Sind Sie von den Funktionen von ChatGPT begeistert oder haben Sie gerade Ihren ML-Kurs abgeschlossen und sind bereit, diese Technologien zu nutzen, um eine coole Funktion zu entwickeln? In beiden Fällen , welche Herausforderungen Sie bei der Entwicklung Ihres ersten KI-gestützten Features erwarten. müssen Sie wissen Ich wünschte, ich hätte das alles schon vor einem Jahr gewusst. Das Wichtigste zuerst: Sind Sie sicher, dass Sie KI benötigen? Googles schlagen Sie vor, mit einem einfachen, auf Heuristiken basierenden Algorithmus zu beginnen, der die Aufgabe erledigt, und erst dann auf eine Lösung für maschinelles Lernen umzusteigen, wenn die Wartung der Heuristiken komplex wird. Regeln-von-ml Das Hinzufügen von KI zur Lösung eines Problems bringt zusätzliche Herausforderungen mit sich, mit denen Sie sich befassen müssen, wie zum Beispiel: – warum funktioniert die Lösung für einen Kunden so? Erklärbarkeit – Gibt es Lösungen von Drittanbietern, die sensible Kundendaten verarbeiten? Datenschutz – das von Ihnen erstellte Ding wird wahrscheinlich nicht vom ersten Tag an die beste Zielleistung aufweisen, und Sie müssen mehr Zeit für die Verbesserung des Modells aufwenden Wartungs-/Implementierungskosten Keine Planung = kein Erfolg Worum geht es in dem Projekt? Welches Kundenproblem wird dadurch gelöst? Bei welchen Kennzahlen erwarten wir eine Verbesserung? Welche Systemeinschränkungen sind bekannt? Vor der Umsetzung ist es wichtig, Antworten auf alle diese Fragen zu haben. Je mehr potenzielle Fallstricke Sie bei der Planung identifizieren, desto besser ist zu diesem Zeitpunkt relativ gering. Kosten der Änderung Wo sind die Notizen? Sie sollten alles dokumentieren – Problemstellung, Metriken, gewünschte Ergebnisse, Testfälle, Forschungsprotokoll, Designdokument, Meilensteine. Durch das Schreiben von Dokumenten müssen Sie behalten. Andere Personen können Ihrem Projekt schnell beitreten oder die Ergebnisse Ihrer Arbeit in anderen Projekten nutzen. weniger Dinge im Kopf Fangen Sie klein und einfach an Indem Sie die erste Version der Funktion einfach halten, können Sie sie schnell erstellen, die Auswirkungen messen, Erkenntnisse gewinnen und mit der Iteration fortfahren. Wenn Sie eine kleine Sache erstellen, können Sie auch eine Basisleistung festlegen, die Sie in weiteren Iterationen verbessern. Ein System zu schaffen, das viele Aufgaben erledigt und alle möglichen Anwendungsfälle abdeckt, ist eine spannende Herausforderung. Jedoch, ist immer gut, bevor man ein Auto baut. ein Skateboard bauen Haben Sie Ihre Recherche durchgeführt? Wenn das Problem neu auf dem Gebiet ist und noch niemand es gelöst hat, sollten Sie darüber nachdenken, es zu untersuchen. Sie möchten testen, ob die Lösung des Problems machbar ist. Das Forschungsergebnis ist ein minimal funktionierender Prototyp, der zeigt, dass ein . Forschung kann auch zeigen, dass es gibt, was ein hervorragendes Lernen ist – deshalb machen Sie diesen Schritt zu Beginn des Projekts. Algorithmus das Problem lösen kann keine praktikable Lösung Überschätzen Sie nicht! Ihr Proof-of-Concept sieht vielleicht fantastisch aus und löst Hype aus, aber zwischen dem Prototyp und der produktionstauglichen Lösung, die für alle Benutzer funktioniert, liegt noch viel Arbeit. Wenn Sie mit neuer Technologie arbeiten, ist es das Beste . Nehmen Sie sich Zeit, machen Sie sich mit der Technik und dem Problemfeld vertraut, teilen Sie die Arbeit in mehrere kleine Meilensteine auf und schätzen Sie diese separat ab. , nicht zu versprechen, Dinge schnell zu erledigen Wenn Sie bemerken, dass etwas nicht nach Plan verläuft, kommunizieren Sie mit dem Team und stellen Sie sicher, dass jeder versteht, dass sich der Zeitplan/das Projekt geändert hat. Schreiben Sie Tests Bei der Entwicklung mit KI müssen Sie dieselben Software-Engineering-Prinzipien anwenden. Ihre Lösung wird sich weiterentwickeln und Sie müssen sicherstellen, dass sie wie erwartet funktioniert. Reduzieren Sie den Zeitaufwand für manuelles Testen und geben Sie Ihnen mehr Zeit, sich auf das Problem und die Lösung zu konzentrieren. Automatisierte Tests Zeit für traurige Nachrichten... Selbst nach Monaten harter Arbeit kann es sein, dass Ihr Modell eine schlechte Leistung erbringt. Das kann frustrierend sein, ist aber Teil des ML-Entwicklungsprozesses. Sie müssen akzeptieren, dass ein Scheitern möglich ist, und sich darauf vorbereiten, Ihren Ansatz bei Bedarf zu ändern. Es ist wichtig, sich daran zu erinnern, dass jeder Misserfolg eine Gelegenheit ist, daraus zu lernen und sich für die Zukunft zu verbessern. Abschluss Der Aufbau einer KI-gestützten Funktion erfordert sorgfältige Planung, Recherche und Implementierung. Es ist wichtig, klein anzufangen, alles zu dokumentieren und regelmäßig mit dem Team zu kommunizieren. Und denken Sie immer daran, zu beurteilen, ob KI notwendig ist, bevor Sie etwas implementieren. Denken Sie daran, dass ein Scheitern zwar möglich ist, aber auch eine Gelegenheit zum Lernen und zur Verbesserung bietet. Die einzigen Menschen, die niemals scheitern, sind diejenigen, die es nie versuchen. Nützliche Ressourcen: Mein persönlicher Blog Warum Sie automatisierte Tests schreiben MÜSSEN Regeln von ML von Martin Zinkevich Wie sich die Entwicklungskosten im Laufe der Zeit ändern MVP verstehen von Henrik Kniberg Erscheint auch . hier
