نویسنده (ها): Elangoraj Thiruppandiaraj
در ابتدا منتشر شده در به سمت هوش مصنوعیبشر
مقدمه: مشکل ایده های AI
من به عنوان یک دانشمند داده ، اغلب می فهمم که هر شخص دوم که با او صحبت می کنم یک مورد استفاده بالقوه از هوش مصنوعی در ذهن دارد. من س questions الاتی می گیرم مانند: آیا هوش مصنوعی می تواند این را حل کند؟ آیا این می تواند خودکار باشد؟ آیا می توانم برای کارهای روزانه خود نماینده ای ایجاد کنم؟ آیا AI من را به دست خواهد گرفت کار؟
من کنجکاوی را کاملاً درک می کنم – هیجان برای ورود هوش مصنوعی به هر جنبه ای از زندگی واقعی است. اما قبل از غواصی ، ما باید از خودمان چند سؤال مهم بپرسیم:
آیا این ایده در دنیای واقعی تأثیر دارد؟
آیا باعث صرفه جویی در وقت یا تلاش می شود؟
آیا واقعاً زندگی را بهتر خواهد کرد؟
خیلی اوقات ، این سؤالات نادیده گرفته می شوند – و به همین دلیل است که طبق گفته گارتنر ، تا 30 ٪ هوش مصنوعی پروژه ها پس از مرحله اثبات مفهوم (POC) تا سال 2025 رها می شوند. دلایل متداول شامل کیفیت پایین داده ها ، ارزش نامشخص تجارت و هزینه های مارپیچ است. نشان همچنین خاطرنشان می کند که بیشتر ابتکارات AI ناکام را می توان در مرحله شروع به برنامه ریزی ضعیف ردیابی کرد.
در این مقاله ، من می خواهم آنچه را که معتقدم مهمترین و غالباً نادیده گرفته از یک پروژه هوش مصنوعی است برجسته کنم: آغاز. از طوفان مغزی و جمع آوری نیاز گرفته تا زودهنگام – این مراحل به شما کمک می کند تا ارزش واقعی ایده خود را تعیین کنید و زمینه را برای نوشتن یک پیشنهاد واضح و واقع گرایانه فراهم کنید. این همان چیزی است که به پروژه هوش مصنوعی شما یک عکس واقعی در تبدیل شدن به چیزی مفید و مهمتر از همه موفق می دهد.
1. ایده های هوش مصنوعی استرومینگ مغز که در واقع مهم هستند
این روزها ، مانند هر چیزی احساس می شود و همه چیز را می توان با هوش مصنوعی خودکار کرد – از تولید فرمول های اکسل و مدیریت مصرف انرژی گرفته تا اسکن بارکد و رزرو بلیط با عوامل AI. امکانات هیجان انگیز است ، اما در اینجا صید وجود دارد: همه کارهایی که می تواند به صورت خودکار باشد نیاز به هوش مصنوعی ندارد.
در بسیاری از موارد ، آنچه مردم واقعاً به آن احتیاج دارند ، یک راه حل ساده و مبتنی بر قانون یا یک برنامه سفارشی است-نه یک سیستم هوش مصنوعی پیچیده. به عنوان مثال ، خودکار سازی یک گردش کار اکسل فقط ممکن است به کسی نیاز داشته باشد که فرمول های کارآمد یا یک اسکریپت خوب ساختار یافته با موارد آزمایش مناسب بنویسد. پرتاب هوش مصنوعی در آن ممکن است پیچیدگی غیر ضروری را بدون فواید واقعی اضافه کند.
به همین دلیل انتخاب نوع مناسب مشکل برای حل با هوش مصنوعی اولین قدم است شما باید ایده های براق را از آنچه که ارزش واقعی و قابل اندازه گیری دارند جدا کنید.
وقتی ایده های طوفان مغزی برای پروژه های هوش مصنوعی ، از چند سؤال اساسی برای فیلتر کردن سر و صدا می پرسم:
- بازده سرمایه گذاری چیست؟
آیا مقدار ایجاد شده (زمان صرفه جویی شده ، بینش به دست آمده ، خطاها کاهش می یابد) بیشتر از زمان ، تلاش و هزینه ساخت راه حل هوش مصنوعی؟ - با انجام این کار چه هزینه ای پس انداز می کنیم؟
آیا ساعت ها تلاش دستی را کاهش می دهد؟ کاهش هزینه های مجوز؟ از اشتباهات اجتناب می کنید؟ - آیا این به ما کمک می کند تا بیشتر بفروشیم یا سود را بهبود بخشیم؟
هوش مصنوعی باید به رشد تجارت کمک کند – یا با بهبود فروش ، افزایش تجربه مشتری یا فعال کردن قابلیت های جدید. - کاربر اصلی یا مصرف کننده این راه حل کیست؟
گردش کار ، نیازهای آنها را درک کنید و اینکه آیا آنها واقعاً از آنچه می سازید استفاده می کنند. - آیا راه حل موجود وجود دارد که قابل استفاده مجدد یا اقتباس باشد؟
استفاده از هوش مصنوعی یا ساختن چیزی از ابتدا همیشه بهترین نقطه شروع نیست – در بسیاری از موارد ، می توانید با استفاده از ابزارها ، خدمات یا راه حل های موجود ، سریعتر به هدف خود برسید.
یک ایده خوب هوش مصنوعی با یک مشکل واقعی شروع می شود – ایده ای که به اندازه کافی دردناک برای حل آن است و به اندازه کافی ارزشمند برای توجیه تلاش است. طوفان مغزی با این لنز ، پروژه را پایه گذاری می کند و شانس ایجاد تأثیر معنی داری را افزایش می دهد.
2. جمع آوری داده ها و درک شرایط
هنگامی که ایده خود را میخکوب کردید ، مرحله بعدی – و اغلب بحرانی ترین – این است جمع آوری داده های مناسب و تعریف الزامات واضحبشر اینجاست که پروژه هوش مصنوعی شما واقعاً شکل می گیرد.
واقعیت؟ دسترسی به داده های مربوطه و با کیفیت بالا سخت است. حدود 70 ٪ از تولید کنندگان داده ها را گزارش می دهند مسائل – از سوابق منسوخ و ناقص گرفته تا قالب بندی ضعیف. در حالی که داده های پاک ایده آل هستند ، مهمترین اهمیت ، تنوع و پوشش است. متنوع مجموعه داده تعصب را کاهش می دهد و تعمیم را بهبود می بخشد. برای نمونه، Deepseek-منبع باز چینی LLM -به دلیل آموزش در مورد داده های باریک و خاص منطقه ، واکنش نشان داده شده برای پاسخ های محدود.
شما همچنین باید در نظر بگیرید مقررات مربوط به حریم خصوصی داده ها مثل GDPR محدودیت های قانونی می تواند نحوه استفاده از داده ها را محدود کند ، حتی اگر ارزشمند باشد – بنابراین درک این مرزها در اوایل مهم است.
به همان اندازه که داده ها دارای اهمیت هستند الزامات روشن و خوببشر بدون اینکه دقیقاً بدانید چه چیزی را حل می کنید ، حتی بهترین مدل یا مجموعه داده نتیجه نمی گیرد الزامات خوب تیم ها را تراز می کند ، سردرگمی را کاهش می دهد و منجر به نتایج بهتر می شود.
هر وقت من داده ها و الزامات شکل دهی را جمع می کنم ، این سؤالاتی است که من سعی می کنم به آنها پاسخ دهم:
- آیا ما برای حل این مشکل داده های مرتبط داریم؟
بدون ارتباط ، حتی تمیزترین مجموعه داده سوزن را جابجا نمی کند. - کیفیت آن داده ها چیست؟
داده های منسوخ یا متناقض منجر به عملکرد مدل ضعیف و تلاش هدر می رود. - آیا داده داخلی است یا خارجی؟ کجا ذخیره می شود؟
دانستن منبع و مکان به ارزیابی دسترسی ، مالکیت و چالش های ادغام کمک می کند. - آیا الزامات پروژه روشن و هماهنگ با اهداف تجاری است؟
اهداف شفاف اطمینان حاصل می کنند که راه حل مشکل مناسب را حل می کند و ارزش واقعی را ارائه می دهد. - آیا قوانین حفاظت از داده یا محدودیت های قانونی وجود دارد که باید در نظر بگیریم؟
محدودیت های قانونی و انطباق می تواند بر اینکه و چگونه می توان از داده ها در راه حل هوش مصنوعی شما استفاده کرد ، تأثیر بگذارد.
گذراندن وقت در این مرحله می تواند کند باشد ، اما این همان چیزی است که شما را برای موفقیت – یا عدم موفقیت قرار می دهد. بدون داده ، بدون هوش مصنوعی. بدون وضوح ، بدون جهت.
3. Scoping the Project: ترسیم خط
در حال حاضر ، شما می دانید که چرا این راه حل هوش مصنوعی را می سازید و چه داده ها و الزاماتی را دارید. مرحله بعدی تعریف به وضوح چه پروژه است اراده – و نخواهد شد – تحویل می دهدبشر
این جایی است که دامنه وارد می شود. یک دامنه کاملاً تعریف شده از سردرگمی جلوگیری می کند ، از خزش دامنه جلوگیری می کند و پروژه را واقع بینانه نگه می دارد. من معمولاً آن را به دو سطل تقسیم می کنم:
در دامنه: اینها تحویل هایی هستند که می توانید بر اساس داده ها ، زمان و منابع فعلی متعهد شوید – به عنوان مثال ، یک API در حال کار ، یک نمونه اولیه WebApp ، اسکریپت های پیش پردازش داده ، مستندات یا پایگاه کد. فقط مواردی را شامل می شود که برای این مرحله امکان پذیر و مورد توافق هستند.
خارج از محدوده: همانطور که مهم است بیان آنچه در آن گنجانده نشده است. به عنوان مثال ، یک WebApp ممکن است در محدوده باشد ، اما استقرار کامل یا ادغام شرکت ممکن است نباشد. تعریف این اوایل – اغلب از نظر MVP (حداقل محصول قابل استفاده) – به تعیین انتظارات کمک می کند و بعداً از سردرگمی جلوگیری می کند.
وقتی دامنه را تعریف می کنم ، این سؤالاتی است که می پرسم:
- تحویل های تأیید شده برای این مرحله چیست؟
خاص باشید – نمونه های اولیه ، گزارش ها ، مدل ها ، API ها و غیره. - آیا ما متعهد به استقرار هستیم یا فقط یک POC/MVP؟
روشن کردن این پیش فرض از انتظارات نادرست جلوگیری می کند. - چه ویژگی ها یا وظایفی صریحاً از محدوده خارج است؟
لیست آنها به جلوگیری از خزش دامنه و درگیری های آینده کمک می کند. - آیا نقش ها و مسئولیت ها به وضوح تعریف شده است؟
دانستن اینکه چه کسی صاحب شگفتی های لحظه آخری است. - آیا دامنه با منابع و زمان موجود هماهنگ است؟
دامنه شما باید با پهنای باند و قابلیت های تیم شما مطابقت داشته باشد.
4. نوشتن یک پیشنهاد پروژه که در واقع خوانده می شود
پس از تعریف دامنه ، مرحله بعدی نوشتن پیشنهاد پروژه است – آسانسور پروژه شما زمینبشر این سند با تشریح اهداف ، دامنه ، تحویل ، جدول زمانی و تلاش یا هزینه تخمین زده شده ، این پروژه را به ذینفعان اصلی معرفی می کند.
بر خلاف منشور پروژه ، که به طور معمول در مرحله برنامه ریزی ایجاد می شود ، این پیشنهاد زودتر – در مرحله آغازین – ارائه می شود و به عنوان پایه و اساس تراز خدمت می کند. نیازی به بیش از حد فنی یا طولانی نیست. هدف ساده است: به وضوح توضیح دهید که چه چیزی در حال ساختن هستید ، چرا اهمیت دارد و چه چیزی برای تحقق آن لازم است.
بسیاری از الگوها و منابع عالی در آنجا وجود دارد ، اما من هنگام تهیه یک پیشنهاد ، به پاسخ دادن به چند سؤال اصلی توجه می کنم:
- مشکلی که ما سعی در حل آن داریم چیست؟
یک بیانیه مشکل روشن به هدف و فوریت پروژه می دهد. - هدف این راه حل هوش مصنوعی چیست؟
این نتیجه مورد نظر را نشان می دهد – خواه صرفه جویی در هزینه ، اتوماسیون یا بینش های بهبود یافته. - ذینفعان اصلی چه کسانی هستند؟
شناسایی تصمیم گیرندگان ، کاربران و مشارکت کنندگان از ابتدا هم ترازی را تضمین می کند. - دامنه چیست و تحویل های توافق شده چیست؟
دقیقاً آنچه را که تحویل داده می شود و آنچه را که مستثنی است ارائه می دهد. - مراحل بعدی یا طرح کلی راه حل پیشنهادی چیست؟
انتظارات را برای نحوه کار و آنچه برای شروع کار لازم است ، تعیین کنید.
یک پیشنهاد خوب نوشته شده فقط آگاه نیست-این اعتماد به نفس ایجاد می کند. این به همه کمک می کند تا ارزش کار را درک کنند و اطمینان حاصل می کنند که شما در انزوا ایجاد نمی کنید.
پایان
این مرحله از برنامه ریزی پروژه ممکن است پر زرق و برق ترین نباشد ، اما این است بدون شک ضروری ترینبشر هنگامی که وقت خود را برای پرسیدن سؤالات مناسب ، اهداف واقع بینانه ، و از بین بردن اصطلاحات و فرضیات خود دور می کنید ، پایه و اساس پروژه ای را که در واقع برای موفقیت ساخته شده است ، قرار می دهید.
یک پیشنهاد روشن ، با حمایت از دامنه خوب تعریف شده و معیارهای پذیرش توافق شده ، فقط ثبت نام نمی کند-این راهی را به شما می دهد تأثیر قابل اندازه گیری و پروژه را در جهت درست حرکت دهید.
در پایان ، برنامه ریزی قوی در مورد کاهش سرعت چیزها نیست – این در مورد اطمینان از آنچه شما می سازید ارزش ساخت دارد.
در تماس باشید
من دوست دارم افکار شما را در مورد این رویکرد برای برنامه ریزی پروژه های هوش مصنوعی بشنوم. چگونه می توانید در مورد ایده های طوفان مغزی ، جمع آوری الزامات یا ارائه پیشنهادات استفاده کنید؟ آیا با چالش هایی روبرو شده اید که یک مفهوم عالی هوش مصنوعی را به چیزی واقعی تبدیل کرده اید؟
بیایید ارتباطات را به اشتراک بگذاریم و به اشتراک بگذاریم – یک نظر را کنار بگذارید ، مقاله را به اشتراک بگذارید یا به من دسترسی پیدا کنیم وابسته به لینکدینبشر
مرا دنبال کن واسطه برای بینش بیشتر در مورد هوش مصنوعی و اجرای پروژه. بیایید مکالمه را ادامه دهیم! 🚀
#ArtificialIntelligence #ProjectManagement
منتشر شده از طریق به سمت هوش مصنوعی
