تطوير مشروع الذكاء الاصطناعي - كيف يجب على مديري المشاريع الاستعداد

استمع إلى النسخة الصوتية من هذه المقالة

بصفتك مدير مشروع ، ربما تكون قد شاركت في عدد من مشاريع تكنولوجيا المعلومات طوال حياتك المهنية ، بما في ذلك الهياكل المتجانسة المعقدة لتطبيقات الويب SaaS. ومع ذلك ، مع تقدم الذكاء الاصطناعي والتعلم الآلي ، تظهر مشاريع جديدة بمتطلبات ومشاكل مختلفة في الأفق بسرعة عالية.

مع ظهور هذه التقنيات ، أصبح الأمر أقل "من اللطيف أن يكون لديك" وبدلاً من ذلك أصبح من الضروري لمديري المشاريع الفنية أن يكون لديهم علاقة صحية مع هذه المفاهيم. وفقًا لـ Gartner ، بحلول عام 2020 ، سيوفر الذكاء الاصطناعي 2.3 مليون وظيفة ، بما يتجاوز 1.8 مليون وظيفة سيتم إزالتها - مما يولد 2.9 تريليون دولار في قيمة الأعمال بحلول عام 2021. يذهب الرئيس التنفيذي لشركة Google إلى حد القول إن "الذكاء الاصطناعي هو أحد أهم الأشياء الإنسانية تعمل على. إنه أعمق من [...] كهرباء أو نار ".

مع تطبيقات الذكاء الاصطناعي التي تعطل بالفعل الصناعات التي تتراوح من التمويل إلى الرعاية الصحية ، يجب أن يفهم رؤساء الوزراء التقنيين الذين يمكنهم اغتنام هذه الفرصة كيف تتميز إدارة مشروع الذكاء الاصطناعي وكيف يمكنهم الاستعداد بشكل أفضل للمناظر الطبيعية المتغيرة.

نظرية

كل ما تعنيه: الذكاء الاصطناعي مقابل ML

قبل التعمق في الأمر ، من المهم أن يكون لديك فهم قوي لماهية الذكاء الاصطناعي حقًا. مع استخدام العديد من المصطلحات المختلفة غالبًا بالتبادل ، دعنا نتعمق في التعريفات الأكثر شيوعًا أولاً.

الذكاء الاصطناعي (AI)

الذكاء الاصطناعي هو مجال من مجالات علوم الكمبيوتر مخصص لحل المشكلات التي تتطلب ذكاءً بشريًا - على سبيل المثال ، التعرف على الأنماط والتعلم والتعميم.

تم الإفراط في استخدام هذا المصطلح في السنوات الأخيرة للإشارة إلى الذكاء الاصطناعي العام (AGI) والذي يشير إلى برامج الكمبيوتر الواعية للذات ، القادرة على الإدراك الحقيقي. ومع ذلك ، فإن معظم أنظمة الذكاء الاصطناعي في المستقبل المنظور ستكون ما يسميه علماء الكمبيوتر "الذكاء الاصطناعي الضيق" ، مما يعني أنه سيتم تصميمها لأداء مهمة إدراكية واحدة بشكل جيد حقًا ، بدلاً من "التفكير" لأنفسهم حقًا.

تعلم الآلة (ML)

التعلم الآلي هو مجموعة فرعية من الذكاء الاصطناعي تستخدم تقنيات إحصائية لمنح أجهزة الكمبيوتر القدرة على التعلم من البيانات دون أن تتم برمجتها بشكل صريح.

تم استخدام الذكاء الاصطناعي والتعلم الآلي بالتبادل من قبل العديد من الشركات في السنوات الأخيرة بسبب نجاح بعض أساليب التعلم الآلي في مجال الذكاء الاصطناعي. لكي نكون واضحين ، يشير التعلم الآلي إلى قدرة البرنامج على التعلم ، بينما يشمل الذكاء الاصطناعي التعلم إلى جانب وظائف أخرى.

لمعرفة المزيد حول الشبكات العصبية والتعلم العميق ، يرجى الرجوع إلى الملحق في نهاية هذه المقالة.

تمييز مهم: الذكاء الاصطناعي مقابل الخوارزميات القياسية

تتمثل إحدى الوجبات الرئيسية للذكاء الاصطناعي في أن خوارزمياته تستخدم كمية كبيرة من البيانات لضبط هيكلها الداخلي بحيث يتم تصنيفها عند تقديم بيانات جديدة وفقًا للبيانات السابقة المقدمة. نحن نسمي هذا "التعلم" من البيانات بدلاً من العمل وفقًا لتعليمات التصنيف المكتوبة بدقة في الكود.

تخيل أننا نريد كتابة برنامج يمكنه تمييز السيارات عن الشاحنات. في نهج البرمجة التقليدي ، سنحاول كتابة برنامج يبحث عن ميزات إرشادية محددة ، مثل العجلات الأكبر أو الهيكل الأطول. سيتعين علينا كتابة تعليمات برمجية تحدد على وجه التحديد كيف تبدو هذه الميزات وأين يجب العثور عليها في الصورة. إن كتابة مثل هذا البرنامج وجعله يعمل بشكل موثوق أمر صعب للغاية ، ومن المحتمل أن ينتج عنه إيجابيات كاذبة وسلبيات كاذبة ، لدرجة أنه قد لا يكون قابلاً للاستخدام في النهاية على الإطلاق.

هذا هو المكان الذي تصبح فيه خوارزميات الذكاء الاصطناعي مفيدة للغاية. بمجرد تدريب خوارزمية الذكاء الاصطناعي ، يمكننا أن نعرض عليها العديد من الأمثلة ، وتقوم بتعديل هيكلها الداخلي للبدء في اكتشاف الميزات ذات الصلة بالتصنيف الناجح للصور بدلاً من الاعتماد على تعريفات الميزات الثابتة والمحددة.

إدارة مشاريع الذكاء الاصطناعي في الممارسة

البيانات هي الملك

البشر ليسوا جيدين في التعامل مع كميات كبيرة من البيانات ، والحجم الهائل من البيانات المتاحة لنا يمنعنا أحيانًا من استخدامها بشكل مباشر. هذا هو المكان الذي تأتي فيه أنظمة الذكاء الاصطناعي.

أحد المفاهيم الأساسية فيما يتعلق بأنظمة الذكاء الاصطناعي هو أن تنبؤاتها جيدة فقط مثل بياناتها. على سبيل المثال ، ستتفوق الخوارزمية التي تحتوي على مليون نقطة بيانات على نفس الخوارزمية مع 10000 نقطة بيانات. علاوة على ذلك ، ذكرت BCG أن "العديد من الشركات لا تفهم أهمية البيانات والتدريب لنجاح الذكاء الاصطناعي. في كثير من الأحيان ، تكون البيانات الأفضل أكثر أهمية لبناء نظام ذكي من الخوارزميات المجردة ، بقدر ما تفوق التنشئة الطبيعة في البشر ".

مع وجود هذه المعرفة معًا ، يعد إعداد البيانات وتنظيفها أمرًا سيصبح أكثر انتشارًا في عملية المشروع. غالبًا ما تكون هذه الخطوة هي الجزء الأكثر كثافة في العمل في بناء نظام ذكاء اصطناعي ، نظرًا لأن معظم الشركات لا تمتلك البيانات الجاهزة بالتنسيقات الصحيحة - وبالتالي ، قد يستغرق محللو البيانات بعض الوقت لإكمال هذه الخطوة الأساسية.

بالإضافة إلى ذلك ، يعد إعداد البنية التحتية للبيانات ووظائف تنظيف البيانات خطية أكثر من تطوير البرامج المعتاد وقد تتطلب منهجية مختلفة لإدارة المشروع.

للتلخيص ، قد يستغرق إنشاء البنية التحتية الصحيحة للبيانات وإعداد البيانات لاستخدامها وقتًا أطول بكثير من بناء نموذج التعلم الآلي لتشغيل البيانات. يعد هذا اعتبارًا كبيرًا لمديري المشاريع أثناء إدارتهم للفرق والتفكير في نطاق الذكاء الاصطناعي وتقديرات المشروع.

علاوة على ذلك ، يجب تحديث مجموعة البيانات باستمرار بالبيانات الجديدة. قد يكون الوصول إلى مجموعات البيانات الفريدة هو العامل الرئيسي المحدد في تحديد منتج ML الأكثر نجاحًا. من الأهمية بمكان أن تظل على اطلاع دائم بهذا الأمر من أجل الوصول إلى أفضل أداء ممكن لمشروع ML الخاص بك ، حتى بعد الإطلاق.

دورة حياة تطوير الذكاء الاصطناعي

سيكون معظمكم على دراية بدورة حياة تطوير الأنظمة القياسية (SDLC) جنبًا إلى جنب مع كيفية تشكيل المنهجيات والتقنيات المختلفة. من المهم ملاحظة أن تطوير الذكاء الاصطناعي سيجلب مجموعة جديدة من التحديات في هذا المجال. يمكننا تقسيم دورة حياة تطوير الذكاء الاصطناعي إلى الخطوات التالية: التفكير واكتشاف البيانات ، وتحديد أولويات MVPs ، وتطوير MVP إلى منتجات كاملة الأهلية.

التفكير واكتشاف البيانات

في هذه المرحلة الأولى ، يجب أن ينصب التركيز على شيئين أساسيين: المستخدم النهائي لمنتج ML وأي مجموعات بيانات متاحة.

من خلال التعامل مع المشكلة من جانبين مستقلين ، يمكن أن تساعد هذه التقنيات مدير المشروع في تضييق نطاق فرص منتجات ML المتاحة داخل الشركة بسرعة. خلال هذه المرحلة ، يمكن أن يستفيد كبار مديري المشاريع من معرفتهم بمساحة التعلم الآلي من أجل فهم أفضل للصعوبة التي يمكن حل مشكلات معينة بها. تتحرك الأشياء بسرعة كبيرة في مجال تعلم الآلة ، ويمكن جعل بعض المشكلات الصعبة أسهل بكثير من خلال التطورات الجديدة في البحث.

كما ذكرنا سابقًا ، بمجرد اكتشاف البيانات ، يجب تنظيفها وإعدادها. تتم هذه المهمة المحددة عادةً بخطوات خطية ، والتي لا تتناسب بدقة مع منهجيات المشروع النموذجية مثل Agile أو Waterfall ، على الرغم من أنه يمكن إجبارها على سباقات السرعة. عادةً ما يتم تنظيف البيانات بشكل متكرر عن طريق زيادة حجم مجموعات البيانات تدريجياً وإعدادها بالتوازي مع جهود التطوير الأخرى.

تحديد أولويات الحد الأدنى من المنتج القابل للتطبيق (MVP)

حقيقة أنه من الأفضل أن يكون لديك نموذج أولي عملي لمنتج أصغر ، بدلاً من نموذج كبير غير مكتمل ، لا تزال قائمة هنا مع منتجات التعلم الآلي. يجب تحديد أولويات ML MVPs الجديدة بناءً على سرعة التسليم وقيمتها للشركة. إذا كان بإمكانك تقديم منتجات ، حتى تلك التي قد تكون أصغر حجمًا ، بسرعة ، فقد يكون ذلك مكسبًا جيدًا وسريعًا للفريق بأكمله - يجب إعطاء الأولوية لهذه المنتجات أولاً.

يعد إعداد MVPs هذه بأسلوب Agile الكلاسيكي فكرة جيدة ، ويجب على فريق التطوير التركيز على تقديم نماذج ML بناءً على مجموعات البيانات التي يتم تحسينها باستمرار والتي يتم إعدادها بشكل مستقل بواسطة فريق البيانات. هناك تمييز مهم هنا وهو أن فريق البيانات لا يحتاج بالضرورة إلى العمل عبر نفس هيكل Sprint مثل فريق بناء MVP .

MVP إلى منتج كامل الأهلية

هذه الخطوة هي المكان الذي تصبح فيه البنية التحتية للبيانات أساسية. إذا كان منتج ML الخاص بك يتطلب وصولاً عالي التردد لواجهة برمجة التطبيقات من جميع أنحاء العالم ، فعليك الآن التفكير في كيفية توسيع نطاق البنية التحتية لدعم منتج ML.

هذا هو المكان الذي يجب أن يتم فيه تقييم التغييرات على وحدات ML بعناية من أجل تجنب كسر أداء المنتج الحالي. لا تؤدي إعادة تدريب وحدات ML باستخدام خوارزميات أو مجموعات بيانات جديدة دائمًا إلى زيادة خطية في الأداء - لذلك ، يلزم قدر كبير من الاختبار قبل النشر المباشر. لا يزال اختبار وحدة ML لحالات الحافة وهجمات شبكة الخصومة التوليدية المحتملة (GAN) في مهدها ، ولكنه بالتأكيد شيء يجب على مديري المشاريع مراعاته عند تشغيل منتج ML المباشر.

الأدوار الرئيسية في دورة حياة تطوير الذكاء الاصطناعي

تجلب متطلبات البيانات الثقيلة لتطوير تطبيقات ML أدوارًا جديدة في SDLC لمنتجات الذكاء الاصطناعي. لكي تكون مدير مشروع رائعًا في مجال تطبيقات ML ، يجب أن تكون على دراية كبيرة بالأدوار الثلاثة التالية: علماء البيانات ومهندسو البيانات ومهندسو البنية التحتية. على الرغم من أنهم يسترشدون أحيانًا بعناوين أخرى ، بما في ذلك مهندسو التعلم الآلي أو مهندسو البنية التحتية للتعلم الآلي أو علماء التعلم الآلي ، فمن المهم أن يكون لديك فهم قوي لهذه المواقف الأساسية وتأثيرها على عملية تطوير ML.

عالم البيانات

علماء البيانات هم الأفراد الذين يبنون نماذج التعلم الآلي. إنهم يجمعون الأفكار بناءً على فهمهم العميق للإحصاءات التطبيقية والتعلم الآلي والتحليلات ثم يطبقون رؤاهم لحل مشاكل العمل الحقيقية.

يُنظر أحيانًا إلى علماء البيانات على أنهم إصدارات متقدمة من محللي البيانات. ومع ذلك ، عادة ما يتمتع علماء البيانات بمهارات برمجة قوية ، وهم مرتاحون في معالجة كميات كبيرة من البيانات التي تمتد عبر مراكز البيانات ، ولديهم خبرة في التعلم الآلي.

من المتوقع أيضًا أن يكون لديهم فهم جيد للبنى التحتية للبيانات واستخراج البيانات الضخمة بالإضافة إلى أن يكونوا قادرين على أداء تمارين استكشافية بمفردهم ، والبحث في البيانات والعثور على أدلة أولية ورؤى داخلها.

المهارات الأساسية: Python و R و Scala و Apache Spark و Hadoop والتعلم الآلي والتعلم العميق والإحصاء وعلوم البيانات و Jupyter و RStudio

مهندس بيانات

مهندسو البيانات هم مهندسو برمجيات متخصصون في بناء البرمجيات والبنية التحتية اللازمة لتشغيل منتجات ML. إنهم يميلون إلى التركيز على البنية الشاملة ، وعلى الرغم من أنهم قد لا يكونوا خبراء في التعلم الآلي أو التحليلات أو البيانات الضخمة ، يجب أن يكون لديهم فهم جيد لهذه الموضوعات من أجل اختبار برامجهم وبنيتهم ​​التحتية. يعد هذا ضروريًا لتمكين نماذج التعلم الآلي التي أنشأها عالم البيانات بنجاح وعرضها على العالم الحقيقي.

المهارات الأساسية: Python، Hadoop، MapReduce، Hive، Pig، Data Streaming، NoSQL، SQL، Programming، DashDB، MySQL، MongoDB، Cassandra

مهندس البنية التحتية

يهتم مهندسو البنية التحتية بالعمود الفقري لمنتجات ML: طبقة البنية التحتية. بينما قد يقوم مهندسو البيانات ببناء بعض من هذه البنية التحتية ، فغالبًا ما يتم بناؤها فوق الطبقة التي تم إعدادها والموافقة عليها من قبل فريق البنية التحتية.

قد يعمل مهندسو البنية التحتية عبر فرق متعددة للتعلم الآلي ، بهدف إنشاء بيئة قابلة للتطوير وفعالة يمكن لتطبيقات التعلم الآلي توسيع نطاقها لخدمة ملايين المستخدمين. لا يهتم مهندسو البنية التحتية بمستوى برامج الأنظمة الأساسية فحسب ، بل ينسقون أيضًا مع شركاء مركز البيانات لضمان أن كل شيء يعمل بسلاسة ، من الموقع الجغرافي للبيانات المستضافة إلى الأجهزة. مع اكتساب هذه الجوانب أهمية لمشاريع ML ، أصبح مهندسو البنية التحتية أكثر أهمية في الشركات التي يقودها الذكاء الاصطناعي.

المهارات الأساسية: Kubernetes و Mesos و EKS و GKE و Hadoop و Spark و HDFS و CEPH و AWS والحوسبة السحابية وعمليات مركز البيانات والبنية التحتية للحوسبة الشاملة والبنية التحتية لتكنولوجيا المعلومات وإدارة الخدمات

التحديات المشتركة اليوم

مع ظهور المنتجات القائمة على الذكاء الاصطناعي والتعلم الآلي ، من المتوقع أن يواجه مديرو المشاريع تحديات مألوفة وأجنبية تمامًا. يدرك كبار مديري المشاريع هذه المشكلات المحتملة من خلال العملية برمتها ، بدءًا من تحديد نطاق المشاريع وحتى الانتهاء منها.

التحقق من الواقع

على الرغم من الشعبية والوعود التي يتمتع بها الذكاء الاصطناعي ، إلا أن هناك فرصة جيدة ألا تتطلب المشكلة التي تحاول حلها حلاً مفصلاً للذكاء الاصطناعي .

يمكن حل الكثير من مشاكل التنبؤ باستخدام نماذج انحدار إحصائي أبسط ، وفي بعض الحالات ، أكثر موثوقية. من المهم جدًا أن يقوم رئيس الوزراء بفحص سلامة العمل قبل بدء المشروع للتأكد من أن المشكلة تتطلب التعلم الآلي حقًا.

من الحكمة في بعض الأحيان البدء بنموذج إحصائي أبسط والتحرك بالتوازي مع حل قائم على التعلم الآلي. على سبيل المثال ، إذا كنت تقوم ببناء محرك توصية ، فقد يكون من الحكمة أن تبدأ بحل أبسط مع دورة حياة تطوير أسرع ، مما يوفر أساسًا جيدًا يجب أن يتفوق عليه نموذج ML اللاحق.

زحف نطاق الذكاء الاصطناعي

ترتبط الأسباب الأكثر شيوعًا لتسلل النطاق في مشاريع تعلم الآلة بمحاولة القيام بالعديد من الأشياء في وقت واحد والتقليل من الجهد المطلوب لإعداد البيانات .

لمعالجة المشكلة الأولى ، قم بإدارة أصحاب المصلحة حتى يفهموا أنه من الأفضل البدء بمكاسب سريعة بدلاً من الخطط الضخمة. قم بتوصيل هذا النهج بشكل مستمر طوال المشروع ، أثناء قيامك بالبناء والاختبار.

ابدأ بميزات ذرية صغيرة يمكن تحديدها واختبارها بسهولة. إذا وجدت نفسك في مهمة معقدة ، فحاول تقسيمها إلى مهام أبسط تمثل وكلاء جيد لمهمتك الرئيسية. يجب أن يكون من السهل إيصال ما حددت هذه المهام لإنجازه.

على سبيل المثال ، إذا كنت تحاول التنبؤ بالوقت الذي سينقر فيه المستخدم على إعلان معين ، يمكنك أولاً محاولة التنبؤ بما إذا كان المستخدم سيتجاهل الإعلان تمامًا. في هذا النهج ، يتم تبسيط المشكلة ويمكن استيعابها بشكل أفضل والتنبؤ بها بواسطة نماذج ML الحالية. قام Facebook بعمل سلسلة رائعة تتعمق في هذا الموضوع ، مع التركيز بشكل أكبر على خط أنابيب ML من البداية إلى تسليم النموذج.

لمخاطبة المساهم الثاني في زحف النطاق ، تأكد من أنك قادر على إعداد البيانات لدعم مشاريع ML الخاصة بك. ببساطة ، على افتراض أن لديك البيانات المطلوبة ، بالتنسيق المطلوب ، هو الخطأ الأكثر شيوعًا الذي يرتكبه مديرو المشروعات عند بدء مشروعات تعلم الآلة. نظرًا لأن إعداد البيانات وتنظيفها غالبًا ما يكون الجزء الأطول من عملية مشروع ML ، فإن إدارة هذه الخطوة ضرورية. تأكد من أن عالم البيانات الخاص بك لديه حق الوصول إلى البيانات الصحيحة ويمكنه التحقق من جودتها وصلاحيتها قبل الخروج بميزات ML التي يرغبون في بنائها.

استعد للقيام بتصنيف البيانات وتنظيفها كتمرين مستمر في جميع مراحل المشروع ، وليس فقط كبادئ ، حيث يمكن للمشروع دائمًا الاستفادة من بيانات أفضل وأكثر. نظرًا لأن هذه الخطوة ليست المهمة الأكثر جاذبية ، قم بتقسيم هذا العمل إلى سباقات سريعة حتى يتمكن فريق البيانات لديك من الشعور بتقدم جهودهم بدلاً من مواجهة تراكم التذاكر الذي لا نهاية له.

في بعض الأحيان ، تقوم الشركات بالاستعانة بمصادر خارجية لتصنيف البيانات إلى جهات خارجية. في حين أن هذا يمكن أن يساعد في توفير الوقت والتكاليف الأولية ، إلا أنه يمكن أن ينتج أيضًا بيانات غير موثوقة ، مما يعيق نجاح نموذج ML الخاص بك في النهاية. لتجنب ذلك ، استخدم تقنية التداخل المتعدد ، حيث يتم فحص كل جزء من البيانات من قبل أطراف متعددة ويتم استخدامه فقط في حالة تطابق نتائجها.

عند تخطيط المشروع ، خصص وقتًا كافيًا لفريق البيانات لإجراء تعديلات في حال تغيرت متطلبات وضع العلامات في منتصف المشروع ويلزم إعادة التسمية.

أخيرًا ، تحقق مما إذا كان يمكن استخدام بياناتك بسهولة مع أساليب ML الحالية بدلاً من ابتكار طرق ML جديدة ، حيث يمكن أن يؤدي البدء من الصفر إلى زيادة وقت المشروع ونطاقه بشكل كبير. لاحظ أنه إذا كنت تحاول حل مشكلة ML التي لم يتم حلها بعد ، فهناك احتمال كبير بأن تفشل. على الرغم من نجاح التعلم الآلي وعدد الأوراق البحثية المنشورة ، فإن حل مشكلات تعلم الآلة يمكن أن يكون مسعى صعبًا للغاية. من الأسهل دائمًا البدء بمنطقة ML التي تحتوي على الكثير من الأمثلة والخوارزميات الجيدة ومحاولة تحسينها بدلاً من محاولة ابتكار شيء جديد.

تعلم الآلة والتوقعات وتجربة المستخدم

يجب أن يكون كل مدير مشروع على استعداد للتفكير في تجربة المستخدم لمنتجات الذكاء الاصطناعي التي يصنعونها وكيفية إدارة الفريق الذي يقوم ببنائها على أفضل وجه. كتب Google قطعة رائعة حول طريقة تفكيرهم حول تجربة المستخدم والذكاء الاصطناعي ، مع التركيز على التفاعل البشري.

هذه النقطة مهمة بشكل خاص إذا كان منتج ML الخاص بك يجب أن يتفاعل مع المشغلين أو حتى يتم استبداله بهم. يجب أن يضيف التصميم الحد الأدنى الضروري من الضغط للمشغلين ومستخدمي النظام. على سبيل المثال ، غالبًا ما تعتمد روبوتات المحادثة على التعلم الآلي ، ولكن يمكن للمشغل البشري الاستيلاء عليها بسهولة.

هناك أيضًا احتمال أن يتوقع أصحاب المصلحة الكثير من منتجات التعلم الآلي أكثر مما يمكنهم تقديمه. عادة ما تكون هذه مشكلة ناجمة عن الضجيج الذي أحدثته وسائل الإعلام عند الكتابة عن منتجات الذكاء الاصطناعي ، وبالتالي ، من المهم لمدير المشروع أن يضع توقعات معقولة.

تأكد من شرح ما هي أداة الذكاء الاصطناعي حقًا ويمكن أن تحققه لأصحاب المصلحة لديك حتى تتمكن من إدارة توقعاتهم جيدًا بما يكفي قبل اختبار الأداة. تجربة المستخدم الجيدة رائعة ، لكنها لا تقدم قيمة للمستخدمين الذين لديهم توقعات غير واقعية ، لذلك من الضروري لأي مدير تنفيذي مشارك في إدارة هذه الأشياء وتثقيف أصحاب المصلحة حول الذكاء الاصطناعي وقدراته الواقعية.

ضمان الجودة (QA) واختبار الممارسات في ML

الذكاء الاصطناعي في شكله الحالي هو مجال جديد نسبيًا. لم يسبق أن كان هناك الكثير من التطبيقات التي تستخدم التعلم العميق لتحقيق أهدافها. تأتي هذه التطورات الجديدة مع مجموعة التحديات الخاصة بها ، لا سيما في الاختبار.

في حين أنه من السهل نسبيًا اختبار البرامج القياسية التي تحتوي على "مجموعة قواعد" واضحة كتبها الأشخاص ، إلا أنه من الصعب جدًا اختبار نماذج التعلم الآلي بشكل شامل ، خاصة تلك التي تم إنشاؤها باستخدام الشبكات العصبية. حاليًا ، يتم اختبار معظم نماذج ML من قبل علماء البيانات أنفسهم ، ومع ذلك هناك عدد قليل من طرق الاختبار المتفق عليها مع فرق ضمان الجودة القياسية لضمان عدم فشل منتجات ML بطرق غير متوقعة.

مع وجود طرق جديدة للتعامل مع نتائج النماذج المعروفة مثل هجمات GAN هذه ، سيصبح اختبار النموذج الشامل أكثر أهمية من أي وقت مضى. سيصبح هذا أولوية للعديد من مشاريع ML ، وسنرى المزيد من اختبارات نوع "التكامل" لنماذج ML في السنوات القادمة. بالنسبة لمعظم المشاريع البسيطة ، قد لا تكون هذه مشكلة ملموسة في الوقت الحالي ، ولكن من المهم أن تضع ذلك في الاعتبار إذا كنت تقوم ببناء منتج ML بالغ الأهمية.

سرقة نموذج ML والسرقة الأدبية

منذ نشر هذا المقال السلكي ، وتقديم الورقة الأصلية في مؤتمر USENIX Security في عام 2016 ، أصبح من الواضح أن هناك إمكانية لانتحال نموذج ML المباشر.

لا يزال من الصعب جدًا تحقيق ذلك بشكل جيد ، ولكن إذا كان لديك نموذج يعمل عبر واجهة برمجة تطبيقات متاحة للجمهور ، فمن المهم أن تكون على دراية بهذا الاحتمال. من الناحية النظرية ، يمكن لأي طرف يتمتع بوصول كبير إليه تدريب شبكته الخاصة بناءً على شبكتك ونسخ قدرة التنبؤ الخاصة بك بشكل فعال.

لا يزال هذا محدودًا جدًا من حيث الاحتمالية ، ولكن تأكد من العمل مع فريقك على استراتيجية وقائية للهجمات المحتملة إذا كان هذا يمثل مصدر قلق لمشروعك.

نقص المواهب

مع الطلب الحالي على خبراء الذكاء الاصطناعي على مستوى عالمي ، فإن المنافسة على الحصول على المواهب المناسبة شرسة. في الواقع ، ذكرت صحيفة نيويورك تايمز أن خبراء الذكاء الاصطناعي على مستوى عالمي يمكنهم تحقيق ما يصل إلى مليون دولار سنويًا من العمل في شركات التكنولوجيا الكبيرة في وادي السيليكون. بصفتك رئيسًا ، أثناء البحث عن خبراء الذكاء الاصطناعي للانضمام إلى فريقك ، كن على دراية بهذه الديناميكيات لأنها قد تؤثر على دورات التوظيف أو الميزانية أو جودة العمل المنجز.

يمتد هذا النقص إلى ما وراء العقول المبتكرة التي تخلق خوارزميات التعلم العميق الأحدث ، كما أنها صحيحة أيضًا لمهندسي البيانات والعلماء ذوي الجودة العالية.

يشارك العديد من الأشخاص الموهوبين في مسابقات التعلم الآلي مثل Kaggle حيث يمكنهم أن يأملوا في الفوز بـ 100000 دولار فقط لحل مشاكل التعلم الآلي الصعبة. إذا كان من الصعب توظيف خبراء تعلم الآلة محليًا ، فمن الحكمة البحث عن حلول خارج الصندوق ، مثل التعاقد مع مقاولين متخصصين عن بعد أو تشغيل منافسة Kaggle الخاصة بك لأصعب مشاكل ML.

التحديات القانونية والأخلاقية

التحديات القانونية والأخلاقية للذكاء الاصطناعي في إدارة المشاريع ذات شقين.

أول مجموعة من التحديات تنبع من البيانات المستخدمة لتدريب نماذج ML. من الضروري أن تفهم مصدر البيانات التي تستخدمها ، وعلى وجه التحديد ما إذا كان لديك حقوق استخدامها والتراخيص التي تسمح لك باستخدام البيانات.

من المهم دائمًا استشارة محاميك لحل مثل هذه الأسئلة قبل نشر نموذج مدرب على البيانات التي قد لا يكون لديك نوع الترخيص المناسب لها. نظرًا لأن هذا حقل جديد نسبيًا ، فإن العديد من هذه الإجابات ليست واضحة ، ولكن يجب على مديري المشاريع التأكد من أن فرقهم تستخدم فقط مجموعات البيانات التي لديهم الحق في استخدامها.

فيما يلي قائمة جيدة بمجموعات البيانات المتاحة للجمهور لتدريب خوارزميات ML الخاصة بك.

تأتي المجموعة الثانية من التحديات من التأكد من أن نظامك لا يطور تحيزًا منهجيًا. كانت هناك حالات عديدة لمثل هذه المشاكل في السنوات الأخيرة ، حيث كان على إحدى شركات الكاميرات أن تعترف بأن تقنية التعرف على الابتسامة الخاصة بها لا تكتشف سوى الأشخاص من جنس معين لأنه تم تدريبها فقط على البيانات التي تحتوي على وجوه من هذا العرق. مثال آخر جاء من شركة برمجيات كبيرة ، والتي اضطرت إلى سحب روبوتها للتعلم الذاتي على Twitter بعد أيام قليلة من التعلم ، حيث أدت الجهود المتضافرة من قبل مجموعة من المتصيدون عبر الإنترنت إلى إنتاج إهانات عنصرية وتكرار المؤامرات الجامحة.

يمكن أن تكون درجة هذه المشكلات طفيفة أو مدمرة للمشروع ، لذلك عند تطوير أنظمة حرجة ، يجب على مديري المشاريع التأكد من أنهم يفكرون في هذه الاحتمالات ويمنعونها في أقرب وقت ممكن.

الأسس الجيدة تؤدي إلى بنى قوية

باختصار ، تبرز ثورة الذكاء الاصطناعي الوشيكة مجموعة من المشاريع الديناميكية المثيرة للاهتمام والتي غالبًا ما تأتي مع عملية تطوير معدلة ونموذج أصلي مختلف للفريق وتحديات جديدة.

لا يمتلك كبار مديري المشاريع التقنيين فهمًا جيدًا لأساسيات الذكاء الاصطناعي فحسب ، بل يمتلكون أيضًا حدسًا لصعوبة كل خطوة من خطوات المشروع وما هو ممكن حقًا إنشاؤه مع فريقهم. نظرًا لأن الذكاء الاصطناعي ليس حلاً تجاريًا جاهزًا (COTS) ، فحتى الشركات التي تختار شراء بعض منتجات ML ، لا يزال يتعين عليها الاستثمار في اختبار أشياء جديدة وإدارة بياناتها وبنيتها التحتية بشكل صحيح.

من الواضح أن أنواع منتجات البرامج وعمليات إنشائها تتغير مع ظهور الذكاء الاصطناعي. سيكون مديرو المشاريع القادرين على فهم وتنفيذ هذه المفاهيم الجديدة لاعبين فعالين في إنشاء منتجات التعلم الآلي في المستقبل.

مواد إضافية من المؤلف

نظرية إضافية: DLs و NNs

بالإضافة إلى الإسهاب الأكثر شيوعًا للذكاء الاصطناعي (AI) والتعلم الآلي (ML) ، يمكن لمديري المشاريع الاستفادة من إدراكهم لمزيد من التمييز بين التعلم العميق (DL) والشبكات العصبية (NN).

التعلم العميق (DL)

يعد التعلم العميق جزءًا من مجموعة أوسع من أساليب التعلم الآلي القائمة على تمثيل بيانات التعلم ، على عكس الخوارزميات التقليدية الخاصة بالمهمة.

تعتمد معظم نماذج التعلم العميق الحديثة على شبكة عصبية اصطناعية ، على الرغم من أنها يمكن أن تستخدم طرقًا أخرى مختلفة.

الشبكات العصبية (NN)

الشبكات العصبية عبارة عن هياكل رياضية مستوحاة من الناحية البيولوجية ومتصلة تمكن أنظمة الذكاء الاصطناعي من التعلم من البيانات المقدمة إليها.

يمكننا تخيل هذه الشبكات كملايين من البوابات الصغيرة التي تفتح أو تُغلق ، اعتمادًا على إدخال البيانات لدينا. تم تمكين نجاح هذه التقنيات من خلال نمو قوة حوسبة GPU في السنوات الأخيرة ، مما سمح لنا بضبط المزيد من تلك "البوابات الصغيرة" داخل الشبكات العصبية بسرعة.

هناك أنواع متعددة من الشبكات العصبية ، كل منها مصحوب بحالات الاستخدام الخاصة به ومستوى التعقيد. قد ترى مصطلحات مثل CNN (الشبكة العصبية التلافيفية) أو RNN (الشبكة العصبية المتكررة) المستخدمة لوصف أنواع مختلفة من بنية الشبكة العصبية.

لفهم كيفية ظهورها وعملها بشكل أفضل ، إليك تصور ثلاثي الأبعاد رائع لكيفية "ظهور" الشبكات العصبية أثناء نشاطها.

هل أنت مهتم بمعرفة المزيد عن الذكاء الاصطناعي؟

إذا كنت ترغب ، بعد قراءة هذا ، في الذهاب واستكشاف الموضوع بشكل أعمق قليلاً ، فإنني أوصي بمراجعة هذه المصادر:

فهم الشبكات العصبية

إذا كنت ترغب في التعمق في آليات كيفية عمل الشبكات العصبية ، أقترح عليك مراجعة سلسلة 3Blue1Brown على الشبكات العصبية على YouTube. في رأيي ، هذا هو إلى حد بعيد أفضل تفسير متعمق للشبكات العصبية. يتم تسليمها بعبارات بسيطة ولا تتطلب معرفة مسبقة.

مواكبة أخبار الذكاء الاصطناعي

إذا كنت ترغب في البقاء على اطلاع بأحدث التطورات في تكنولوجيا الذكاء الاصطناعي دون قضاء ساعات في قراءة الأوراق الأكاديمية ، فإنني أوصي بورقتي دقيقتين التاليتين. توفر هذه القناة تحديثات أسبوعية مدتها دقيقتان حول تقنيات الذكاء الاصطناعي الجديدة الأكثر إثارة للإعجاب وتطبيقاتها.

تعلم أساسيات تطوير ML

إذا كنت تريد أن تشتغل في البرمجة بنفسك ، ولديك بعض مهارات Python البدائية ، فيمكنك التحقق من Fast.ai. تسمح الدورة التدريبية لأي شخص لديه مهارات تطوير أساسية بالبدء في التجريب والتلاعب بالشبكات العصبية.

أسس تعلم الآلة

هذا الاقتراح مخصص لأولئك الذين يريدون البدء من البداية والعمل في طريقهم إلى قمة فهم التعلم الآلي وتطبيقه.

تم إنشاؤه بواسطة الأسطوري أندرو نج ، الذي أطلق كورسيرا بهذه الدورة ، وهو يتطلب استثمارًا كبيرًا للوقت - ستة أشهر على الأقل - ولكن يمكن أن يكون طريقة مثمرة للغاية لقضاء يوم سبت.

ملاحظة: تم تعديل تعريفات المصطلحات الرئيسية من ويكيبيديا.