Prinsip pertama dari perusahaan kecil dan menengah AI Transport: masalah operasional di depan model
Kemampuan model berubah dengan cepat, tapi apa yang diperlukan oleh bisnis untuk meningkatkan kecepatan respon, siklus pengiriman, penggunaan pengetahuan, kesalahan, dan biaya. Jika tujuan proyek ini hanya menulis "mengakses model besar", sulit bagi tim untuk menilai apa yang dibutuhkan, yang menggunakan mereka, bagaimana kesalahan ditangani, dan apakah masukan itu efektif setelah mereka online.
Diusulkan untuk mengulang tujuan untuk tugas tertentu, seperti kebutuhan layanan klien untuk mencari informasi beberapa sebelum menjawab pertanyaan-pertanyaan produk, kebutuhan untuk mereplikasi penjualan penawaran, dan operasi dari kumpulan mingguan dari beberapa sistem data. Deskripsi tugas harus termasuk frekuensi, waktu saat ini - mengkonsumsi, resulting-pengguna dan kesalahan konsekuensi.
Bagaimana menyaring adegan AI pertama
Tugas yang cocok untuk validasi pertama biasanya frekuensi tinggi, ketersediaan sampel, keluaran masukan dapat memeriksa, dan kesalahan dapat dibajak secara manual.
Tidak disarankan untuk memulai dengan keputusan otomatis berisiko tinggi... membuat, data minimal, perubahan terus menerus dalam aturan bisnis atau mandat 100 persen yang benar.
- Nilai: Volume pemrosesan, waktu, konsumsi, menunggu, kesalahan, dan dampak pendapatan
- Kondisi: Contoh, pengetahuan, antarmuka, pengguna dan pemilik bisnis
- Risiko: otoritas, privasi, konsekuensi dari kesalahan dan kapasitas pengambilalihan manual
Indikator mana yang harus disahkan oleh PC
AgentOps membekukan sejumlah tugas nyata, dibagi menjadi normal, tidak biasa, hilang dan contoh ultra vires. Versi yang berbeda membandingkan set tes yang sama, merekam tingkat penyelesaian, akurasi, referensi, penolakan, koreksi manual, waktu respon dan biaya tunggal. Hanya beberapa contoh yang dipilih untuk demonstrasi, yang meremehkan kompleksitas lingkungan produksi.
Hasilnya tidak boleh "mungkin" atau "tidak". Ini harus dinyatakan dimana tugas-tugas dapat diproses secara otomatis, yang cocok untuk dukungan, yang harus dilakukan secara manual, dan data, antarmuka, hak istimewa dan kontrol diperlukan untuk diisi untuk masuk produksi.
Apa yang kau butuhkan untuk mengisi dari PoC untuk membuatnya?
Sistem produksi menangani identitas, hak istimewa, pembaruan pengetahuan, model, penggantian, kegagalan antar muka, log, biaya dan tanggung jawab dukungan. Kasus AC atau pengetahuan memerlukan sebuah loop tertutup dari referensi sumber, penolakan, dan umpan balik; pemrosesan file membutuhkan tinjauan manual dan pelacakan lapangan; Agen dan alur kerja memerlukan hak istimewa minimal, status, pengujian ulang dan ijin resiko tinggi.
SMEs dapat memprioritaskan model yang dewasa dan struktur yang ringan, tapi nomor akun, data dan konfigurasi kunci harus dimiliki oleh perusahaan. Ketika data relevan, pilihan dissensitized, dimiliki secara publik API, contoh eksklusif, struktur hybrid atau defammentation pribadi berdasarkan klasifikasi data seharusnya tidak menyiratkan bahwa semua proyek membutuhkan model lokal mahal.
- Akses AI yang ada, CRM, ERP, OA atau sistem bisnis lengkap tertutup loop
- Rekam keluaran masukan, panggilan alat, modifikasi manual dan hasil akhir
- Provisi jeda, retret, antrian manual dan masalah-manajemen titik akses
Bagaimana menghitung hasil masukan dari perusahaan berukuran kecil AI
Input termasuk diagnosis, kolation data, implementasi perangkat lunak, pemodelan, sumber daya awan, alat-alat pihak ketiga, pelatihan dan perawatan yang sedang berlangsung; manfaat dapat datang dari mengurangi waktu pemrosesan, menunggu, lebih rendah kembali-ke-kerja, peningkatan respon dan rilis personil untuk menangani tugas nilai tinggi.
Contoh: Sebuah misi ditutupi oleh tugas 500 kali sebulan per tenaga kerja, dengan jam kerja teoritis sekitar 167 jam. Jika AI mencakup hanya 60% dari tugas, cakupan masih dikenakan untuk tinjauan lima menit, menabung sekitar 75 jam, bukannya langsung menghitung pada 167 jam. Kurang beroperasi, memanggil dan pemeliharaan, mungkin untuk mendapatkan nilai yang lebih dekat penilaian.
Sebuah rute transformasi phased untuk SMAS
Tahap II akan melengkapi diagnosa adegan, persiapan sampel dan PoC; fase II akan menghubungkan kemampuan yang telah terbukti kepada pengguna dan sistem yang ada, melengkapi hak istimewa, log, anomali dan pelatihan; fase III akan mengamati data selama empat sampai delapan minggu untuk mengoptimalkan pengetahuan, tips, aturan dan proses; dan nilai akan divalidasi dan direplikasi ke adegan berdekatan.
Setidaknya materi penerimaan dan inspeksi termasuk proses bisnis, batas-batas adegan, penilaian dan penilaian, laporan dampak, kode sumber atau konfigurasi, antar muka, otoritas, operasi dan indikator operasi. Hal ini memungkinkan perusahaan untuk mempertahankan pengetahuan, data dan aset metodologis bahkan jika model atau pemasok berubah.
- Buat cincin tertutup yang nyata, bukan membangun pusat kosong AI.
- Menahan kepala operasi yang bertanggung jawab atas indikator dan operasi
- Terkait terus menerus dengan penilaian tetap dan pengukuran data
Bagaimana untuk mulai membaca kesimpulan dari kecil dan medium berukuran Enterprise AI Transport ke proyek masukan
Masalah yang paling mungkin setelah membaca artikel metodologi adalah penerimaan prinsip, yang tidak diterjemahkan ke langkah berikutnya. Diusulkan bahwa kepala operasi mengorganisir 60-90 menit minimal-lokakarya, memilih hanya satu proses nyata dan tidak bergegas untuk membahas platform penuh.
Langkah 1: Pembangunan status saat ini dan baseline contoh
Prinsip pertama dalam istilah "Small and Medium Enterprises AI Transport: Masalah bisnis sebelum model" menggambar normal, tidak biasa, dan tidak biasa, merekam pengolahan bulanan, menunggu waktu, waktu yang sebenarnya, angka pemrosesan, titik kontak manual, konsekuensi kesalahan dan alat-alat saat. Jika data tidak cukup, mungkin untuk merekam periode satu sampai dua minggu, tetapi dengan referensi siklus sampel dan fluktuasi operasional. Jangan mengatur rasio pertama yang baik, dan sebaliknya.
Langkah 2: klarifikasi penutupan awal dan inaksi
Tahap pertama dirancang untuk memungkinkan rantai untuk dijalankan dan dilacak, daripada kembali - pilih set pertama skenario AI, masukkan, proses, ekspor, gunakan peran dan kondisi selesai.
Langkah 3: Cocokkan hasil teknis untuk rekayasa bukti
Menetapkan hubungan pelacakan antara nomor permintaan, nomor sampel, hasil tes dan versi sekitar "poC harus memverifikasi indikator mana". Proyek AI juga menjaga penilaian versionasi koleksi, tips atau proses konfigurasi, model dan sumber pengetahuan, catatan koreksi manual, dan kepercayaan rendah, melampaui dan gagal kembali pengujian.
Langkah 4: Menerima, inspeksi dan disking dengan kaliber yang sama
Dengan asumsi bahwa proses asli menangani 600 tugas per bulan, rata-rata 20 menit dan tingkat pengembalian 10 persen, target dapat dinyatakan sebagai berikut: "Setelah enam minggu di baris, rata-rata waktu-mengkonsumsi tingkat berkurang sebesar 25 persen, mengingat kompleksitas relatif dari tugas, dan tingkat tidak lebih tinggi dari baseline asli" ini diatur hanya menunjukkan metode pengukuran, dan tidak mewakili hasil setiap klien; indikator formal harus diidentifikasi oleh perusahaan sendiri.
- Material operasional: flowchart, peran, misi sampel, isu saat ini dan data baseline
- Material teknis: inventaris sistem, antar muka, akses data, lingkungan penyebaran dan persyaratan keamanan
- Material projek: lingkup fase pertama, pengecualian, matriks kewajiban, tonggak dan mekanisme perubahan
- Menerima dan memeriksa bahan: uji set, catatan eksekusi, daftar kekurangan, petunjuk dan dokumen-dokumen handover
Ketika bahan-bahan ini diidentifikasi bersama-sama oleh kedua pihak operasional dan teknis, metode dalam artikel sebenarnya dimasukkan ke dalam proyek. Jika data kunci, otorisasi antar muka atau orang yang bertanggung jawab tidak berada di tempat, langkah selanjutnya logis biasanya adalah diagnosis terbatas atau PoC, daripada komitmen langsung untuk menyelesaikan jangka waktu kerja dan harga total.
Implikasi metodologi untuk aksi projek
- Perusahaan kecil dan menengah AI Transportasi dimulai dengan frekuensi tinggi, dapat disesuaikan, manual-kering misi
- PoC menggunakan sampel nyata tetap, menilai efek, biaya dan risiko
- Phased entry into production and continuous replikasi rate, manual interventions and operational indentators
Layanan Relevan, program, dan keputusan membuat panduan
Penyelesaian transformasi AI dan layanan Enterprise AI
Lihat pengetahuan, layanan pelanggan, Agen, dokumentasi, data dan kemampuan penyebaran pribadi
Lihat rincianLayanan FDEImplikasi FDEETZXERP
Meningkatkan operasi melalui diagnosa bisnis, tugas nyata PoC dan integrasi produksi
Lihat rincianSolutionsEnterprise AI Transport dan Smart Upgrade
Memahami seluruh adegan, data, model, sistem dan pemerintahan
Lihat rincianMelanjutkan untuk mendamaikan masalah umum dalam keputusan projek-membuat
Bagaimana FDE bisa berbeda dengan pengembangan perangkat lunak AI yang umum?
FDE menekankan kerja keras insinyur dalam-dalam, bekerja dengan pengguna, data, model dan sistem yang ada untuk memajukan aplikasi. Pembangunan AI normal biasanya dimulai dengan persyaratan fungsional yang lebih jelas, fokus pada aplikasi dan antarmuka. FDE lebih cocok untuk proyek yang perlu diidentifikasi, diberikan kembali atau didorong ke seluruh sektor.
Lihat jawaban lengkapPemasapan, kutipan, dan penerimaan AIHaruskah aplikasi yang dikembangkan pertama menjadi PoC atau implementasi langsung dari sistem formal?
Ketika efek model, kualitas data atau kondisi sistem belum divalidasi, kisaran terbatas PoC harus dilakukan; jika jenis kemampuan yang sama divalidasi pada sampel yang nyata, jangkauan, standar antar-muka dan penerimaan stabil dan dapat diintegrasikan secara langsung ke proses produksi. PoC bukan sistem formal yang kurang cocok, tapi lebih tepatnya jawaban untuk kunci ketidakpastian.
Lihat jawaban lengkapperusahaan AI Efektivitas, Keselamatan dan Lanjutkan OperasiBagaimana AI proyek mengembangkan penerimaan dan indikator inspeksi?
Proyek AI tidak dapat menerima dan menerima "tampak baik" atau berkomitmen untuk akurasi 100% dari data. Indikatornya harus mencakup kedua hasil bisnis, efek model, kinerja sistem, hak akses keamanan dan batas-pundi-pundi-pundi tes harus diturunkan dari operasi nyata dan terstruktur menurut kesulitan dan risiko.
Lihat jawaban lengkapEnterprise AI Transport Organization and ImplementasiHaruskah departemen bisnis atau IT bertanggung jawab untuk transfer perusahaan AI?
Perbaikan lingkungan AI transportasi membutuhkan operasional dan tanggung jawab IT, tetapi dengan tanggung jawab yang berbeda. isu definisi bisnis, pengetahuan, sampel nyata dan hasil akhir, dan IT atau tim teknis bertanggung jawab untuk antarmuka data, hak identitas, arsitektur, keamanan, penyebaran dan transportasi. Manajemen bertanggung jawab untuk pengaturan prioritas, anggaran dan persimpangan - sectoral decisions - membuat.
Lihat jawaban lengkapPerlu analisis lebih lanjut dalam konteks negara saat ini perusahaan?
Kami memberikan saran teknis IT, konstruksi informasi perusahaan, Software Project Outlook, desain produk, pengiriman R & D dan layanan pengiriman sistem.