AI کی پیداوار کرتے وقت، آپ کو بہت سے چیلنجز کا سامنا کرنا پڑ سکتا ہے، جیسے کہ اپنے AI ماڈل کو کسی عمل یا لوگوں پر کیسے لاگو کرنا ہے، ڈیٹا اور ماڈلز کو مستحکم کرنا، بدلتے ہوئے ماحول اور وقت کے ساتھ ساتھ اپنے ماڈل کو درست رکھنے کا طریقہ، اسکیلنگ، اور کیسے بڑھنا ہے۔ یا اپنے AI ماڈل کی صلاحیتوں میں اضافہ کریں۔
ایمبیڈنگ AI
ایک نئے الگورتھم کے ساتھ ایک کامیاب مشین لرننگ پروف آف کانسیپٹ (PoC) چلانا اس کی پیداوار بنانے اور اس سے حقیقی قیمت حاصل کرنے کے لیے درکار کوششوں کا صرف 10% ہے۔ بقیہ 90% کو ان چیزوں میں تقسیم کیا جا سکتا ہے جو آپ کو قابل استعمال پروڈکٹ بنانے کے لیے کرنے کی ضرورت ہے اور ان چیزوں میں جن کی آپ کو مفید پروڈکٹ بنانے کی ضرورت ہے۔
قابل استعمال پروڈکٹ بنانے کے لیے، آپ کو پروڈکٹ کو اپنے صارفین کے لیے دستیاب کرانے کے لیے تکنیکی عمل درآمد کو بڑھانا ہوگا۔ اسے کارآمد بنانے کے لیے، آپ کو پروڈکٹ کو صارفین کے لیے ایک عمل میں شامل کرنا چاہیے۔ سب سے پہلے، تاہم، PoC اور قابل استعمال پروڈکٹ میں بالکل کیا فرق ہے؟
سب سے پہلے، PoCs پیداوار کے لیے نہیں ہیں۔ مصنوعات کو ہر وقت، کسی بھی وقت، اور بدلتے ہوئے حالات میں کام کرنے کی ضرورت ہے۔ اپنے پی او سی کے دوران، آپ کو وہ ڈیٹا مل جاتا ہے جس کی آپ تلاش کر رہے ہیں، ایک کاپی بنائیں، اور اسے صاف کرنا شروع کر دیں اور اس کا تجزیہ کریں۔ پیداوار میں، آپ کے ڈیٹا کا ماخذ حقیقی وقت میں، محفوظ طریقے سے اور محفوظ طریقے سے ڈیٹا پلیٹ فارم سے منسلک ہونا ضروری ہے۔ ڈیٹا سٹریم کو خود بخود ہیرا پھیری کرنا پڑتا ہے اور ڈیٹا کے دوسرے ذرائع کے ساتھ موازنہ کرنا ہوتا ہے۔
اپنے پی او سی کے دوران، آپ کو یا تو اپنے مستقبل کے صارفین سے بات کرنے اور حل ڈیزائن کرنے کے لیے ان کے ساتھ کام کرنے کے قابل ہونے کا عیش ہے، یا آپ کے پاس کوئی صارف نہیں ہے، اور آپ تکنیکی حل تیار کر رہے ہیں۔ ایک پروڈکٹ کے لیے، آپ کے پاس ایسے صارفین ہیں جنہیں اس حل کو سمجھنے کی ضرورت ہے، اور وہ لوگ جو تکنیکی حل کو جاری رکھنے کے ذمہ دار ہیں۔ اس طرح، ایک پروڈکٹ کو قابل استعمال ہونے کے لیے تربیت، عمومی سوالنامہ، اور/یا سپورٹ لائنز کی ضرورت ہوتی ہے۔ مزید برآں، آپ پی او سی میں اپنے استعمال کے ایک کیس کے لیے صرف ایک نیا ورژن بناتے ہیں۔ پروڈکٹس کو اپ ڈیٹس کی ضرورت ہوتی ہے، اور جب آپ اپنے پروڈکٹ کو متعدد کسٹمرز کے لیے رول آؤٹ کرتے ہیں، تو آپ کو پروڈکشن (CI/CD پائپ لائنز) کے لیے اپنے کوڈ کی جانچ اور تعیناتی کا طریقہ درکار ہوتا ہے۔
"Itility میں، ہم نے اپنی Itility Data Factory اور AI فیکٹری تیار کی ہے جو ہمارے کسی بھی پروجیکٹ کے لیے بلڈنگ بلاکس اور بنیادی پلیٹ فارم کا احاطہ کرتی ہے۔ اس کا مطلب ہے کہ ہمارے پاس استعمال کے قابل زاویہ کو شروع سے ہی احاطہ کیا گیا ہے، تاکہ ہم مفید زاویہ پر توجہ مرکوز کر سکیں (جو زیادہ گاہک ہے اور کیس پر منحصر ہے)،" کمپنی نے کہا۔
کیڑوں کا پتہ لگانے والی ایپ - PoC سے قابل استعمال مصنوعات تک
"ہماری پیسٹ ڈیٹیکشن ایپ کے تصور کا ثبوت ایک ماڈل پر مشتمل ہے جو گرین ہاؤس ٹیم کے اراکین کی طرف سے لی گئی تصاویر کی بنیاد پر گلو ٹریپ پر مکھیوں کی درجہ بندی اور گنتی کا تنگ کام انجام دے سکتا ہے۔ اگر ان سے کوئی تصویر چھوٹ جاتی ہے یا کچھ غلط ہو جاتا ہے، تو وہ واپس جا کر دوسری تصویر لے سکتے ہیں، یا اسے براہ راست ڈیش بورڈ میں ٹھیک کر سکتے ہیں۔ کافی کچھ دستی چیک کی ضرورت تھی۔
"ہماری PoC دنیا سادہ تھی، ایک واحد ڈیوائس، ایک واحد صارف، اور ایک واحد صارف پر مبنی۔ تاہم، اسے ایک قابل استعمال پروڈکٹ بنانے کے لیے، ہمیں متعدد صارفین کی پیمائش اور مدد کرنے کی ضرورت تھی۔ پھر، سوال یہ پیدا ہوتا ہے کہ ڈیٹا کو کیسے الگ اور محفوظ رکھا جائے۔ مزید یہ کہ، ہر ایک صارف/مشین کو ایک سیٹ اپ اور ڈیفالٹ کنفیگریشن کی ضرورت ہوتی ہے۔ تو، 20 نئے کسٹمرز کو کیسے ترتیب دیں/سیٹ اپ کریں؟ آپ کیسے جانتے ہیں کہ ایڈمن انٹرفیس کب بنانا ہے اور آن بورڈنگ کو خودکار بنانا ہے؟ 2 گاہکوں پر، 20، یا 200؟
یقیناً، آپ کے سوالات ہوسکتے ہیں، جیسے کہ 'مکھیاں گننے سے میرے گاہک کی مدد کیسے ہوتی ہے؟ اس معلومات سے قدر کیسے پیدا کی جائے؟ فیصلوں کی سفارش اور کارروائی کیسے کی جائے؟ یہ AI ایپلیکیشن کاروباری عمل میں کس طرح فٹ بیٹھتی ہے؟'۔ پہلا مرحلہ یہ ہے کہ اپنے فریم آف ریفرنس کو تکنیکی/ڈیٹا کے نقطہ نظر سے صارف کے آخری نقطہ نظر میں تبدیل کریں۔ اس کا مطلب ہے اپنے کسٹمر کے ساتھ بات چیت جاری رکھنا اور یہ دیکھنا کہ ثابت شدہ PoC روزانہ کے عمل میں کیسے فٹ بیٹھتا ہے۔
"آپ کو طویل عرصے تک اس عمل کی بھی قریب سے پیروی کرنی ہوگی، آپ کو یہ سمجھنے کے لیے آپریشنل اور ٹیکٹیکل میٹنگز میں شامل ہونے کی ضرورت ہے کہ ہر روز کون سی معلومات کی بنیاد پر کیا اقدامات کیے جاتے ہیں، کیا کرنے میں کتنا وقت صرف ہوتا ہے، اور استدلال۔ بعض اعمال کے پیچھے یہ سمجھے بغیر کہ آپ کے ماڈل کی معلومات کو کس طرح کاروباری قدر پیدا کرنے کے لیے استعمال کیا جاتا ہے، آپ کسی مفید پروڈکٹ تک نہیں پہنچ پائیں گے۔
"ہمارے معاملے میں، ہم نے دریافت کیا کہ فیصلے کرنے کے لیے کون سی معلومات استعمال کی جاتی ہیں۔ مثال کے طور پر، ہم نے دریافت کیا کہ کچھ کیڑوں کے لیے ہفتہ وار رجحان کی پیروی کرنا زیادہ اہم ہے (جس کے لیے آپ کو بہت زیادہ درستگیوں کی ضرورت نہیں ہے) جب کہ دوسروں کو کیڑوں کی پہلی نشانی پر کارروائی کی ضرورت ہوتی ہے (جس کا مطلب ہے کہ جوڑے رکھنا بہتر ہے۔ ایک جھوٹے منفی کے مقابلے میں جھوٹے مثبت کا)۔
"اس کے علاوہ، ہم نے دریافت کیا کہ ہمارے گاہک کو پہلے بھی اسی طرح کے ٹول کے ساتھ 'خراب' تجربہ ہوا تھا جس میں درستگی کا دعویٰ تھا کہ وہ عملی طور پر فراہم نہیں کر سکتا تھا۔ وہ ہم پر کیوں بھروسہ کریں گے؟ ہم نے اعتماد کے اس مسئلے کو سر پر اٹھایا اور درستگی اور شفافیت کو پروڈکٹ کی کلیدی خصوصیت بنایا۔ ہم نے اس معلومات کو اپنی مصنوعات کو کارآمد بنانے کے لیے استعمال کیا تاکہ ایپلیکیشن کو آخری صارف کے کام کرنے کے طریقوں کے مطابق بنایا جا سکے، اور تعامل میں شفافیت بڑھا کر، صارف کو ایپلیکیشن پر مزید کنٹرول دے کر،" کمپنی جاری رکھتی ہے۔
سب سے بڑا چیلنج کیا ہے؟
"ہمارے فلائی گنتی کے منظر نامے میں، ہم اپنے درستگی کے اسکور کے بارے میں جو چاہیں بات کر سکتے ہیں۔ تاہم، مفید ہونے کے لیے، صارف (ایک گرین ہاؤس ماہر) کو فیصد سے زیادہ کی ضرورت ہے۔ اس کا تجربہ کرنے کی ضرورت ہے، اور اس پر بھروسہ کرنا سیکھنا ہے۔ سب سے بری چیز جو ہو سکتی ہے وہ یہ ہے کہ جب آپ کے صارفین آپ کے نتائج کا اپنے دستی نتائج سے موازنہ کرتے ہیں اور اس میں (بڑا) تضاد ہوتا ہے۔ آپ کی ساکھ برباد ہو گئی ہے اور اعتماد بحال کرنے کی کوئی گنجائش نہیں ہے۔ ہم نے پروڈکٹ میں سافٹ ویئر شامل کرکے اس کا مقابلہ کیا جو صارف کو ان تضادات کو تلاش کرنے اور ان کو درست کرنے کی ترغیب دیتا ہے۔
"اس طرح ہمارا نقطہ نظر صارف کو AI حل کا حصہ بنانا ہے بجائے اس کے کہ اسے ایک ایسے نظام کے طور پر پیش کیا جائے جو ماہر کی جگہ لے لے۔ ہم ماہر کو آپریٹر بنا دیتے ہیں۔ AI ان کی صلاحیتوں میں اضافہ کر رہا ہے اور ماہرین AI کو مسلسل سکھانے اور رہنمائی کر کے کنٹرول میں رہتے ہیں تاکہ ماحول یا دیگر متغیرات کے بڑھنے پر مزید سیکھنے اور اصلاح کریں۔ ایک آپریٹر کے طور پر، ماہر حل کا ایک لازمی حصہ ہے - مخصوص اعمال کے ساتھ AI کی تعلیم اور تربیت۔"
کلک کریں یہاں آپریٹر مرکوز نقطہ نظر پر مزید تفصیلات کے ساتھ ویڈیو دیکھنے کے لیے۔