Zacznij od zadania, które można sprawdzić
Ustal, jak wygląda użyteczny wynik.
Wyszukiwanie w dokumentach wewnętrznych i przewidywanie wyników operacyjnych wymagają innych danych oraz metod oceny. Analizujemy dane wejściowe, decyzję wspieraną przez wynik i konsekwencje błędu. Pomaga to ustalić, które podejście zbadać, jakie dowody są potrzebne i gdzie człowiek powinien sprawdzić rezultat przed jego wykorzystaniem.
Ukierunkowane badanie wykonalności może odpowiedzieć na konkretne pytanie techniczne, zanim uzgodnimy zakres większej aplikacji.
Usługi AI i uczenia maszynowego
Dobierz podejście do problemu.
Dostępne dane, dostęp do źródeł i wymagania dotyczące kontroli kształtują aplikację oraz sposób oceny jej wyników.
Porozmawiajmy o Twoich wymaganiachTworzenie aplikacji AI
Twórz aplikacje wspierające przetwarzanie dokumentów, wyszukiwanie informacji i przygotowywanie roboczych treści. Określ materiały źródłowe, wymagany wynik i etapy weryfikacji w ramach całego procesu biznesowego.
- Przetwarzanie dokumentów
- Wyszukiwanie w wybranych zasobach wiedzy
- Wspomagane przygotowywanie treści
Tworzenie chatbotów i asystentów
Buduj interfejsy konwersacyjne korzystające z zatwierdzonych informacji i połączonych usług. Wyznacz zakres tematów i zasady dostępu oraz możliwość zadania pytania doprecyzowującego lub przekazania rozmowy człowiekowi.
- Konwersacyjne interfejsy użytkownika
- Połączenia ze źródłami wiedzy
- Przekazanie do konsultanta
Tworzenie rozwiązań uczenia maszynowego
Przygotuj dane do predykcji lub klasyfikacji, opracuj modele kandydujące i porównaj ich wyniki z odpowiednim punktem odniesienia. Ocena wykorzystuje reprezentatywne przykłady i miary dopasowane do pytania biznesowego.
- Przygotowanie danych
- Modele predykcyjne i klasyfikacyjne
- Porównywanie i ocena modeli
Integracja i ocena AI
Połącz wybrany model z aplikacją i sprawdź działanie całego procesu. Zbieraj przydatne informacje zwrotne i analizuj przypadki nietypowych danych wejściowych, brakujących źródeł lub wyników wymagających uwagi.
- Integracja aplikacji i modelu
- Przykłady i kryteria oceny
- Monitorowanie i opinie użytkowników
Poglądowy przykład widzenia komputerowego
Wykryj obiekty, a następnie sprawdź wyniki.
Ten przykład sceny budowlanej ilustruje wykrywanie obiektów w procesie analizy obrazu. W projekcie należałoby określić kategorie obiektów i reprezentatywne przykłady, a następnie przeanalizować pominięte obiekty oraz błędne wykrycia, zanim zostanie ustalone, jak wykorzystywać wyniki.
- Określ obiekty i sytuacje, które mają znaczenie.
- Sprawdź błędne wykrycia i pominięte obiekty.
- Powiąż wynik z uzgodnionym etapem weryfikacji przez człowieka.
Przykładowa aplikacja AI
Wyszukuj w dokumentach firmy z odwołaniami do źródeł.
Wewnętrzny asystent mógłby pomagać pracownikom znajdować odpowiedzi w wybranym zbiorze dokumentów firmy. Aplikacja pobierałaby materiały, do których użytkownik ma uprawnienia, i przygotowywała odpowiedź z odwołaniami do źródeł. Ocena sprawdzałaby, czy źródła uzasadniają odpowiedź i jak asystent zachowuje się, gdy dokumentów brakuje, są nieaktualne lub sprzeczne.
- Zastosuj zasady dostępu do dokumentów przed pobraniem materiałów źródłowych.
- Testuj przydatne odpowiedzi, ale też pytania, na które nie da się odpowiedzieć.
- Zapewnij możliwość sprawdzenia źródła lub poproszenia człowieka o pomoc.
- PytaniePracownik zadaje pytanie dotyczące swojej pracy.
- WyszukanieAplikacja przeszukuje źródła dokumentów, do których dostęp jest dozwolony.
- OdpowiedźAsystent przygotowuje odpowiedź z odwołaniami do źródeł.
- WeryfikacjaUżytkownik sprawdza źródła lub prosi o dalszą pomoc.
Hipotetyczny scenariusz wykorzystania asystenta; wykonalność i jakość wyników wymagają oceny dla wybranych źródeł.
Realizacja projektu AI
Oprzyj kolejny krok na wynikach oceny.
Prototyp jest użyteczny, gdy odpowiada na uzgodnione pytanie dotyczące zadania, danych lub proponowanego podejścia.
Ocena przypadku użycia
Przeanalizuj z zespołem przykładowe dane wejściowe, dostęp do źródeł i oczekiwany wynik. Określ przykłady testowe, kryteria sukcesu i warunki, które czyniłyby dane podejście nieodpowiednim.
Co otrzymaszZakres przypadku użycia i plan ocenyOpracowanie i porównanie
Zbuduj prototyp lub model o wąskim zakresie i oceń wyniki. Przeanalizuj przypadki błędów, porównaj możliwe podejścia i wskaż ograniczenia, którymi trzeba się zająć przed integracją.
Co otrzymaszPrototyp i udokumentowane wnioskiIntegracja i weryfikacja
Połącz wybrane podejście z aplikacją, uwzględniając uzgodnione mechanizmy dostępu i weryfikację przez człowieka. Udokumentuj monitorowanie, zbieranie informacji zwrotnych oraz sposób sprawdzania przyszłych zmian modeli lub źródeł.
Co otrzymaszZintegrowany proces i procedury weryfikacji
Czy potrzebujemy własnego modelu uczenia maszynowego?
To zależy od zadania. Wymaganie może spełnić istniejący model, aplikacja oparta na wyszukiwaniu lub tradycyjne oprogramowanie. Zanim zalecimy stworzenie własnego modelu, bierzemy pod uwagę dostępność danych, wyniki oceny i ograniczenia eksploatacyjne.
Czy możemy zacząć, jeśli nasze dane biznesowe są niekompletne?
Możemy rozpocząć od przeglądu reprezentatywnej próbki. Wnioski mogą wskazać potrzebę przygotowania danych, poszerzenia źródeł lub zawężenia początkowego zadania. Pomagają też oddzielić to, co można sprawdzić już teraz, od tego, co wymaga dodatkowych informacji.
Jak radzicie sobie z nieprawidłowymi odpowiedziami AI?
Projekt może obejmować odwołania do źródeł, weryfikację przez człowieka, zachowanie zastępcze i zbieranie informacji zwrotnych. Zabezpieczenia dobieramy do zadania i testujemy na reprezentatywnych pytaniach. Pomagają ograniczać skutki błędów, ale nie sprawiają, że każdy wynik jest poprawny.
Twój kolejny krok
Jakim zadaniem ma się zająć Twój projekt AI?
Pokaż przykładowe dane wejściowe, potrzebny wynik i decyzję, którą ma wspierać. Możemy określić zakres wstępnej oceny.