קודם השאלה הכנה: האם באמת צריך

"מבוסס בינה מלאכותית" הפך לתו איכות שיווקי, ויזמים מרגישים שמוצר בלעדיו נחות. האמת ההנדסית פרוזאית יותר: חלק גדול מהבעיות שנשמעות כמו בינה מלאכותית נפתרות מצוין בלוגיקה פשוטה – סף, ממוצע, מכונת מצבים. זיהוי שדלת נפתחה אינו דורש רשת נוירונים. הכלל: למידת מכונה מוצדקת כשהקשר בין הקלט לתשובה מסובך מכדי לנסח בכללים – זיהוי תמונה וקול, חיזוי מתוך דפוסים, זיהוי חריגות. אם אפשר לכתוב את הכללים ביד, לוגיקה פשוטה זולה יותר, צפויה יותר וקלה לתיקון.

ההחלטה הארכיטקטונית: איפה המודל רץ

בענן – כוח חישוב בלתי מוגבל ועדכון קל, אבל תלות ברשת, השהיה, עלות שוטפת לכל הפעלה ושאלות פרטיות. על המכשיר (edge) – עובד בלי רשת, מגיב מיד, והנתונים לא עוזבים את המוצר; המחיר – מגבלות חישוב וזיכרון, ומודל שקשה יותר לעדכן. ההכרעה נגזרת מאותם שיקולים שמפורטים בממשק בין חומרה לתוכנה, עם כלל אצבע: פונקציה שהמוצר חייב גם בלי אינטרנט – רצה על המכשיר; ניתוח מעמיק והצלבה בין משתמשים – בענן, במסגרת שמתוארת בשרת וענן למוצר מחובר.

מבחינת חומרה, הרצה מקומית הפכה נגישה: בקרים מודרניים מריצים מודלים מוקטנים, ובמשימות כבדות יש מאיצים ייעודיים זולים. הדרישה נכנסת לשיקולי הבחירה שמפורטים בבחירת מיקרו-בקר למוצר – ומשפיעה גם על תקציב האנרגיה, כמתואר בתכנון מערכת סוללה למוצר.

הנכס האמיתי: הנתונים

המודל הוא תוצר; חומר הגלם הוא נתונים מתויגים מהעולם האמיתי – ואיסופם הוא לרוב החלק הקשה בפרויקט. שלוש תובנות מעשיות:

  • הנתונים חייבים להגיע מהחיישן שלכם, בתנאי השטח שלכם. מודל שאומן על הקלטות אולפן נכשל מול מיקרופון זול בחדר רועש. איכות שרשרת החישה – כמתואר בחיישנים במוצר חדש – קובעת את תקרת הביצועים.
  • איסוף הנתונים מתחיל לפני המודל. מתכננים כבר באב הטיפוס מנגנון הקלטה ושמירה, ואוספים מסדרת הפיילוט הראשונה – ראו פיילוט אצל לקוח.
  • נתוני משתמשים הם אחריות. הסכמה, אנונימיזציה ואבטחה אינם תוספת אלא תנאי – במסגרת שמפורטת באבטחת מידע במוצר מחובר.

מודל הוא לא קוד – הוא מתיישן

קוד רגיל עובד מחר כמו היום; מודל מתדרדר כשהעולם משתנה – משתמשים חדשים, סביבות חדשות, שימושים שלא נצפו. לכן מוצר מבוסס למידה זקוק למעגל חיים: ניטור ביצועים בשטח, איסוף מקרי כשל, אימון מחודש ופריסה – שנשענת על מנגנון העדכון שמתואר בעדכוני תוכנה מרחוק במוצר. מי שלא תכנן את המעגל הזה שחרר מוצר שהולך ומתטמטם.

לתמחר את הפיצ'ר החכם

לבינה מלאכותית יש מבנה עלויות משלה, ששווה לחשב לפני ההתלהבות: איסוף ותיוג נתונים – עבודה ידנית שמתומחרת לפי אלפי דוגמאות; אימון וניסויים – זמן מומחה יקר וזמן חישוב; ובהרצה בענן – עלות לכל הפעלה, שמוכפלת בכל המשתמשים לנצח, כמתואר בשרת וענן למוצר מחובר. מול העלות עומדת שאלת הערך: כמה מדויק צריך להיות כדי שהלקוח ירגיש הבדל? במקרים רבים פתרון פשוט משיג שמונים אחוז מהתועלת בעשירית מהעלות – והדרך הנבונה היא לצאת לשוק איתו, לאסוף נתונים אמיתיים מהשטח, ולשדרג למודל לומד בגרסה הבאה כשיש גם דוגמאות וגם הכנסות. כך הפיצ'ר החכם ממומן על ידי המוצר, ולא להפך.

ומה עם הרגולציה

כשהמסקנה של המודל משפיעה על בטיחות או בריאות, הדרישות מחמירות: הסבר להחלטות, נתוני אימון מתועדים, וגבולות פעולה מוגדרים. במוצר רפואי זה נכנס למסלול שמתואר בתוכנה כמכשיר רפואי – ובכל מוצר, החלטה מסוכנת לעולם אינה נשענת על מודל בלבד אלא מגובה במנגנון בטיחות פשוט וצפוי.

רוצים להפוך רעיון למוצר? צרו קשר עם צוות פרוג'קטס האוס בע"מ – טלפון: 054-8936922 | דוא"ל: info@projects-house.com – ונשמח ללוות אתכם משלב הרעיון ועד המדף.