پیش از ساخت یک پروژهٔ هوش مصنوعی چه چیزهایی را بررسی کنیم؟
شروع درست با انتخاب مدل آغاز نمی‌شود؛ با یک مسئلهٔ قابل‌اندازه‌گیری شروع می‌شود. این راهنما کمک می‌کند قبل از صرف هزینه، آمادگی داده، ارزش مورد انتظار و ریسک‌های یک پایلوت را مرور کنید.
۱. مسئله را به شکل یک کار واقعی بنویسید
به‌جای هدفی کلی مثل «هوشمندسازی شرکت»، مشخص کنید چه کسی امروز چه کاری را انجام می‌دهد، چه چیزی کند یا پرخطاست و خروجی بهتر باید چه تغییری کند. برای نمونه می‌توان زمان پیدا کردن پاسخ در مستندات را سنجید، به‌شرط اینکه اکنون هم این زمان ثبت یا قابل نمونه‌برداری باشد.
همچنین مرز تصمیم را تعیین کنید: کدام بخش می‌تواند خودکار شود و کجا باید کاربر، اپراتور یا متخصص تصمیم نهایی را بگیرد.
۲. دسترسی و کیفیت داده را بسنجید
برای سناریوهای متکی به اطلاعات داخلی، فهرست منابع، مالک هر داده، به‌روز بودن، قالب، سطح دسترسی و محدودیت نگهداری را مشخص کنید. داده‌ای که مجاز به استفاده از آن نیستید یا مرتب تغییر می‌کند، پایهٔ مناسبی برای پایلوت نیست. اطلاعات هویتی و محرمانه را پیش از انتقال به سرویس بیرونی شناسایی کنید.
۳. یک معیار موفقیت و یک خط پایه تعیین کنید
قبل از پایلوت، وضعیت فعلی را ثبت کنید و حداکثر چند معیار روشن انتخاب کنید؛ مثلاً زمان انجام کار، سهم پاسخ‌های نیازمند اصلاح، نرخ ارجاع درست به نیروی انسانی یا هزینهٔ هر درخواست. تعداد پاسخ‌های تولیدشده به‌تنهایی معیار کیفیت نیست. مجموعه‌ای از نمونه‌های واقعی، شامل حالت‌های ساده و دشوار، برای مقایسه آماده کنید.
۴. هزینه و محدودیت‌های عملیاتی را حساب کنید
هزینهٔ پروژه فقط هزینهٔ ساخت نیست. تعداد درخواست‌ها، هزینهٔ هر فراخوانی مدل، زمان پاسخ، نگهداری داده، پایش، بازبینی انسانی و تغییرات آینده را هم در برآورد بیاورید. اگر سامانه باید در ساعات یا شرایط خاص در دسترس باشد، وابستگی به شبکه و سرویس‌های بیرونی را ثبت کنید.
۵. برای خطا و حفظ حریم خصوصی مسیر داشته باشید
پاسخ نادرست یا ناقص ممکن است رخ دهد؛ برای همین باید پاسخ نامطمئن قابل تشخیص باشد، کاربر بتواند به انسان ارجاع دهد و رخدادهای لازم بدون ذخیرهٔ بی‌رویهٔ دادهٔ حساس ثبت شوند. تصمیم‌های حساس را صرفاً بر پایهٔ خروجی بدون بازبینی مدل نگذارید. دسترسی، نگهداری و حذف داده باید با سیاست سازمان هماهنگ باشد.
۶. پایلوت را کوچک، اما واقعی انتخاب کنید
یک گروه کاربری محدود، یک جریان کاری مشخص و بازهٔ ارزیابی تعیین کنید. پایلوتی که فقط روی نمونه‌های ساختگی یا از پیش تمیزشده کار می‌کند، آمادگی محیط واقعی را نشان نمی‌دهد. قبل از گسترش، نتیجه را با خط پایه بسنجید و ثبت کنید چه مواردی به اصلاح، ارجاع یا توقف نیاز داشته‌اند.
چه زمانی بهتر است سراغ هوش مصنوعی نرویم؟
وقتی خروجی قابل‌تعریف یا معیار سنجش ندارید، دادهٔ لازم در دسترس یا مجاز نیست، یک قاعدهٔ ساده همان کار را با ریسک کمتر انجام می‌دهد، یا پیامد خطا از توان بازبینی شما بالاتر است، شروع پروژه را متوقف و مسئله را دوباره تعریف کنید. گاهی بهبود گردش‌کار یا نرم‌افزار موجود انتخاب مناسب‌تری است.
اگر سناریوی مشخصی دارید، رویکرد توسعه و یکپارچه‌سازی هوش مصنوعی پرتو هوش مهرآسا را ببینید یا از صفحه تماس برای توضیح نیازتان استفاده کنید. اطلاعات محرمانه را در فرم عمومی نفرستید.