Od prototypu k produkci

Abychom pochopili, proč mnoho projektů AI bojuje s dosažením produkce, je užitečné začít o krok dříve a začít s demem. Většina organizací, které vyhodnocují AI, už nějaké viděla. Prodejce otevře uhlazené rozhraní a ukáže systém, který plynule odpovídá na otázky, okamžitě vyhledává informace a zdá se být připraven pro skutečnou práci. Příklady fungují perfektně, interakce plyne hladce a technologie působí překvapivě vyspěle. Demo je přesvědčivé. K tomu je navrženo. Jakmile tento okamžik pomine, další krok se obvykle zdá zřejmý. Vytvoří se prototyp, naplánuje se pilotní projekt a organizace začne diskutovat o tom, jak by systém mohl nakonec běžet v produkci. Zde se příběh obvykle mění.

Prototyp

Prototypy odpovídají na úzkou otázku: dokáže to technologie vůbec? Sestaví se malý systém, připojí se k omezené datové sadě a testuje se za kontrolovaných podmínek. V této fázi technologie často funguje dobře. Model vyhledá správné informace, produkuje rozumné odpovědi a zdá se být schopen zvládnout úkol. Pokrok je skutečný, ale neměl by být zaměňován s připraveností na produkci. Prototyp dokazuje, že něco je možné. Nedokazuje, že systém může fungovat v rámci složitosti skutečné organizace. Produkce na druhé straně dokazuje, zda tam může přežít.

Pilotní projekt

Pilotní projekty mají za cíl překlenout propast mezi experimentováním a skutečným nasazením. Teoreticky vystaví systém provozním podmínkám a odhalí, co je třeba ještě opravit před produkcí. V praxi zůstává mnoho pilotních projektů kontrolovaným prostředím: Integrace jsou zjednodušené. Pracovní postupy jsou omezené. Otázky správy jsou odloženy na později. Systém prokazuje užitečnou schopnost, ale činí tak v prostoru, který stále obchází velkou část infrastruktury, v níž bude nakonec muset fungovat. V tu chvíli pilotní projekt dokazuje, že technologie funguje za příznivých podmínek. Obtížné podmínky stále čekají.

Produkce

Produkční prostředí jsou zřídka uklizená. Zákaznická data žijí napříč více systémy. Pracovní postupy procházejí týmy a odděleními. Bezpečnostní zásady omezují přístup k informacím. Rámce správy vyžadují, aby automatizovaná rozhodnutí zůstala sledovatelná a auditovatelná. Skuteční uživatelé se chovají nepředvídatelně a kladou otázky, které během vývoje nikdo nepředpokládal. Zde se povaha problému mění, protože obtížná část podnikové AI je zřídka samotný model. Modely prokazují schopnost. Systémy musí prokazovat spolehlivost. Skutečnou výzvou je obklopující systém: integrace, oprávnění, pracovní postupy, infrastruktura a provozní disciplína potřebná k tomu, aby všechny spolehlivě fungovaly dohromady. To je také důvod, proč přechod z pilotního projektu do produkce je místem, kde se mnoho projektů zpomaluje nebo tiše zastavuje. Pilotní projekt prokázal schopnost. Produkce vyžaduje spolehlivost.

Náš přístup k pilotním projektům

K této fázi přistupujeme jinak. Když s Elba provádíme pilotní projekt, od začátku s ním zacházíme jako s produkcí. Systém se připojuje ke stejné infrastruktuře, běží ve stejných pracovních postupech a funguje za stejných podmínek správy, které budou existovat následně. Neexistuje žádné zjednodušené prostředí vyhrazené pro hodnocení. Cílem pilotního projektu není ukázat, že technologie funguje v principu. Cílem je zajistit, aby fungovala v reálném prostředí, kde bude skutečně provozována. To vyžaduje více práce předem. Integrace musí být dokončeny včas. Pracovní postupy musí být správně nakonfigurovány. Okrajové případy se objeví dříve. Výhoda je přímočará: nic se nemění, když se systém přesune do produkce. To, co funguje v pilotním projektu, je přesně to, co bude fungovat následně. Neexistuje žádná druhá sestava, žádný redesign a žádný nepříjemný okamžik, kdy musí být úspěšný pilotní projekt přepracován, aby přežil v produkci.

Jak vypadá skutečné přijetí

Umělá inteligence bude nadále produkovat působivá dema a prototypy se budou nadále zlepšovat. Tyto fáze jsou cenné, protože pomáhají organizacím pochopit, čeho je technologie schopna. Skutečným měřítkem přijetí však není počet prototypů nebo pilotních projektů, které organizace spustí. Je to počet systémů, které přejdou do produkce a stanou se součástí každodenního provozu. Právě tento přechod je místem, kde začíná obtížná práce – a je to také místo, kde se rozhoduje o skutečné hodnotě podnikové AI.