Почему искусственный интеллект, работающий в лаборатории, часто терпит неудачу в производстве — и что на самом деле помогает это исправить

Лиз Боше, Capital One

Представлено компанией Capital One.

Предприятиям сложно не столько экспериментировать с ИИ, сколько заставить его работать в реальном мире. Переход от многообещающих прототипов к надежным системам промышленного масштаба — вот где большинство усилий заходит в тупик.

В своей работе в организации Capital One, занимающейся разработкой основ искусственного интеллекта, я на собственном опыте убедился, что успешное внедрение ИИ — это не просто использование новейших моделей или инструментов. Для этого необходим дисциплинированный подход к исследованиям и разработкам, который связывает фундаментальные исследования с реальными системами и обеспечивает подотчетность идей на всех этапах их перехода от концепции к производству.

Это сложнее, чем кажется. Возможности ИИ быстро развиваются, но корпоративные среды могут быть сложными, фрагментированными и сопряженными с рисками. Вопрос не только в том, что возможно, но и в том, что действительно работает — для конкретного рабочего процесса, пользователя или решения — с учетом современных технологий и ограничений.

Далее показано, как организации могут превратить амбиции в области ИИ в реальную практику благодаря более целенаправленному подходу к исследованиям, оценке и внедрению.

Соединение фундаментальных и прикладных исследований

Для создания действительно эффективных решений на основе ИИ необходимо сократить разрыв между передовыми исследованиями и практическими, реальными сценариями применения. Когда исследования существуют в академическом вакууме, оторванные от операционной реальности, модели, которые могут хорошо работать в автономном режиме, часто оказываются неэффективными при работе с реальными требованиями к задержке и сложностью данных, обрабатываемых в режиме реального времени. Без тесной обратной связи легко упустить из виду то, что действительно важно для конечного пользователя.

Наши команды по разработке ИИ целенаправленно охватывают весь спектр задач — от фундаментальных исследований до решения прикладных проблем, устраняя эти проблемные моменты до того, как они затормозят проект. Эта интегрированная модель объединяет исследования и практическое применение под одной крышей, создавая пространство для изучения базовых технологий, оставаясь при этом в рамках реальных потребностей бизнеса и сотрудников. Когда фундаментальные исследования и прикладные разработки объединены на этапе проектирования, вы можете ускорить обучение, избежать тупиковых ситуаций и учесть реальные ограничения на ранних стадиях.

В Capital One такой подход помог нам решить задачи, имеющие ключевое значение для финансовых услуг, включая улучшение обнаружения мошенничества, повышение качества обслуживания пользователей в цифровом формате и совершенствование клиентоориентированных технологий с использованием собственных решений на основе искусственного интеллекта.

Например, наши исследования по объединению многоагентных архитектур выходят за рамки простого логического мышления на уровне LLM; они направлены на то, чтобы позволить специализированным агентам ИИ координировать выполнение различных задач, таких как одновременное изучение контекста клиента и подготовка документации. Эти исследования легли в основу запуска Chat Concierge, решения для покупки автомобилей, которое имитирует человеческое мышление, не просто предоставляя информацию, но и предпринимая действия от имени клиентов на основе их запросов. Мы также внедряем передовые решения в области обслуживания агентов, персонализации ИИ и многого другого. Привязывая исследования к конкретным задачам, мы можем ускорить внедрение передовых технологий, которые действительно масштабируются в реальном мире.

Переход от концепции к внедрению ИИ в производство.

Не каждая идея в области ИИ должна сразу переходить к производству. Тщательная оценка, начиная с подтверждения концепции и заканчивая пилотным проектом и производством, необходима для определения того, что действительно стоит масштабировать, но только если эти этапы рассматриваются как честные препятствия. К числу таких этапов относятся:

Концепция должна быть функциональной, а не просто теоретической. Это не должна быть презентация в стиле «вот что мы могли бы сделать». Это должна быть машина, которая действительно делает что-то измеримое. Даже на этом этапе необходим объективный сигнал, подтверждающий целесообразность продолжения работы.

Отрицательный результат пилотного проекта — это не провал. Если пилотные проекты по определению всегда «добиваются успеха», то они не являются точками принятия решений — это всего лишь замедленное продвижение к производству. Пилотный проект должен расширять масштаб и реализм, предоставляя ценные данные о том, действительно ли решение помогает человеку выполнять реальную работу.

Производство — это командная работа. Решение основной модели или алгоритмической задачи — лишь часть работы. Переход к производству требует междисциплинарного взаимодействия, включающего разработку программного обеспечения, научные исследования, разработку продуктов и дизайн, техническое управление проектами, операционную деятельность и другие дисциплины в рамках всего предприятия. Технический прорыв необходим, но это не конец работы.

На протяжении всего этого пути измерение является важным фактором. В Capital One конечная окупаемость инвестиций — это довольный клиент, поэтому мы фокусируемся на ряде ключевых показателей производительности ИИ, таких как точность, задержка и другие, чтобы гарантировать, что мы отвечаем потребностям наших клиентов. Если вы не можете определить, улучшаетесь ли вы, то вы и не улучшитесь. Приоритет точности над внешним видом — это то, что обеспечивает непрерывное совершенствование и прогресс.

Обеспечение непрерывного обучения и ответственных инноваций

Устойчивые инновации в области ИИ зависят как от культуры, так и от технологий. Поскольку исследования предполагают изучение неизвестного, неопределенность является нормой. Здоровая культура признает эту реальность и создает пространство для обоснованного принятия рисков в сочетании с ответственностью.

Организации должны поощрять корректировку курса. Если признание того, что «это не работает», воспринимается как катастрофа, команды научатся скрывать проблемы, а не решать их. Но если команды поощряются к честной оценке, изменению курса при необходимости и извлечению уроков из неудачных попыток, то организация сможет двигаться быстрее и безопаснее одновременно. Это означает, что пилотные проекты следует рассматривать как реальные точки принятия решений — останавливать, перестраивать или сужать усилия на основе данных, а не продвигать их вперед по умолчанию. В Capital One мы даем командам возможность пробовать амбициозные проекты, быстро учиться и создавать экосистему, которая работает на то, чтобы ИИ был полезным, надежным и безопасным.

Заключительные мысли

Создание эффективного ИИ — это не погоня за каждым новым прорывом. Это вдумчивое воплощение идей из исследований в реальность посредством оценки, сотрудничества и культуры, которая поощряет обучение.

По мере дальнейшего развития ИИ руководителям следует инвестировать не только в инструменты, но и в процессы исследований и разработок, а также в культурные основы, позволяющие ответственно масштабировать инновации. Соединяя исследования и практическое применение, уделяя приоритетное внимание непрерывной оценке и измерению, а также создавая среду, в которой команды могут учиться и адаптироваться, вы даете ИИ наилучшие шансы оказать долгосрочное влияние в масштабах предприятия, в реальном мире.

Лиз Боше — вице-президент по развитию проектов в области искусственного интеллекта в компании Capital One.

Спонсорские статьи — это контент, созданный компанией, которая либо оплачивает публикацию, либо имеет деловые отношения с VentureBeat, и они всегда четко обозначены. Для получения дополнительной информации обращайтесь по адресу sales@venturebeat.com .

Источник: venturebeat.com