Tekoälyn rakentaminen AWS:llä: vältä 5 virhettä, jotka kaatavat tekoälyhankkeet

Riippumatta siitä, kuinka pitkällä olet tekoälyn kehittämisessä, voit säästää paljon aikaa ja resursseja oppimalla muiden yritysten virheistä.

Tarvitset vankan perustan – ja AWS:n varaan rakennettu perusta on erinomainen alku. Varmista kuitenkin, ettei perustassasi ole samoja valtavia rakenteellisia virheitä, joiden varaan monet muut yritykset rakentavat. On liian helppoa oikaista mutkissa ja kiirehtiä hyödyntämään tätä uutta teknologista liiketoimintamahdollisuutta (tekoälyä), joka tuli yhtäkkiä kaikkien saataville.

Uuden työkalun viehätys katoaa nopeasti, ja kun niin käy, sinulla on parempi olla arvokas ratkaisu – huolellisesti rakennettu kokonaisuus, joka ratkaisee todellisia ongelmia.

Se voi kuulostaa itsestään selvältä, mutta näen yritysten vaihtavan laadun nopeuteen jatkuvasti. En halua, että sinä olet yksi niistä. Lue eteenpäin ja tee asiat oikein heti alusta alkaen. Opi, mitkä ovat viisi suurta virhettä ja miten vältät ne.

Ennen kuin sukellamme kiinnostavampiin asioihin, otetaan askel taaksepäin ja todetaan jotain tärkeää:

Tekoäly ei ole lopullinen tavoitteesi

Se on vain yksi työkalu jo valmiiksi täydellä työkalupakillasi. Koska tämä työkalu voidaan määrittää lukemattomilla tavoilla, sinun on oltava selvillä siitä, mitä olet rakentamassa.

Yleisellä tasolla tekoälytoteutuksia on nykyään neljää päätyyppiä:

• Asiakaskokemus: chatbotit, avustajat ja personointi

• Tuottavuuden parantaminen: interaktiivinen haku, tiivistäminen ja koodauscopilotit

• Sisällöntuotanto: tekstin, kuvien ja videoiden, kuten animaatioiden, luominen

• Liiketoimintatiedon analysointi: datan louhinta ja käsittely sekä liiketoimintanäkemysten tuottaminen

Jos et ole selvillä siitä, millaista ratkaisua olet rakentamassa, saatat valita väärän palvelukokonaisuuden.

Mitä siis yrität saada aikaan? Jotain, joka tekee koodauksesta nopeampaa ja parempaa? Uuden tuotteen? Tavan saada näkemyksiä olemassa olevasta datasta? Testiautomaatiota? Toimintoja olemassa olevaan ekosysteemiin?

Jos et tiedä vastausta, saatat tuhlata paljon rahaa ja vaivaa. Teet vääriä johtopäätöksiä, luot huonoja asiakaskokemuksia ja huomiosi siirtyy pois ydinliiketoiminnastasi.

Toisin sanoen panokset ovat suuret. Tämä on aikamme suuri innovaatiokilpailu. Ja kuten kilpailuissa yleensä, valitsemalla AWS:n lähtöpisteeksesi olet erinomaisessa asemassa heti alusta lähtien.

Muutama sana tekoälyn rakentamisesta AWS:ssä

Jotta tekoälyinnovaatiotasi voidaan hyödyntää, useiden AWS-palvelujen on toimittava yhdessä. Katsotaan siis nopeasti AWS:n kolmea tärkeintä tekoälypalvelua:

Sagemaker: Jos olet esimerkiksi datatieteilijä, käytät Sagemakeria datan valmisteluun tai ML-mallin kouluttamiseen ja hienosäätöön. Voit käyttää sitä myös koodipohjaiseen kehitykseen Jupyter Notebooksin avulla.

Bedrock: Jos olet kehittäjä, tämä on API useille eri perusmalleille. Käytät sitä uusien palvelujen tai sovellusten rakentamiseen tai olemassa olevien kehittämiseen.

Amazon Q: Tämä on generatiivinen tekoälyavustaja ja asiantuntijaopas AWS-ekosysteemin useilla alueilla. AWS-konsolissa voit esittää teknisiä kysymyksiä. Se toimii koodauskumppaninasi CodeWhispererissa ja BI-avustajanasi QuickSightissa.

Q:n avulla voit luoda organisaatiollesi helposti turvallisen chatbotin ja parantaa sitä Retrieval Augmented Generationilla (RAG). Tämä tarkoittaa, että voit tehostaa sitä omalla datallasi, olipa se dokumentaatiossa, verkkosivustolla tai tietokannassa.

Haluan vielä lisätä pari loppuhuomiota tekoälystä AWS:ssä:

1. Kun sinulla on selkeä visio tavoitteestasi, sinun on valittava oikea kulkuväline, joka vie sinut perille. Jos sinun pitää päästä vuoristokylään, voit käyttää helikopteria, köysirataa tai polkupyörää. Oikea vaihtoehto riippuu siitä, mitä haluat saavuttaa – nopeutta, upeita näkymiä vai liikuntaa.

2. Kuten jo tiedät, AWS:n kanssa työskennellessäsi käytössäsi on laaja toisiinsa yhteensopivien työkalujen ekosysteemi. Pidä tämä aina mielessä, sillä oikealla visiolla ja kokonaiskuvalla voit hyödyntää lukuisia synergioita ja tehostaa toimintaasi.

Ja nyt ilman sen suurempia puheita katsotaan, miten voit välttää kriittiset virheet.

Virhe 1: ”Tarvitsemme tekoälyä, koska… öhöm… miksi emme?”

Kuten jo lyhyesti totesin, perustavanlaatuisin virhe on se, ettei ole selkeää käsitystä siitä, mitä uuden ominaisuuden pitäisi tehdä tai ratkaista.

Älä käytä rahaa ja resursseja johonkin kikkailuun vain siksi, että ”kaikki muutkin tekevät niin”. Lopputuloksena on vain epäonnistunut, kesken jäänyt pilotti, joka kasvattaa kustannuksia ilman käyttäjiä.

Näin vältät hakuammunnan

Vältät tämän suunnittelemalla todellisia käyttöskenaarioita. Ideoi ja simuloi tekoälytyökalun mahdollisia käytännön sovelluksia.

Jokaisen päätöksen pitäisi olla liiketoimintapäätös. Kun tämä vaatimus täyttyy, sopivan teknologiavalikoiman valitseminen on paljon helpompaa.

Mitä sen täytyy pystyä tekemään? Mitkä ovat sen rajoitukset? Vasta kun olet vastannut näihin kysymyksiin, tiedät, vastaako se käyttäjien todellisiin tarpeisiin ja ratkaiseeko se ongelmia.

Vinkki

Kierrätä! Käy läpi ideapankkiasi. Olet ehkä aiemmin hylännyt hyviä ideoita, koska ajoitus oli väärä. Joskus parhaat ideat odottavat vain oikeanlaista teknologista kehitystä. Tekoäly mahdollistaa monien näiden ideoiden toteuttamisen viimein.

Virhe 2: Kattava datastrategia puuttuu

Jos strategiasi on heikko tai puuttuu kokonaan, datan käsittely on tehotonta. Data on:

• Järjestämätöntä

• Puhdistamatonta ja merkitsemätöntä

• Epäyhtenäisesti muotoiltua

• Päällekkäistä

Jos koulutat tekoälymallisi tällaisella datalla, tulokset ja työkalu ovat epäluotettavia. Myös kustannukset ovat tarpeettoman korkeat, koska resursseja kuluu hukkaan, kun käytät enemmän tallennustilaa, laskentatehoa ja palveluita kuin on tarpeen.

Itse tekoälypalvelun kannalta tämä voi olla katastrofaalista. Koko malli vääristyy ja tuottaa vinoutuneita tai epäoikeudenmukaisia tuloksia. Tämä on erityisen huolestuttavaa esimerkiksi rekrytoinnissa, rahoitusalalla ja biotieteissä, joissa puolueelliset päätökset vaikuttavat ihmisten elämään.

Eikä siinä kaikki: heikko hallintamalli tekee datastasi haavoittuvampaa. Altistat sen tietomurroille ja väärinkäytöksille.

Näin onnistut strategiassasi

Määrittele selkeä datastrategia ennen kuin sukellat tekoälykehitykseen. Sisällytä strategiaan:

• Käytettävät palvelut

• Integraatiot

• Datan merkintä (vähintään PI-datan erottelu)

• Datan käsittely ja tallennus

• Varmuuskopiointikäytännöt

Koska rakennat tekoälytyökalusi AWS:lle, strategiasi pohjautuu parempaan tietoon, kun tutustut etukäteen joihinkin AWS-palveluihin (Glue, Macie jne.). Hyvä käytäntö on myös sisällyttää Well-Architected Reviewt (WAR) osaksi toimintaasi.

Suosittelen Well-Architected Framework -työpajoja myös liiketoiminnan ja myynnin toiminnoille.

Vinkki

Ota datastrategian laatimiseen mukaan laaja joukko ihmisiä. Tähän kuuluvat pilviarkkitehdit, data-insinöörit ja liiketoiminnan sidosryhmät. Vain näin voit varmistaa, että strategia vastaa sekä teknisiä vaatimuksia että liiketoimintatavoitteita. Muista ottaa myös liiketoiminnan ja myynnin edustajat mukaan AWS Well-Architected Framework -työpajoihin!

Virhe 3: Et hyödynnä dataasi täysimääräisesti tekoälyn käyttöönotossa

Monet yritykset eivät yksinkertaisesti hyödynnä dataa kunnolla tekoälymalliensa kouluttamiseen, validointiin ja parantamiseen.

Jos haluat rakentaa jotain merkittävää, tarvitset datallesi vankan perustan. Sen luomiseksi sinun on ehdottomasti optimoitava:

• Strukturoidun ja strukturoimattoman datan tiedostotallennus

• Operatiivisen datan tallennus (SQL, NoSQL, DocumentDB, VectorDB)

• Analytiikkarakenteet (eräajot, haku, suoratoisto)

• Integraatiot (tallennus, muokkaus, suoratoisto)

• Hallintamalli (tietosuoja, datan käyttöoikeudet, laatu)

Paras tapa luoda luotettava perusta on noudattaa AWS Well-Architected Frameworkia.

Se on erinomainen tapa hallita datan hallintamallia, infrastruktuuria ja datan laatua. Viitekehyksessä on kuusi pilaria: operatiivinen erinomaisuus, tietoturva, luotettavuus, suorituskykytehokkuus, kustannusoptimointi ja kestävyys.

Toisin sanoen se kattaa paljon ja vie sinut pitkälle AWS:lle rakennetun vankan perustan luomisessa.

Jos haluat oppia lisää Well-Architected Frameworkista, kollegani on kirjoittanut siitä erinomaisen johdannon täällä.

Virhe 4: Et hallitse serverless-palveluiden kustannuksia

Oikeiden työkalujen ja palvelujen valitseminen juuri omaan käyttötapaukseesi on vaikeaa.

Sinun on tiedettävä – tai ainakin arvioitava – koko työkaluketjun resurssien käyttö. Tarvitset myös hyvän monitorointi- ja hälytysjärjestelmän odottamattomien tilanteiden varalle, esimerkiksi jos palvelusta tulee yhtäkkiä erittäin suosittu. Usein päädyt valitsemaan palvelut, jotka tunnet parhaiten tai jotka olet nähnyt demossa.

Saatavilla on erinomaisia serverless-vaihtoehtoja, jotka eivät vaadi ylläpitoa, mutta niiden kustannukset vaihtelevat suuresti. Ehkä enemmän kuin useimmat ymmärtävät.

Joistakin palveluista maksat, vaikka et käyttäisi niitä. Tarkastellaan paria tilannetta.

Verrataan VectorDB:n toteuttamista OpenSearch Serverlessilla ja Aurora Serverlessilla tilanteessa, jossa kysyntä on epäsäännöllistä, esimerkiksi proof-of-conceptin tai käyttöönoton aikana. Molemmat palvelut tarjoavat hyvän suorituskyvyn, mutta Auran käytön kustannus on vain murto-osa (€70) OpenSearch Serverlessin kustannuksesta (€1000).

Toisessa tilanteessa, jossa tietokannan käyttö on tasaista, RDS:n ja Aurora Serverlessin vertailussa RDS voi olla huimat 50 % edullisempi, koska RDS:stä voi varata edullista kapasiteettia.

Näin käytät serverless-palveluita järkevästi

Pidä korvat auki ja pysy perillä tarjolla olevista vaihtoehdoista. Seuraa AWS:n uutisjulkaisuja, osallistu AWS-työpajoihin, seuraa sopivia sosiaalisen median kanavia ja käytä hintalaskureita.

Virhe 5: Tärkeimpiin mittareihin ei keskitytä riittävästi

Vaikka tekoälyratkaisusi olisi teknisesti erinomainen, se on hukkaan heitettyä työtä, jos se ei vastaa käyttäjän tarpeisiin.

Tiedät jo, kuinka tärkeitä mittarit ovat ja etteivät kaikki mittarit ole samanarvoisia. Jotta tekoälyhankkeesi onnistuu, sinun on tiedettävä, mikä data on olennaista. Varmista siis seurannassa ja mittaamisessa, että vertaat tuloksia selkeisiin tavoitteisiin ja päämääriin.

Tekoälyn epäonnistumisista on paljon pahamaineisia esimerkkejä: tekoälykaupankäyntiä, virheellisiä lääketieteellisiä diagnooseja, loukkaavia chatbotteja ja niin edelleen. Mutta ne ovat vasta jäävuoren huippu.

On myös lukemattomia vähäeleisempiä esimerkkejä, kuten hitaita tai ”lähes” hyviä vastauksia antavia tekoälypohjaisia helpdesk-avustajia. Tällöin saatat huomaamattasi ”pakottaa” asiantuntijan palaamaan perinteiseen tapaan ja kopioimaan vastauksia aiemmista, samankaltaisista tiketeistä.

Näin käytät mittareita fiksusti

Kerää tilastoja ja tietoa nykyisestä toimintatavasta. Jos käytössäsi on esimerkiksi helpdesk-tekoäly, pyri ratkaisemaan kiireellisimmät tukiongelmat. Yksi mittari voisi olla aukottomien vastausten laatiminen kolmeen yleisimpään tukitikettien aiheeseen.

Muista, että huippuluokkainenkin tekninen osaaminen on epäonnistuminen, jos se ei ratkaise käsillä olevaa ongelmaa.

Tekoälyn onnistumisen kolme tukipilaria ovat:

1. Liiketoiminnan tai asiakkaan tarpeiden täyttäminen

2. Arjen työntekijän työn helpottaminen

3. Oikean palvelun tai teknologian käyttäminen tämän saavuttamiseksi

Yleensä tämä kolmas osa on kaikkein yksinkertaisin, mutta usein hankkeissa prioriteetit ovat täysin päinvastaiset.

Vinkki

Asiakkaasi tai loppukäyttäjäsi on oman järjestelmänsä ja työtapojensa asiantuntija. Kuuntele aidosti ja tunnista kohdat, joissa uusi tekoälyratkaisu voisi auttaa – olipa kyse henkilöstöä tukevasta chatbotista tai radiologian röntgenkuva-analytiikan avustajasta.

Lopuksi

”Innovaatio” ei tarkoita ChatGPT:n tai vastaavan työkalun käyttämistä hakukoneen tavoin.

Todellinen innovaatio syntyy kartoittamattomilla alueilla, kun löydät täysin uusia tapoja käyttää työkaluja. Hienojen uusien tekniikoiden käyttäminen hypen vuoksi tai siksi, että kilpailijasi puhuu niistä, johtaa todennäköisesti pilotin epäonnistumiseen.

Tekoälyn rakentaminen AWS:ään on erinomainen valinta. Tutustu siis koko ekosysteemiin huolellisesti ja kuuntele jatkuvasti, sillä uusia työkaluja julkaistaan jatkuvasti.

Muista, että teknologia on vain yksi osa kokonaisuutta. Käyttäjän ja liiketoimintasi on tarvittava ja haluttava sitä, ja lopputulos on vain niin hyvä kuin idean tuoreuden ja siihen syötetyn datan yhdistelmä.