Você está entusiasmado com os recursos do ChatGPT ou acabou de concluir o curso de ML e está pronto para usar essas tecnologias para criar um recurso interessante? Em ambos os casos, você quais desafios o aguardam ao construir seu primeiro recurso com tecnologia de IA. deve saber Eu gostaria de ter sabido de tudo isso há um ano. Em primeiro lugar, você tem certeza de que precisa de IA? do Google sugiro começar com um algoritmo simples baseado em heurísticas que fará o trabalho e passar para uma solução de aprendizado de máquina somente quando a heurística se tornar complexa de manter. regras de ml Adicionar IA para resolver um problema traz desafios adicionais com os quais você terá que lidar, como: - por que a solução funciona dessa maneira para um cliente Explicabilidade - existem soluções de terceiros que processam dados confidenciais do cliente Privacidade de dados - o que você constrói provavelmente não terá o melhor desempenho desejado desde o primeiro dia e você terá que gastar mais tempo melhorando o modelo Custo de manutenção/implementação Sem planejamento = sem sucesso Qual é o projeto? Que problema do cliente isso resolverá? Que métricas esperamos melhorar? Quais são as limitações conhecidas do sistema? Antes de implementar, é essencial ter respostas para todas essas perguntas. Quanto mais armadilhas potenciais você identificar durante o planejamento, melhor, pois o é relativamente baixo nesta fase. custo da mudança Onde estão as notas? Você deve documentar tudo: declaração do problema, métricas, resultados desejados, casos de teste, registro de pesquisa, documento de design, marcos. Escrever documentos permite que você tenha . Outras pessoas podem ingressar no seu projeto rapidamente ou usar os resultados do seu trabalho em outros projetos. menos coisas em mente Comece pequeno e simples Ao manter a primeira versão do recurso simples, você pode construí-lo rapidamente, medir o impacto, aprender os insights e continuar a iterar. Construir algo pequeno também permite estabelecer um desempenho básico que você melhorará em iterações futuras. Criar um sistema que faça muitas coisas e lide com todos os casos de uso possíveis é um desafio emocionante. No entanto, é sempre bom antes de construir um carro. fazendo um skate Você fez sua pesquisa? Se o problema for novo na área e ninguém o resolveu ainda, considere pesquisá-lo. Você deseja testar se a solução do problema é viável. O resultado da pesquisa é um protótipo funcional mínimo que mostra que um . A pesquisa também pode mostrar que , o que é um excelente aprendizado – é por isso que você executa essa etapa no início do projeto. algoritmo pode resolver o problema não existe uma solução viável Não superestime! Sua prova de conceito pode parecer fantástica e criar entusiasmo, mas há muito trabalho entre o protótipo e a solução de nível de produção que funciona para todos os usuários. Ao trabalhar com novas tecnologias, a melhor coisa que você pode fazer é . Não tenha pressa, familiarize-se com a tecnologia e o espaço do problema, divida o trabalho em vários pequenos marcos e estime-os separadamente. evitar prometer fazer as coisas rapidamente Ao perceber que algo não sai conforme o planejado, comunique-se com a equipe e certifique-se de que todos entendam que o cronograma/projeto mudou. Escreva testes Você deve aplicar os mesmos princípios de engenharia de software ao desenvolver com IA. Sua solução evoluirá e você deve garantir que funcione conforme o esperado. reduza o tempo gasto testando coisas manualmente e tenha mais tempo para se concentrar no problema e na solução. Testes automatizados Hora de notícias tristes... Mesmo depois de meses de trabalho árduo, seu modelo pode ter um desempenho insatisfatório. Isso pode ser frustrante, mas faz parte do processo de desenvolvimento de ML. Você deve aceitar que o fracasso é possível e preparar-se para dinamizar sua abordagem, se necessário. O importante a lembrar é que cada fracasso é uma oportunidade de aprender e melhorar para o futuro. Conclusão Construir um recurso baseado em IA requer planejamento, pesquisa e implementação cuidadosos. É crucial começar aos poucos, documentar tudo e comunicar-se regularmente com a equipe. E lembre-se sempre de avaliar se a IA é necessária antes de implementar qualquer coisa. Lembre-se de que o fracasso é possível, mas é uma oportunidade de aprender e melhorar. As únicas pessoas que nunca falham são aquelas que nunca tentam. Recursos úteis: Meu blog pessoal Por que você DEVE escrever testes automatizados Regras de ML por Martin Zinkevich Como o custo do desenvolvimento muda ao longo do tempo Entendendo o MVP por Henrik Kniberg Também aparece . aqui
