This article originally appeared on behalf of the Forbes Technology Council, a community for world-class CIOs, CTOs, and technology executives. Read the original post here.
When it comes to artificial intelligence (AI) and machine learning, in particular, the way we engineer software is fundamentally changing. Traditional engineers didn’t have to contemplate the idea of software needing to “learn” in order to be useful. We defined the “rules” we wanted to account for, hard-coded these into the applications being built and released them. Then, we iterated and improved on them in a continuous cycle.
This is different with AI. Rather than hard-coding rules into applications, AI products rely on training data in order to work. For example, when GPS applications first came out, they changed everything — goodbye paper-based maps! About a decade later, navigation software app Waze redefined that experience yet again. Waze figured out that by aggregating the data from all of their users, they could not only tell one user where to go next but also the fastest way to get there and update those recommendations in real time.
As we got smarter at building software applications, we learned that development practices like the waterfall model don’t work because they don’t contemplate the user nearly enough in the software development lifecycle. By the end, users likely have new requirements. So, we’ve moved to new approaches, such as those made famous in books like The Lean Startup. While people today challenge concepts like the “minimum viable product,” the ideas are absolutely right: Start small and get your product into the hands of your users as soon as possible so you can get their feedback and improve the product along the way.
AI should be approached in the same way. It’s tempting to spend years building the perfect artificial intelligence system, trained by huge volumes of perfect data sets. But don’t be surprised if the product is completely obsolete and irrelevant by the time you introduce it to the world.
Maybe your data set reflected old practices that don’t make sense anymore, or your algorithm has never been exposed to a particular idiom. Or perhaps the person you thought would use your product isn’t who ends up using it. An AI trained in a vacuum can only react to what it’s been exposed to. I’m a firm believer in getting your algorithm out there, where it can learn, adapt and improve. Here’s why it’s OK to let your AI start out “dumb.”
Find Your Focus
We already know that AI tools aren’t yet capable of replacing people, and we don’t expect them to be able to do so in the near future. Keep that in mind when designing your solution. Make your user the focus of your algorithm and intentionally narrow in and deliberate on one use case this user cares about.
One example here is Textio, an AI-based coaching network focused on helping talent professionals write better job descriptions. That’s a very specific task. 모든 사람을 더 나은 작가로 만들기에 초점을 맞추지 않습니다. 특정 분야 하나를 선택하고 심층적으로 진행했습니다. 우리가 본 가장 위대한 인공지능 성취들은 하나의 구체적인 작업으로 시작하고 그 후로 확대됩니다. 솔루션이 좁게 집중될수록 인공지능은 더 빨리 학습됩니다.
기계 앞의 유령을 먼저 두지 마십시오
관심사를 찾았을 때, 세상을 변화시키기만 하고 너무 열망하지 마십시오. 인공지능 시스템(무식한 시스템조차도)이 작동하려면 발생해야 하는 일들을 고려하는 과정은 강도높고 고통스럽습니다. 이러한 과정은 다음을 포함합니다.
기술 환경 설정하기
모든 교육 데이터를 저장하는 시스템 설정하기
데이터를 교육하고 제안을 반환하는 중요한 알고리즘 설정하기
클라우드가 이러한 단계를 쉽게 만들었지만, 여전히 번거롭습니다. 따라서 제품을 잠재고객과 테스트하기 시작할 때 기술 환경을 먼저 설정하고 안정시키는 것에 노력을 집중하는 것이 중요합니다. 이렇게 하면 데이터를 교육하는 데 시간을 대부분 사용하는 대신 훨씬 빨리 움직일 수 있습니다. 이론적으로 일하고 실제 고객의 입력없이 교육 데이터를 수집하려고 노력하면, 기존의 가정을 다시 전달받는 진공에서 일하게 됩니다.
사람들 앞에 인공지능을 가져오세요
기술 데이터는 과정의 시작에 중요하지만 시간이 지남에 따라 더 나아지는 AI 제품을 만들려면 인간 경험의 최대 데이터 집합으로 극복해야 합니다. 이를 위해서는 사용자 경험(UX)에 투자해야 합니다. AI를 사용하는 경험을 개선할수록 더 많은 사람들이 사용하고 싶어 할 것이며, 결과적으로 모델이 더 많은 데이터를 더 빠르게 모을 수 있습니다.
UX의 중요성과 AI 프로젝트의 성공을 연결하는 것이 매우 중요합니다. 불행하게도 대부분의 사람들은 이렇게 생각하지 않습니다. 알고리즘을 통해 더 나은 삶을 위해 매료되어, AI는 기계에 관한 것이라고 가정하고 행동합니다. 이 작업을 하고 있는 이유는 데이터에 액세스하기 위함이지만 데이터는 어디에서 온 것이어야 합니다. 종종 잊혀지는 기본 개념은 여기서 "어디선가"가 소프트웨어를 사용하는 사람들입니다.
AI는 인간과 기계간의 협력으로 취급할 때 작동합니다. 잘 정의된 UX가 없으면 좋은 AI를 가질 수 없습니다. "사람들이 사용하고 싶고 자주 사용할 수 있는 시스템을 만들겠다"고 시작하지 않으면 나머지는 중요하지 않습니다. 알고리즘은 언제든지 조정할 수 있습니다.
실제 세계에서 시간이 오래 지날수록 더 나아집니다. 처음부터 뛌륭하게 하는 것보다 해결하고자 하는 특정 문제를 찾아 기술 환경을 데이터 흡수할 준비하는 것이 중요합니다. 결국, 똑똑한 AI는 그냥 작동하면 됩니다. 2021-05-27T00:00:00.000Z
This article originally appeared on behalf of the Forbes Technology Council, a community for world-class CIOs, CTOs, and technology executives. Read the original post here.
When it comes to artificial intelligence (AI) and machine learning, in particular, the way we engineer software is fundamentally changing. Traditional engineers didn’t have to contemplate the idea of software needing to “learn” in order to be useful. We defined the “rules” we wanted to account for, hard-coded these into the applications being built and released them. Then, we iterated and improved on them in a continuous cycle.
This is different with AI. Rather than hard-coding rules into applications, AI products rely on training data in order to work. For example, when GPS applications first came out, they changed everything — goodbye paper-based maps! About a decade later, navigation software app Waze redefined that experience yet again. Waze figured out that by aggregating the data from all of their users, they could not only tell one user where to go next but also the fastest way to get there and update those recommendations in real time.
As we got smarter at building software applications, we learned that development practices like the waterfall model don’t work because they don’t contemplate the user nearly enough in the software development lifecycle. By the end, users likely have new requirements. So, we’ve moved to new approaches, such as those made famous in books like The Lean Startup. While people today challenge concepts like the “minimum viable product,” the ideas are absolutely right: Start small and get your product into the hands of your users as soon as possible so you can get their feedback and improve the product along the way.
AI should be approached in the same way. It’s tempting to spend years building the perfect artificial intelligence system, trained by huge volumes of perfect data sets. But don’t be surprised if the product is completely obsolete and irrelevant by the time you introduce it to the world.
Maybe your data set reflected old practices that don’t make sense anymore, or your algorithm has never been exposed to a particular idiom. Or perhaps the person you thought would use your product isn’t who ends up using it. An AI trained in a vacuum can only react to what it’s been exposed to. I’m a firm believer in getting your algorithm out there, where it can learn, adapt and improve. Here’s why it’s OK to let your AI start out “dumb.”
Find Your Focus
We already know that AI tools aren’t yet capable of replacing people, and we don’t expect them to be able to do so in the near future. Keep that in mind when designing your solution. Make your user the focus of your algorithm and intentionally narrow in and deliberate on one use case this user cares about.
One example here is Textio, an AI-based coaching network focused on helping talent professionals write better job descriptions. That’s a very specific task. 모든 사람을 더 나은 작가로 만들기에 초점을 맞추지 않습니다. 특정 분야 하나를 선택하고 심층적으로 진행했습니다. 우리가 본 가장 위대한 인공지능 성취들은 하나의 구체적인 작업으로 시작하고 그 후로 확대됩니다. 솔루션이 좁게 집중될수록 인공지능은 더 빨리 학습됩니다.
기계 앞의 유령을 먼저 두지 마십시오
관심사를 찾았을 때, 세상을 변화시키기만 하고 너무 열망하지 마십시오. 인공지능 시스템(무식한 시스템조차도)이 작동하려면 발생해야 하는 일들을 고려하는 과정은 강도높고 고통스럽습니다. 이러한 과정은 다음을 포함합니다.
기술 환경 설정하기
모든 교육 데이터를 저장하는 시스템 설정하기
데이터를 교육하고 제안을 반환하는 중요한 알고리즘 설정하기
클라우드가 이러한 단계를 쉽게 만들었지만, 여전히 번거롭습니다. 따라서 제품을 잠재고객과 테스트하기 시작할 때 기술 환경을 먼저 설정하고 안정시키는 것에 노력을 집중하는 것이 중요합니다. 이렇게 하면 데이터를 교육하는 데 시간을 대부분 사용하는 대신 훨씬 빨리 움직일 수 있습니다. 이론적으로 일하고 실제 고객의 입력없이 교육 데이터를 수집하려고 노력하면, 기존의 가정을 다시 전달받는 진공에서 일하게 됩니다.
사람들 앞에 인공지능을 가져오세요
기술 데이터는 과정의 시작에 중요하지만 시간이 지남에 따라 더 나아지는 AI 제품을 만들려면 인간 경험의 최대 데이터 집합으로 극복해야 합니다. 이를 위해서는 사용자 경험(UX)에 투자해야 합니다. AI를 사용하는 경험을 개선할수록 더 많은 사람들이 사용하고 싶어 할 것이며, 결과적으로 모델이 더 많은 데이터를 더 빠르게 모을 수 있습니다.
UX의 중요성과 AI 프로젝트의 성공을 연결하는 것이 매우 중요합니다. 불행하게도 대부분의 사람들은 이렇게 생각하지 않습니다. 알고리즘을 통해 더 나은 삶을 위해 매료되어, AI는 기계에 관한 것이라고 가정하고 행동합니다. 이 작업을 하고 있는 이유는 데이터에 액세스하기 위함이지만 데이터는 어디에서 온 것이어야 합니다. 종종 잊혀지는 기본 개념은 여기서 "어디선가"가 소프트웨어를 사용하는 사람들입니다.
AI는 인간과 기계간의 협력으로 취급할 때 작동합니다. 잘 정의된 UX가 없으면 좋은 AI를 가질 수 없습니다. "사람들이 사용하고 싶고 자주 사용할 수 있는 시스템을 만들겠다"고 시작하지 않으면 나머지는 중요하지 않습니다. 알고리즘은 언제든지 조정할 수 있습니다.
실제 세계에서 시간이 오래 지날수록 더 나아집니다. 처음부터 뛌륭하게 하는 것보다 해결하고자 하는 특정 문제를 찾아 기술 환경을 데이터 흡수할 준비하는 것이 중요합니다. 결국, 똑똑한 AI는 그냥 작동하면 됩니다. 2021-05-27T00:00:00.000Z
Experience the power of the Guru platform firsthand – take our interactive product tour
