物浪費並實現平衡表現出濃厚的興趣。對人工智慧工程師而言，這項任務轉變為了時間序列預測或關係分析任務，其解決方案能夠幫助人們預測具體的數字

2.機器學習問題確定

在接下來的階段，我們需要確定需要討論和解決的機器學習（ML）問題。這一步必須考慮到人工智慧子領域的技術能力，如電腦視覺、自然語言處理、語音辨識、預測和產生人工智慧等

3.資料收集

資料是機器學習的燃料，是人工智慧應用程式開發的關鍵步驟。有兩種主要的資料類型—特定的和一般的。一般資料可以從開源資料網站取得，所以我們要做的就是縮小目標受眾的範圍，把重點放在特定的地區、性別、年齡或其他關鍵因素上。大量通用資料可以簡化流程。

因此，如果客戶有一個基於健身追蹤器活動的應用程序，我們可以應用資料和遷移學習來盡快開始實施。這同樣適用於可以從大量集合開始的圖像分類。

需要進行重寫的內容是：（1）為新專案開發AIPoC

全新人工智慧專案的概念證明(PoC)階段應該以AI為中心。這是什麼意思?為了滿足風險最小化策略，我們應該從專案中風險最大的部分開始，即AI功能，如果可能的話，不要觸及專案的任何其他功能。概念證明(PoC)階段可以重複多次以達到適當的結果。在取得令人滿意的結果後，可以自由地進入MVP/工業化階段，開發應用程式的所有剩餘功能。

(2)為現有專案開發AIPoC

為了讓最終使用者能夠使用人工智慧功能，首先需要開發這個功能，然後將其與現有的應用程式整合。也就是說，需要考慮應用程式的程式碼庫、架構和基礎設施

重新寫成： 人工智慧最吸引人的地方在於，它們可以在不觸及主要應用程式的情況下進行研究、開發和測試。這引發了一個想法，即人們可以啟動人工智慧的概念證明（PoC），而不會給主要應用程式帶來風險。這實際上是最小化風險策略的核心

以下是要遵循的三個步驟：

(1)透過以下方式從現有應用程式中收集資料：

• 製作資料庫轉儲
• 收集影像/視訊/音訊樣本
• 標記收集的資料或從開源庫中取得相關資料集

在建置一個隔離的AI環境前，請先收集資料

• 培訓
• 測試
• 分析

##(3)部署訓練成功的人工智慧元件：

為目前應用程式架構做準備的變更
• 針對新AI功能的程式碼庫適配

根據專案類型，程式碼庫的調整可能會導致：

更改資料庫架構以簡化和加速人工智慧模組對其的存取
• 視訊/音訊處理微服務拓撲的變更
• 更改行動應用程式最低系統要求

4.PoC階段估計

企業主經常會向軟體供應商提問，在進行概念證明（PoC）階段時可能需要的預算、時間表和工作量。如上文所述，與常規開發過程相比，人工智慧專案具有高度不可預測性。這是因為任務類型、資料集、方法和技術都具有高度可變性。所有這些因素都解釋了為什麼對假設項目進行估算是一項相當困難的任務。儘管如此，我們還是根據專案的複雜程度展示了上述人工智慧專案的一種可能分類

5.新的迭代或生產

經過第一個概念證明（PoC）之後，下一步可以進行新一輪的概念證明（PoC）並進行進一步的改進或部署。建立新的概念證明（PoC）意味著需要新增資料、處理案例、進行錯誤分析等步驟。迭代的次數是有條件的，取決於具體的項目

任何人工智慧專案都與風險直接相關。可能面臨來自資料適用性的風險，以及演算法或實施風險。為了降低風險，明智的做法是僅在人工智慧元件的準確性滿足業務目標和期望時才開始產品開發

以上是企業級人工智慧應用程式開髮指南的詳細內容。更多資訊請關注PHP中文網其他相關文章！