چگونه از کالایی سازی هوش مصنوعی اجتناب کنیم: 3 تاکتیک برای اجرای برنامه های آزمایشی موفق

با افزایش از مدل‌های AI منبع باز، کالایی شدن این فناوری پیشگامانه در راه است. به راحتی می توان در دام هدف قرار دادن یک مدل جدید منتشر شده به سمت یک جمعیت فنی مطلوب گرفتار شد و امیدوار بود که آن را بگیرد.

ایجاد یک خندق زمانی که مدل‌های زیادی به راحتی در دسترس هستند، معضلی را برای استارت‌آپ‌های هوش مصنوعی در مراحل اولیه ایجاد می‌کند، اما استفاده از روابط عمیق با مشتریان در دامنه شما یک تاکتیک ساده و در عین حال مؤثر است.

خندق واقعی ترکیبی از مدل‌های هوش مصنوعی است که بر اساس داده‌های اختصاصی آموزش دیده‌اند، و همچنین درک عمیقی از نحوه انجام وظایف روزانه یک متخصص برای حل مشکلات گردش کار ظریف.

در صنایع بسیار تنظیم شده که نتایج آن پیامدهای دنیای واقعی دارند، ذخیره سازی داده ها باید از نوار بالایی از بررسی های انطباق عبور کند. به طور معمول، مشتریان شرکت‌هایی را که سوابق قبلی دارند را به استارت‌آپ‌ها ترجیح می‌دهند، که صنعت مجموعه داده‌های پراکنده را ارتقا می‌دهد که در آن هیچ بازیکنی به همه داده‌ها دسترسی ندارد. امروز، ما یک واقعیت چند وجهی داریم که در آن بازیکنان با هر اندازه مجموعه داده‌ها را در پشت سرورهای دیواری بسیار سازگار نگهداری می‌کنند.

این فرصتی را برای استارت آپ هایی با روابط موجود ایجاد می کند تا به مشتریان بالقوه ای نزدیک شوند که معمولاً فناوری خود را برون سپاری می کنند تا یک آزمایش آزمایشی با نرم افزار خود راه اندازی کنند تا مشکلات خاص مشتری را حل کنند. این روابط می تواند از طریق بنیانگذاران، سرمایه گذاران، مشاوران یا حتی شبکه های حرفه ای قبلی ایجاد شود.

خندق واقعی ترکیبی از مدل‌های هوش مصنوعی است که بر اساس داده‌های اختصاصی آموزش دیده‌اند، و همچنین درک عمیقی از نحوه انجام وظایف روزانه یک متخصص برای حل مشکلات گردش کار ظریف.

نشان دادن اعتبار مماس به مشتریان راهی مؤثر برای ایجاد اعتماد است: شاخص‌های مثبت شامل اعضای تیم از دانشگاهی است که به متخصصان هوش مصنوعی معروف است، یک نسخه آزمایشی قوی که در آن نمونه اولیه به مشتریان احتمالی امکان می‌دهد تا نتایج را تجسم کنند، یا تجزیه و تحلیل مورد تجاری واضح از نحوه کمک راه‌حل شما. پس انداز می کنند یا پول در می آورند.

یکی از اشتباهاتی که بنیانگذاران معمولا در این مرحله مرتکب می شوند این است که فرض می کنند ساخت مدل های داده های مشتری برای تناسب محصول با بازار و تمایز کافی است. در واقعیت، یافتن PMF بسیار پیچیده‌تر است: فقط پرتاب کردن هوش مصنوعی در یک مشکل، مشکلاتی در مورد دقت و پذیرش مشتری ایجاد می‌کند.

پاک کردن نوار بالای افزایش متخصصان با تجربه در صنایع بسیار تحت نظارت که دانش پیچیده ای از تغییرات روزانه دارند، معمولاً کار دشواری است. حتی مدل‌های هوش مصنوعی که به‌خوبی بر روی داده‌ها آموزش داده شده‌اند، می‌توانند از دقت و تفاوت‌های ظریف دانش حوزه تخصصی یا حتی مهم‌تر از آن، هیچ ارتباطی با واقعیت نداشته باشند.

یک سیستم تشخیص خطر که بر اساس یک دهه داده آموزش دیده است، ممکن است هیچ ایده ای در مورد گفتگوهای متخصص صنعت یا اخبار اخیر نداشته باشد که می تواند ویجت “خطرناک” را که قبلاً در نظر گرفته شده بود کاملاً بی ضرر کند. مثال دیگر می تواند یک دستیار کد نویسی باشد که تکمیل کد نسخه قبلی یک فریم ورک فرانت اند را پیشنهاد می کند که به طور جداگانه از انتشار ویژگی های شکستن فرکانس بالا بهره مند شده است.

در این نوع شرایط، بهتر است استارت آپ ها حتی با پایلوت، بر الگوی راه اندازی و تکرار تکیه کنند.

سه تاکتیک کلیدی در مدیریت خلبانان وجود دارد: