Մինչև ML նախագծում ներդրում անելը. դեպքի ուսումնասիրություն
Հետաքրքի՞ր է, թե ինչ արժեք կարող է տալ ճիշտ անցկացված ML աշխատաժողովը և ինչպես է այն ուղիղ տանում դեպի ավելի խելամիտ ներդրումային որոշումներ։ Այս հոդվածը ձեզ կառաջնորդի իրական կյանքի ամբողջական օրինակով։
Ավելի ու ավելի շատ ընկերություններ սկսում են նայել մեքենայական ուսուցմանը՝ իրենց գործընթացներն ավելի շատ ավտոմատացնելու, օգտատիրոջ փորձը բարելավելու կամ պարզապես մրցակիցներից հետ չմնալու համար։ Գաղափար է հայտնվում՝ երբեմն կոնֆերանսից, տեխնիկական թիմի հետ զրույցից կամ շուկայի ազդանշանից հարուցված, թե «մյուսներն արդեն ունեն ինչ-որ բան AI-ով, իսկ մենք դեռ ոչ»։
Այդ ժամանակ շատերը գայթակղվում են ուղիղ անցնել իրականացմանը. թիմ վարձել, գործիք ընտրել, ինչ-որ բան մարզել՝ պարզապես «տեսնելու համար, թե ինչ կստացվի»։ Տարիներ շարունակ մեքենայական ուսուցման նախագծերով զբաղվելով՝ ես սա համարում եմ հիասթափության և վատնված բյուջեի ուղիղ ճանապարհ։
Մեքենայական ուսուցումը plug-and-play տեխնոլոգիա չէ։ Թե որքան լավ է այն աշխատում, կախված է ոչ միայն մոդելից, այլ ողջ միջավայրից՝ տվյալներից, գործընթացներից, ինտեգրացիաներից և, ամենից առաջ, ճիշտ սահմանված խնդրից։ Այդ իսկ պատճառով մեքենայական ուսուցման աշխատաժողովը ձևականություն չէ, այլ նախագծի վճռորոշ փուլ։
Աշխատաժողովն այն վայրն է, որտեղ սպասումները բախվում են իրականությանը.
- Գաղափարը ստուգում ենք ընկերության ունեցած (կամ չունեցած) իրական պատմական տվյալների հետ
- Հաստատում ենք՝ իմաստ ունի՞ ընկերության լուծել ուզած խնդիրը ML-ի տեսանկյունից
- Որոշում ենք, թե ինչպես կչափվի հաջողությունը՝ և՛ տեխնիկապես, և՛ բիզնեսի տերմիններով
- Առաջարկում ենք նախագծի նպատակին հասնելու այլ ուղիներ և մոտավոր բյուջե՝ երբեմն ավելի պարզ, էժան կամ ավելի մասշտաբելի
- Սահմանում ենք ծավալը, ժամկետները և ծախսերը – որպեսզի կարողանաք գնահատել ROI-ն և ստուգել՝ նախագիծը տեղավորվում է արդյոք ձեր բյուջեում
Այս գրառումը նկարագրում է, թե ինչպես ենք մենք անցկացրել հատուկ մշակված մեքենայական ուսուցման աշխատաժողով հաճախորդի համար, որը հաշվապահ մասնագետների համար մշակում է տվյալների արդյունահանման հարթակ։
Առաջին մասը ներկայացնում է հաճախորդի բիզնես համատեքստը. ովքեր են նրանք, ինչ խնդիր էին ուզում լուծել և ինչու դիմեցին մեզ։ Դրանից հետո բացատրում եմ, թե ինչպես ենք պլանավորել և նախապատրաստել աշխատաժողովը՝ կաղապարի նախագծումից մինչև իրատեսական ժամանակացույցի կազմումը։
Հաջորդիվ ցույց ենք տալիս, թե ինչպես անցավ աշխատաժողովը գործնականում. որ տվյալներին նայեցինք, ինչ տեխնիկական և բիզնես սահմանափակումներ ի հայտ եկան և ինչ իմացանք օգտատերերի ու հարթակի մասին։ Վերջում նկարագրում ենք, թե ինչպես այս ամենը ձևավորեց վերջնական առաջարկը՝ ներառյալ ծախսերի գնահատականները, հաջողության չափանիշները և ներդրման համար պատրաստ ճանապարհային քարտեզը։
Հետաքրքի՞ր է, թե ինչ արժեք կարող է տալ ճիշտ անցկացված ML աշխատաժողովը և ինչպես է այն ուղիղ տանում դեպի ավելի խելամիտ ներդրումային որոշումներ։ Այս հոդվածը ձեզ կառաջնորդի իրական կյանքի ամբողջական օրինակով։
Սա երկար ընթերցանություն է, ուստի սուրճ պատրաստեք և հատկացրեք մոտ 15 րոպե։ Դա փոքր ներդրում է, բայց լիովին արժե։
Բիզնես համատեքստ. հաճախորդ, կարիք, տեխնոլոգիա
Հաճախորդը
Մեզ դիմեց հաշվապահ մասնագետների համար հարթակ կառուցող ընկերություն։ Հարթակի հիմնական արժեքը հաշիվ-ապրանքագրերից տվյալների արդյունահանման և դրանք ERP համակարգեր կամ ֆինանսների կառավարման հարթակներ փոխանցելու ավտոմատացումն է։
Ինչպե՞ս գտան մեզ
Առաջին կապը եղավ մեր մշակողների թիմերից մեկի միջոցով, որը մի քանի ամիս աշխատել էր հարթակի backend-ի վրա։ Նրանց աշխատանքը գնահատվեց, ինչը հանգեցրեց ավելի մեծ թիմի և ավելի լայն պատասխանատվության։ Համագործակցությունից գոհ հաճախորդը որոշեց օգտվել արհեստական բանականության մեր փորձառությունից՝ իրագործելիությունը և հնարավոր ROI-ն գնահատելու համար։
Լուծման ենթակա խնդիրը
Հաճախորդն ուներ մեքենայական ուսուցում կիրառելու բազմաթիվ գաղափարներ, բայց երբեք չէր սկսել այս ոլորտի որևէ նախաձեռնություն։ Ամենահրատապ խնդիրը, որ նրանք նշեցին, հաշիվ-ապրանքագրերից տվյալների արդյունահանումն էր։ Գոյություն ունեցող legacy AI համակարգը մշակում է փաստաթղթեր միայն մեկ լեզվով, մինչդեռ բազմալեզու աջակցություն ավելացնելը բիզնեսի առանցքային պահանջ է։
Կիսակառուցվածքային փաստաթղթերից տվյալներ արդյունահանող համակարգի օրինակ։ Աղբյուր՝ Microsoft։
Legacy համակարգը դժվար է պահպանել, և նույնիսկ փոքր բարելավումները զգալի ջանք են պահանջում։ Նպատակը այն փոխարինելն է ժամանակակից մեքենայական ուսուցման տեխնոլոգիայի վրա կառուցված նոր լուծմամբ։
Մեքենայական ուսուցման ինժեների համար սա տեսողականորեն հարուստ փաստաթղթերից առանցքային տեղեկատվության արդյունահանման դասական դեպք է։ Երկու տարի առաջ ես աշխատել էի նման նախագծի վրա մեկ այլ հաճախորդի համար, ուստի արդեն ծանոթ էի իրավիճակին և դրա սահմանափակումներին։
Ինչպե՞ս պատրաստվեցինք այս ML աշխատաժողովին
Հարցեր
Աշխատաժողովից առաջ ես հաճախորդի համար հարցերի ցանկ կազմեցի։ Դրանք մշակված էին այնպես, որ բոլորին պատասխանելը կանդրադառնար աշխատաժողովի նպատակների մոտ 50%-ին։ Սակայն իրատեսորեն, հաճախորդների մեծ մասը չի կարող նախապես լիարժեք պատասխաններ տալ, և դա նորմալ է։ Ցանկը նախատեսված էր մեր հանդիպումից առաջ ներքին քննարկում և մտորում հարուցելու համար։
Տվյալների ներկայացում
Ես խնդրեցի հաճախորդին պատրաստել մի քանի ներկայացուցչական նմուշ՝ ցույց տալու այն խնդիրը, որը ցանկանում էինք լուծել։ Սա սովորաբար աշխատաժողովի ամենահետաքրքիր մասն է և այն, որը տալիս է ամենաշատ պատկերացում, իսկ հաճախ նաև ամենաերկարը տևողն է։
Առանցքային շահառուներ
Վերջապես, ես առաջարկեցի, թե հաճախորդի կողմից որ մարդկանց կարիք կունենամ աշխատաժողովն անցկացնելու համար։ Առաջին հերթին՝ նախագծի առանցքային շահառու՝ որոշումներ կայացնելու լիազորությամբ, որը բիզնեսի տեսանկյունից հասկանում է արհեստական բանականության սահմանափակումներն ու այն ներդնելու պատճառները։
Նույնքան կարևոր է մեկը, ով ճանաչում է հարթակն իր ներկայիս տեսքով և հասկանում է, թե ինչպես են տվյալները շարժվում համակարգում, ինչ է կատարվում դրանց հետ, և ինչ է մտնում ու դուրս գալիս համակարգից։ Եվ վերջապես, մեկը, ով հասկանում է, թե ինչպես է աշխատում փաստաթղթերի մշակման legacy համակարգը։
Ինչպե՞ս պատրաստվել մեքենայական ուսուցման աշխատաժողովին
Եթե մտադիր եք աշխատել արտաքին ML թիմի հետ, աշխատաժողովից ստացածը մեծապես կախված կլինի նրանից, թե որքան լավ եք պատրաստվել։ Ահա չորս առանցքային ոլորտ, որոնց արժե անդրադառնալ նախապես.
1. Սահմանեք ձեր բյուջեն և ծախսերի սպասումները
AI նախագծերին հստակ ֆինանսական սահմաններ են պետք՝ ընդգրկելով և՛ սկզբնական ներդրումը, և՛ երկարաժամկետ շահագործման ծախսերը։
- Ի՞նչ բյուջե ունեք նախատիպի կամ MVP-ի համար։
- Շահագործման ի՞նչ ծախսերի (OPEX) մակարդակ կարող եք պահպանել, երբ համակարգը աշխատի production-ում։
Սա հստակ ունենալը կենսականորեն կարևոր է ճիշտ ճարտարապետություն ընտրելու համար՝ լինի SaaS, կառավարվող սերվիս, թե սեփական ներքին լուծում։
Եղեք իրատես. արհեստական բանականությունը թանկ է։ Սեփական ML լուծումները ենթակառուցվածքի, ինժեներական աշխատանքի և սպասարկման ծախսեր են պարունակում, որոնք կարող են արագ աճել։ Առանց հստակ բիզնես հիմնավորման ներդրումը իրեն չի փոխհատուցի։
AI-ը պետք է ներդրվի, որովհետև այն լուծում է իրական խնդիր, և ոչ այն պատճառով, որ նորաձև է։
Սկսեք ստուգելով.
- Ի՞նչ կոնկրետ ազդեցություն կունենա այն բիզնեսի վրա։
- Ծախսերի կամ ժամանակի ի՞նչ խնայողություն եք սպասում։
- Վերացնո՞ւմ է արդյոք այն խցանում, հնարավոր դարձնո՞ւմ է մասշտաբավորումը կամ բացո՞ւմ է նոր հնարավորություններ։
Երբ այս պատասխանները ունեք, ռեսուրսների բաշխումն այլևս կռահում չէ. այն վերածվում է ROI-ի պլանավորման։
2. Սահմանեք, թե ինչ է ձեզ համար նշանակում «լավ արդյունավետություն»
Մեքենայական ուսուցումը երբեք 100% ճշգրիտ չէ։ Ուրեմն ի՞նչ ճշգրտությունն է բավարար ձեր արտադրանքի համար։
- 99% precision-ը պարտադի՞ր է, թե՞ 80–85%-ը ընդունելի կլինի։
- Որքա՞ն թանկ է մոդելի սխալը ձեր բիզնեսի համատեքստում։
- Ո՞րն է ավելի ցավոտ՝ false positive-ները, թե՞ false negative-ները։
Արդյունավետության հստակ սպասումները օգնում են տեխնիկական լուծումները համապատասխանեցնել բիզնեսի առաջնահերթություններին, մասնավորապես այնտեղ, որտեղ առկա են փոխզիջումներ (օրինակ՝ ծախսի, արագության և ճշգրտության միջև)։ Սա քայլ է դեպի ռիսկերի կառավարման պլանավորում։
3. Բացահայտեք տեխնիկական և բիզնես սահմանափակումները
Որոշ սահմանափակումներ կարող են վերացնել լուծումների ամբողջ կատեգորիաներ, ուստի կարևոր է դրանք վաղ քննարկել։
- Պե՞տք են պատասխաններ իրական ժամանակում։
- Աշխատո՞ւմ եք բազմալեզու միջավայրում (օրինակ՝ Եվրոպա, Ասիա) և աջակցություն պե՞տք է անգլերենից բացի այլ լեզուների համար։
- Կիրառվո՞ւմ են արդյոք կարգավորիչ կամ անվտանգության պահանջներ (օրինակ՝ on-premise տեղակայում, GDPR, ISO)։
Այս սահմանափակումների մասին սկզբից բաց խոսելը օգնում է ML թիմին կենտրոնանալ նախագծման ճիշտ տիրույթի վրա։
4. Պատրաստեք ձեր արտադրանքի համատեքստը և նմուշային տվյալները
Աշխատաժողովը գործնական դարձնելու համար պատրաստեք պարզ դեմո կամ ցուցադրություն, որը ցույց է տալիս, թե ինչպես է աշխատում ձեր հարթակը։
- Որտե՞ղ է ML մոդելը տեղավորվելու ձեր արտադրանքի աշխատանքային հոսքում։
- Իրական աշխարհի տվյալների, օգտատիրոջ գործողությունների կամ որոշումների ո՞ր օրինակները կշահեին ML-ից։
Նմուշային տվյալների կետերը (անհրաժեշտության դեպքում՝ անանուն դարձրած) կիսելը և արտադրանքը համատեքստում ներկայացնելը օգնում է բացահայտել եզրային դեպքերը, ինտեգրացիայի սահմանափակումները և օգտատիրոջ փորձի այն կողմերը, որոնք ազդում են լուծման նախագծման վրա։
Նախագծի շրջանակների սահմանում. հում տվյալներից մինչև տվյալներով առաջնորդվող որոշումներ
Աշխատաժողովը՝ որպես նախագծի պլանավորման փուլի մաս, տեղի ունեցավ հաճախորդի գրասենյակում։ Հենց որ հասանք, անցանք գործի։
1. Մեկնարկ
Ես սկսեցի ակնարկով այն մասին, թե ինչպես են ML նախագծերը տարբերվում սովորական IT նախաձեռնություններից։ Նկարագրեցի, թե ինչն է դրանք առանձնացնում, ինչին պետք է ուշադրություն դարձնել իրականացումից առաջ և ընթացքում և ինչպես է աշխատում մեր մեթոդաբանությունը՝ աշխատաժողովից մինչև ներդրում։ Ապա թիմին ներկայացրի, թե սովորաբար ինչպես են ընթանում մեր համագործակցությունները։
2. Նմուշային տվյալներ
Ներածությունից հետո անցանք տվյալների վերլուծությանը։ Հաճախորդի թիմը ներկայացրեց նմուշային փաստաթղթեր և բացատրեց, թե ինչն է չաշխատում և ինչ են սպասում մեքենայական ուսուցման մոդելից։ Մտքումս ես արդեն նկատում էի թաքնված օրինաչափություններ և եզրային դեպքեր, որ տեսել էի համանման նախագծերում՝ այն նուրբ մանրամասները, որոնք հեշտ է բաց թողնել, բայց որոնք կարող են որոշել, թե մեքենայական ուսուցման համակարգը կհաջողվի, թե ոչ։ Հարց ու պատասխանի ընթացքում ես հավաքեցի լրացուցիչ պահանջներ և գրանցեցի դրանք Miro տախտակի վրա՝ հետագայում համադրելու համար։
3. Տվյալների ծավալ
Աշխատաժողովում քննարկեցինք, թե ինչպես են տվյալները շարժվում համակարգով. քանի փաստաթուղթ է մշակվում, ինչպես և որտեղ են պահվում սկզբնական տվյալները, և ով է դրանք կառավարում ու պահպանում։ Մենք նաև պարզեցինք, թե որտեղ են տվյալները հասանելի, որ թիմերին կամ դերերին են պատկանում, և ինչ է դա նշանակում մեքենայական ուսուցման լուծումը մարզելու, մոնիթորինգի և պահպանման համար։ Այս քննարկումները առանցքային էին ինտեգրման կետերը, հնարավոր խցանումները և տվյալների կառավարման պահանջները որոշելու համար։
Տվյալների ամսական ծավալը զգալի էր՝ մի քանի միլիոն նոր փաստաթուղթ, շատ ավելին, քան պետք է ամուր մեքենայական ուսուցման մոդելը ճշգրտելու համար։ Տվյալները գտնվում են հաճախորդի ամպային միջավայրում և լիովին հասանելի են, ուստի չենք սպասում որևէ խնդրի՝ դրանք մարզման, գնահատման կամ ինտեգրացիայի համար արտահանելիս։
4. Հարթակի բացահայտումներ
Մուտքային տվյալների մասին պատկերացում կազմելուց հետո անցանք հարթակին։ Հենց այնտեղ բացահայտեցինք մի վճռորոշ բան. հաճախորդն արդեն ուներ որակի վերահսկման մեխանիզմ, որում օգտատերերը ստուգում և ուղղում են մոդելի կանխատեսումները։ Այս օգտատերերը՝ հաշվապահները, խիստ շահագրգռված են տվյալների ճշգրտությամբ, քանի որ նրանց աշխատանքը (և պատասխանատվությունը) հենվում է դրա վրա։
Մեքենայական ուսուցման համար սա կատարյալ է։ Մաքուր, պիտակավորված մարզման տվյալներ ստացվում են ամեն ամիս՝ հաշիվ-ապրանքագրերի կանոնավոր ցիկլերի շնորհիվ, և ուղղումները կատարում են տիրույթի փորձագետները, ովքեր օրենքով պարտավոր են ճշգրիտ լինել։ Կարող էինք վստահ ենթադրել, որ պիտակավորված տվյալները բարձր որակի են։
5. Օգտատերերի մարտահրավերներ
Հարթակի դեմոն հանգեցրեց նաև օգտակար քննարկման այն մասին, թե ինչն է ամենակարևորը օգտատերերի համար և ինչն է նրանց դժգոհեցնում։ Դիտելով, թե ինչպես են նրանք աշխատում, պատկերացում կազմեցինք նրանց ամենօրյա աշխատանքային հոսքի մասին։ Նրանց պատմություններից իմացանք, թե ինչն է դանդաղեցնում նրանց, ինչ են գնահատում և որտեղ ավտոմատացումը դեռ բավականաչափ լավ չէ։
Այս օգտատերերի համար առանցքային չափանիշը մոդելի սխալները ձեռքով ուղղելու վրա ծախսած ժամանակն է։ Տվյալների ավելի լավ արդյունահանումը կրճատում է այդ ձեռքի աշխատանքը և դրանով բարելավում հարթակի UX-ը։ Սա լավ սահմանված նախագծային նպատակ է։
6. Հաջողության չափանիշ
Մոդելի յուրաքանչյուր սխալ նշանակում է լրացուցիչ ձեռքի աշխատանք՝ ակնհայտ, չափելի ցավոտ կետ։ Այդ պատճառով վերացական KPI-եր փնտրելու փոխարեն կենտրոնացանք ուղղակի չափանիշի վրա՝ սխալների քանակը մեկ փաստաթղթի կամ դաշտի դասի հաշվով։ Այն պարզ է, քանակականացվող և ուղղակիորեն կապված բիզնես արդյունքի հետ։
7. Հաճախորդի ներգրավվածություն
Մի քանի անգամ զրույցը ընդլայնվեց դեպի մեքենայական ուսուցման ավելի լայն ռազմավարություն. էլ ինչ էր հաճախորդը հույս ունենում կառուցել և ինչպես էր պատկերացնում մասշտաբավորումը։ Նրանք շատ ներգրավված էին՝ ընդգծելով երկարաժամկետ գործընկերությունը և այն մտադրությունը, որ տարիներ շարունակ ծախսարդյունավետ կերպով կզարգացնեն և կպահպանեն հարթակը։
Նրանք նաև եկել էին դժվար հարցերով, օրինակ՝ LLM-ների նման գործիքներ օգտագործելու առաջարկներով, և սպասում էին, որ մենք քննադատաբար կգնահատենք տարբերակները։ Ես պարտավորվեցի պատրաստել լուծման տարբեր ուղիների համեմատություն՝ ընդգրկելով մշակման ջանքերը, շահագործման ծախսերը, պահպանելիությունը, վերամարզման ռազմավարությունը և մասշտաբելիությունը։ Նրանք նաև խնդրեցին մեր հստակ առաջարկությունը, թե ինչն ավելի կհամապատասխանի իրենց դեպքին։
8. Բիզնես գործընթացի քարտեզագրում
Հետո քարտեզագրեցինք գործընթացը՝ այն պահից, երբ փաստաթուղթը մտնում է համակարգ, մինչև այն պահը, երբ արդյունահանված դաշտերը դուրս են գալիս դրանից։ Այստեղ pipeline-ը բավականին պարզ էր՝ առանձին սերվիս, որի արդյունքից իրական ժամանակում ոչ մի հետագա համակարգ կախված չէ։
9. Ֆունկցիոնալ պահանջներ
Արագ ճաշի ընդմիջումից հետո շարունակեցինք ֆունկցիոնալ և որակի պահանջներով։ Սա սահուն անցավ։ Համաձայնեցինք, որ նոր մոդելը պետք է գերազանցի legacy-ին այժմ աջակցվող լեզվով և բազմալեզու փաստաթղթերի վրա հասնի առնվազն 50% ճշգրտության (միայն եվրոպական լեզուներ)։
Արագությունը նույնպես քննարկվեց. իդեալական դեպքում մոդելը պետք է համապատասխանի ներկա համակարգի latency-ին (մի քանի վայրկյանից պակաս)։ Սակայն մենք մի տարբերակ բաց թողեցինք. եթե ավելի երկար մշակման ժամանակը նկատելիորեն բարելավում է ճշգրտությունը, արժե դա դիտարկել։
10. Հարցերի ցանկ
Նիստն ավարտեցինք՝ անցնելով այն հարցերի ցանկով, որ ես նախապես պատրաստել էի։ Հաճախորդը կատարել էր իր տնային աշխատանքը, ուստի կարողացանք վերջնականացնել առանցքային ենթադրությունները և համաձայնության գալ դրանց շուրջ։ Թեմաների մեծ մասն արդեն առաջ էր եկել աշխատաժողովի ընթացքում. սա վերջին անցումն էր՝ համոզվելու, որ նույն էջում ենք։ Հարցերը վերաբերում էին տվյալների ծավալին և ձևաչափին, որակի սպասումներին և այն բանին, թե ով որ առաջադրանքների համար է պատասխանատու։
11. Ամփոփում
Նիստը փակելու համար ես ամփոփեցի, թե ինչ ենք իրականացրել, ներկայացրի հաջորդ քայլերը և բացատրեցի, թե որքան ժամանակ կպահանջվի ամեն սովորածը մշակելու և առաջարկը վերջնականացնելու համար։
Այդ պահից հաճախորդի մասն ավարտված էր, իսկ մերը նոր էր սկսվում։ Ճիշտ մուտքային տվյալներով՝ պահանջներ, սահմանափակումներ և ինչպես գործընթացի, այնպես էլ հարթակի ամուր ըմբռնում, կարող էինք սկսել իսկապես անհատականացված առաջարկ պատրաստել։
Աշխատաժողովի արդյունքները. ոչ միայն հայեցակարգ
Աշխատաժողովը թույլ տվեց կարճ ժամանակում հավաքել հսկայական քանակությամբ կարևոր տեղեկատվություն՝ ամբողջը անհրաժեշտ ճշգրիտ առաջարկ և նախագծի հաշվետվություն պատրաստելու համար։
Բազմալեզու աջակցություն
Մենք բացահայտեցինք նախագծի մի քանի առանցքային պահանջներ, որոնց մասին նախկինում ոչ ոք չէր հիշատակել, օրինակ՝ բազմալեզու լուծման անհրաժեշտությունը։ Այն գուցե հայտնվեր աշխատաժողովից առաջվա հարցաթերթիկի միջոցով, իհարկե. բայց ի՞նչ կլիներ, եթե այդ հարցը ցանկում չլիներ։ Իրականացման ընթացքում տհաճ անակնկալի կհանդիպեինք։
Հետադարձ կապի մեխանիզմ
Մենք նաև իմացանք, որ հարթակն արդեն ունի հաճախորդի հետադարձ կապի մեխանիզմ՝ մոդելի կանխատեսումները ստուգելու և ուղղելու համար։ Մեր նախնական նախագծի ծավալի առաջարկում սա milestone-ի բաղադրիչներից մեկն էր։ Սա իմանալով՝ կարողացանք անվտանգ կերպով հանել այդ milestone-ը, ինչը զգալիորեն կրճատեց իրականացման ջանքերը և նախագծի ընդհանուր արժեքը։
Տվյալների որակ
Բացի այդ, պարզեցինք, թե ինչպես են համակարգի տվյալները օգտագործվում հաճախորդի բիզնեսում։ Սա հաստատեց մեր ենթադրությունը, որ օգտատերերի կողմից վավերացված տվյալներն արտակարգ բարձր որակի են։ Օգտատերերը պարզապես չեն կարող անփույթ լինել դրանց հանդեպ, քանի որ շատ բան կախված է դրանցից. տվյալների ճշգրտությունն ուղղակիորեն ազդում է նրանց մատակարարածի վրա։
Առանցքային տեղեկատվության արդյունահանման ճիշտ մոտեցման ընտրություն
Աշխատաժողովում մենք դիտարկեցինք հաշիվ-ապրանքագրերից առանցքային տեղեկատվության արդյունահանումը ավտոմատացնելու տարբեր եղանակներ՝ այդ թվում SaaS հարթակներ, առևտրային LLM-ներ և հաճախորդի տվյալների վրա մարզված սեփական մոդելներ։ Այս թեման ռազմավարապես էական է և տեխնիկապես նուրբ, ուստի պահանջում է յուրաքանչյուր մոտեցման առանձին, մանրամասն համեմատություն՝ ծախսի, ռիսկի, պահանջների և բիզնեսին համապատասխանության տեսանկյունից։
Վերջնական առաջարկ. ինչ ստացավ հաճախորդը
1. Կրթություն
Ամենակարևորը՝ մենք հաճախորդին ուղեկցեցինք ML նախագծի պլանավորման միջով, որպեսզի նա հստակ տեսնի, թե ինչպես է աշխատում այդպիսի նախագիծը, ինչպես է տարբերվում տիպիկ IT նախագծերից և որ առանցքային տարրերն են հատուկ ուշադրություն պահանջում։
2. Գաղափարի վալիդացիա
Աշխատաժողովում մենք քննեցինք այն տվյալները, որոնք ներկայացնում են հիմնական խնդիրը, և իմացանք, թե ինչպես պետք է աշխատի թիրախ համակարգը, որքան մարզման տվյալ կա և ինչ այլ սահմանափակումներ կան։ Դրա հիման վրա կարողացանք դատել՝ մեքենայական ուսուցումը կարո՞ղ է լուծել խնդիրը, և ինչպես մոտենալ դրան՝ ձախողման ռիսկը նվազեցնելու և հաճախորդի երկարաժամկետ խնայողությունը առավելագույնի հասցնելու համար։
3. Ծախսերի վերլուծություն
Ներկայացված հաշվետվությունը պարունակում էր լուծման մի քանի տարբերակների խորը վերլուծություն։ Դրա հիմնական արդյունքներից մեկը լուծման տարբեր տարբերակների մշակման ջանքերի և երկարաժամկետ շահագործման ծախսերի հստակ պատկերն է։
Այս տվյալների օգտագործմամբ հաճախորդը կարողացավ գնահատել սեփականության ընդհանուր արժեքը (TCO) և դրանք համադրել սպասվող բիզնես ազդեցության հետ՝ ծախսերի խնայողություն, ավելի արդյունավետ գործընթացներ կամ եկամտի աճ։ Սա նրան տալիս է ամուր հիմք՝ ներդրման ROI-ն հաշվարկելու և փոխհատուցման ժամկետը կանխատեսելու համար։ Որոշումը զգացողության կամ մատակարարների խոստումների վրա հիմնելու փոխարեն հաճախորդը աշխատում է կոնկրետ թվերով, որոնք հարմարեցված են հենց ձեր համատեքստին։
4. Նախագծի պլան
Վերջնական առաջարկը բաղկացած էր նախագծի հինգ փուլից։
- Փուլ 1. Տվյալների վերլուծություն
- Փուլ 2. Մարզման տվյալների անոտացիա
- Փուլ 3. Հիմնական PoC փուլ
- Փուլ 4. Տեղակայում production-ում
- Փուլ 5. Վերամարզման և մոնիթորինգի աշխատանքային հոսքերի ավտոմատացում

Յուրաքանչյուր փուլ նկարագրված էր մանրամասն՝ գնային և տևողության գնահատականներով հանդերձ։ Սա հաճախորդին տվեց ընդհանուր ծախսերի, մատակարարման գնահատված ժամկետների և թիմի ներգրավվածությունը մեծացնելով գործընթացը արագացնելու հնարավորության ամբողջական պատկերը։
Ընդունման չափանիշներ
Նախագծի յուրաքանչյուր փուլի համար հստակ սահմանված էին նախապայմանները՝ ինչ պետք է պատրաստվի կամ մատակարարվի, նախքան փուլը կսկսվի։ Մենք նախանշեցինք իրականացման ուղին, առանցքային milestone-ները և յուրաքանչյուր փուլի ընդունման չափանիշները։ Պատասխանատվությունները և կապի կետերը սահմանված էին երկու կողմերի համար։ Փաստաթղթերը պարունակում էին նաև ժամանակային գնահատականներ և յուրաքանչյուր փուլի համար պահանջվող ինժեներական օրերի սպասվող քանակը։
Ժամանակային գնահատականներ
Առաջարկը ներառում էր մանրամասն տեխնիկական պլան՝ ընդգրկող նախագծի ողջ կյանքի ցիկլը։ Ամբողջական պլանը դասավորված էր ժամանակագրության վրա և պատկերված՝ ցույց տալու համար առաջադրանքների հերթականությունը և այն, թե որ փուլերը կարող են ընթանալ զուգահեռ։
Սա պարզապես առաջարկ չէր։ Դա ներդրման համար պատրաստ նախագծի ճանապարհային քարտեզ էր։
Աշխատաժողովը ծախս չէ, այն ներդրում է
Մեքենայական ուսուցման մասին մտածող շատ ընկերություններ կարող են աշխատաժողովը դիտել որպես «ոչ պարտադիր» քայլ, որը կարելի է բաց թողնել՝ ուղիղ մշակման անցնելու համար։ Սակայն լավ պլանավորված և ճիշտ անցկացված աշխատաժողովը նախագծի հաջողության վրա ուղղակիորեն ազդող ամենակարևոր գործոններից է։
Նախագիծը կռահումով սկսելու փոխարեն հաճախորդը ստացավ իրական, տեղեկացված ընտրություն՝ ընդգրկող շահագործման ծախսերը, պահպանման բարդությունը, վերամարզման տարբերակները և գնահատված ROI-ն։ Սա վերացնում է անհարկի ռիսկը և թույլ է տալիս, որ բիզնես որոշումները առաջնորդվեն տվյալներով, ոչ թե կռահումով։
Մեզ համար աշխատաժողովը նաև այն տեղն է, որտեղ սկսվում է վստահությունը. ոչ թե «AI կախարդանքի» խոստումներով, այլ թափանցիկ, պրագմատիկ մոտեցմամբ, որը հիմնված է փորձի, մասնագիտական գիտելիքի և խնդիրները միասին լուծելու վրա։
Եթե մտածում եք, թե արհեստական բանականության նախագիծը իմաստ ունի՞ ձեր կազմակերպության համար, աշխատաժողովը դա պարզելու լավագույն միջոցն է։ Վատագույն դեպքում դուք հեռանում եք ռիսկերի հստակ քարտեզով և այն հասկացողությամբ, թե ինչ դեռ չգիտեք։ Լավագույն դեպքում սկսում եք լավ կառուցվածքավորված, իրատեսական և ֆինանսապես հիմնավորված նախագիծ առաջին իսկ օրից։
Ամփոփում
Ի՞նչ է ձեզ տալիս աշխատաժողովն ընտրելը։
- Վաղ փուլում բացահայտել համակարգի իրական սահմանափակումները՝ անմիջապես բացառելով որոշակի պատրաստի գործիքներ (օրինակ՝ քանի որ դրանք բազմալեզու աջակցություն չունեն)
- Ճանաչել առկա տվյալների և վալիդացիայի մեխանիզմների թաքնված արժեքը, որոնք մեզ թույլ տվեցին կառուցել ML մոդելի համար արդյունավետ հետադարձ կապի ցիկլ՝ մի բան, որ հաճախորդն սկզբում չէր տեսնում որպես ռազմավարական առավելություն
- Բացահայտել նուրբ, բայց կարևոր պահանջներ, օրինակ՝ մոդելի կանխատեսումները փաստաթղթերի դասավորությանը համապատասխանեցնելը կամ նոր լեզուների և երկրների ընդլայնվելու հնարավորությունը՝ էական UX-ի և ապագա աճի համար
- Ստեղծել ընդհանուր ըմբռնում խնդրի մասին, ինչը հանգեցնում է հաճախորդի սպասումների և լավ տեղեկացված ներդրումային որոշումներ կայացնելու ավելի մեծ պատրաստակամության
- Արագացնել գնահատումն ու իրականացումը – մի քանի օրվա ընթացքում հաճախորդն ուներ նախագծի մանրամասն պլան, ծախսերի բաշխում և առաջարկվող լուծում
- Ստուգել գաղափարը նախքան իրականացման սկսվելը, ինչը մեծացնում է ձեր նախագծի հաջողության հնարավորությունները
- Ստուգել, որ իրականացման և շահագործման ծախսերը մնում են բյուջեի սահմաններում
- Ստանալ ծախսերի գնահատականներ՝ ROI հաշվարկելու համար
Այս ամենը տեղի է ունենում նախքան հսկայական գումար ծախսելը այնպիսի նախագծի վրա, որի մասին պատշաճ կերպով չի մտածվել։
Մենք սիրով կուղեկցենք ձեզ բացահայտման գործընթացում, կգնահատենք իրագործելիությունը և կօգնենք ձեզ կայացնել տեղեկացված, տվյալներով առաջնորդվող որոշումներ ձեր հաջորդ ML նախաձեռնության վերաբերյալ։