For successful AI projects, celebrate your graveyard and be prepared to fail fast – Report Door

Posted on

एआई टीमें निवेश करती हैं नई परियोजना दिशानिर्देशों को परिभाषित करने में बहुत अधिक कठोरता। लेकिन मौजूदा परियोजनाओं को खत्म करने के लिए यह सच नहीं है। स्पष्ट दिशा-निर्देशों के अभाव में, टीमों ने अव्यवहारिक परियोजनाओं को महीनों तक चलने दिया।

वे बुरी खबरों के संदेशवाहक बनने के डर से परियोजना समीक्षा बैठकों के दौरान डॉग एंड पोनी शो लगाते हैं। अव्यवहार्य परियोजनाओं पर तेजी से विफल होने की प्रक्रिया को सुव्यवस्थित करके, टीमें एआई पहल के साथ अपनी समग्र सफलता में उल्लेखनीय वृद्धि कर सकती हैं।

तेजी से विफल होने के लिए, एआई पहल को मार्केटिंग और बिक्री फ़नल के अनुरूप रूपांतरण फ़नल के रूप में प्रबंधित किया जाना चाहिए।

एआई प्रोजेक्ट पारंपरिक सॉफ्टवेयर प्रोजेक्ट से अलग हैं। उनके पास बहुत अधिक अज्ञात हैं: सही डेटासेट की उपलब्धता, आवश्यक सटीकता सीमा को पूरा करने के लिए मॉडल प्रशिक्षण, उत्पादन में सिफारिशों की निष्पक्षता और मजबूती, और बहुत कुछ।

तेजी से विफल होने के लिए, एआई पहल को मार्केटिंग और बिक्री फ़नल के अनुरूप रूपांतरण फ़नल के रूप में प्रबंधित किया जाना चाहिए। परियोजनाएं पांच-चरण फ़नल के शीर्ष पर शुरू होती हैं और किसी भी स्तर पर गिर सकती हैं, या तो अस्थायी रूप से बर्फ पर रखी जा सकती हैं या स्थायी रूप से निलंबित कर एआई कब्रिस्तान में जोड़ा जा सकता है। एआई फ़नल का प्रत्येक चरण अज्ञात के एक स्पष्ट सेट को परिभाषित करता है जिसे समयबद्ध सफलता मानदंडों की सूची के साथ मान्य किया जाना है।

AI प्रोजेक्ट फ़नल के पाँच चरण हैं:

छवि क्रेडिट: संदीप उत्तमचंदानी

1. समस्या परिभाषा: “अगर हम इसे बनाते हैं, तो क्या वे आएंगे?”

यह फ़नल का शीर्ष है। एआई परियोजनाओं को न केवल प्रारंभिक विकास के दौरान बल्कि निरंतर निगरानी और शोधन के दौरान महत्वपूर्ण निवेश की आवश्यकता होती है। इससे यह सत्यापित करना महत्वपूर्ण हो जाता है कि हल की जा रही समस्या निर्माण के प्रयास की तुलना में संभावित व्यावसायिक मूल्य के संबंध में हल करने योग्य है। भले ही समस्या हल करने लायक हो, एआई की आवश्यकता नहीं हो सकती है। समस्या को हल करने के लिए आसान मानव-एन्कोडेड हेरिस्टिक्स हो सकते हैं।

एआई समाधान विकसित करना केवल आधी लड़ाई है। दूसरा आधा यह है कि समाधान वास्तव में कैसे उपयोग और एकीकृत किया जाएगा। उदाहरण के लिए, ग्राहक मंथन की भविष्यवाणी के लिए एआई समाधान विकसित करने में, ग्राहक सहायता टीम वर्कफ़्लो में एट्रिशन भविष्यवाणियों को शामिल करने की स्पष्ट समझ होनी चाहिए। एक पूरी तरह से शक्तिशाली एआई परियोजना इस स्तर की एकीकरण स्पष्टता के बिना व्यावसायिक मूल्य देने में विफल होगी।

इस चरण से सफलतापूर्वक बाहर निकलने के लिए, निम्नलिखित कथनों का सत्य होना आवश्यक है:

  • यदि सफलतापूर्वक वितरित किया जाता है तो एआई परियोजना मूर्त व्यावसायिक मूल्य का उत्पादन करेगी।
  • कोई सस्ता विकल्प नहीं है जो आवश्यक सटीकता सीमा के साथ समस्या का समाधान कर सके।
  • प्रभाव डालने के लिए मौजूदा प्रवाह के भीतर एआई सिफारिशों को शामिल करने का एक स्पष्ट मार्ग है।

मेरे अनुभव में, परियोजना के शुरुआती चरणों में जमीनी हकीकत की तुलना में आकांक्षा का अनुपात अधिक है। एक गलत तरीके से बनाई गई परियोजना को खत्म करने से टीमों को “समस्याओं की तलाश में समाधान” बनाने से रोका जा सकता है।

2. डेटा उपलब्धता: “हमारे पास इसे बनाने के लिए डेटा है।”

फ़नल के इस स्तर पर, हमने सत्यापित किया है कि समस्या हल करने योग्य है। अब हमें एआई प्रोजेक्ट में आवश्यक धारणा, सीखने और तर्क क्षमताओं के निर्माण के लिए डेटा उपलब्धता की पुष्टि करने की आवश्यकता है। एआई प्रोजेक्ट के प्रकार के आधार पर डेटा की जरूरत अलग-अलग होती है – प्रोजेक्ट बिल्डिंग क्लासिफिकेशन इंटेलिजेंस की आवश्यकताएं एक प्रदान करने वाली सिफारिशों या रैंकिंग से अलग होंगी।

डेटा उपलब्धता मोटे तौर पर सही गुणवत्ता, मात्रा और सुविधाओं का अनुवाद करती है। सही गुणवत्ता इस तथ्य को संदर्भित करती है कि डेटा नमूने उस घटना का सटीक प्रतिबिंब हैं जिसे हम मॉडल करने और गुणों को पूरा करने का प्रयास कर रहे हैं जैसे: स्वतंत्र और समान रूप से वितरित. सामान्य गुणवत्ता जांच में डेटा संग्रह त्रुटियों, असंगत शब्दार्थ और लेबल किए गए नमूनों में त्रुटियों को उजागर करना शामिल है।

सही मात्रा उस डेटा की मात्रा को संदर्भित करती है जिसे उपलब्ध होने की आवश्यकता होती है। एक आम गलत धारणा यह है कि प्रशिक्षण मशीन लर्निंग मॉडल के लिए बड़ी मात्रा में डेटा की आवश्यकता होती है। यह हमेशा सही नहीं होता। प्री-बिल्ट ट्रांसफर लर्निंग मॉडल का उपयोग करके, बहुत कम डेटा के साथ शुरुआत करना संभव है। साथ ही, अधिक डेटा का हमेशा मतलब नहीं होता है उपयोगी डेटा। उदाहरण के लिए, 10 वर्षों का ऐतिहासिक डेटा वर्तमान ग्राहक व्यवहार का सही प्रतिबिंब नहीं हो सकता है। अंत में, मॉडल बनाने के लिए सही सुविधाओं का उपलब्ध होना आवश्यक है। यह आम तौर पर पुनरावृत्त होता है और इसमें एमएल मॉडल डिज़ाइन शामिल होता है।

इस चरण से सफलतापूर्वक बाहर निकलने के लिए, निम्नलिखित कथनों का सत्य होना आवश्यक है:

Leave a Reply

Your email address will not be published. Required fields are marked *