Zamiana pomysłu w inteligentną aplikację to głównie praca inżynierska. Sieć neuronowa to tylko jej jeden element, nawet jeśli przyciąga najwięcej uwagi. Prawdziwa robota polega na tym, żeby model, dane, aplikacja i mechanizmy kontrolne składały się w jedną całość.
Dla mnie sprawa jest prosta. Przydatna aplikacja AI musi mieć jasno określony cel, dane pasujące do tego celu oraz model, który da radę z nieuporządkowanymi fragmentami rzeczywistego użytkowania. Może to być rozpoznawanie obrazów, prognozowanie, rankowanie, rozumienie tekstu czy generowanie treści. Aplikacja może być narzędziem webowym, mobilnym albo systemem wewnętrznym, ale schemat pozostaje ten sam. Model musi wykonywać prawdziwą pracę wewnątrz produktu, a nie wisieć gdzieś z boku jako funkcja demonstracyjna.
Dlatego „usługi tworzenia aplikacji z wykorzystaniem sztucznej inteligencji” to całkiem trafne określenie, choć brzmi szeroko. W praktyce oznacza zwykle, że zespół wspiera cały proces: projektowanie aplikacji, przepływ danych, dobór modelu, integrację, wdrożenie i późniejsze aktualizacje. Niektóre usługi koncentrują się na wizji komputerowej. Inne na języku. Któreś na rekomendacjach albo prognozowaniu. Liczy się nie etykieta. Liczy się to, czy system wytrzyma kontakt z prawdziwymi użytkownikami i prawdziwymi danymi.
Wiedza z zakresu sieci neuronowych ma znaczenie, gdy aplikacja potrzebuje rozpoznawania wzorców, którego zwykłe reguły nie ogarniają dobrze. Sieć konwolucyjna może pomóc z obrazami. Sieć rekurencyjna, albo częściej nowsze modele sekwencyjne, sprawdzają się przy tekście czy danych czasowych. Te narzędzia są użyteczne, bo uczą się wzorców z przykładów. To nie magia. Działają tak dobrze, jak dobre są dane, cel i dbałość włożona w trening.
Myślę, że tu wiele projektów traci właściwy kierunek. Ludzie zaczynają od modelu zamiast od problemu. Koniec końców wychodzi błyszcząca demonstracja, która nie odpowiada na żadne użyteczne pytanie. Potrafi klasyfikować, przewidywać albo gadać, ale źle albo tylko w wąskim przypadku testowym. Lepsza droga jest nudniejsza i bezpieczniejsza. Najpierw zdefiniuj akcję użytkownika. Potem zapytaj, co model musi wiedzieć. Na koniec sprawdź, czy potrzebne dane w ogóle istnieją.
Działająca aplikacja AI potrzebuje też pewnych ram bezpieczeństwa. Wynik modelu trzeba sprawdzać. Aplikacja musi radzić sobie z błędami. System musi zachować wystarczającą szybkość do normalnego użytkowania. Jeśli model jest wolny, drogi albo niestabilny, produkt wydaje się popsuty, nawet jeśli kod wygląda sprytnie. To właśnie jeden z powodów, dla których usługi deweloperskie często obejmują wdrożenie i monitoring, a nie tylko budowanie modelu.
Istnieje też twardy limit, który ludzie chętnie pomijają. Sieć neuronowa nie zwalnia z potrzeby czystych danych i ostrożnej weryfikacji. Gdy dane są skąpe, szumne albo obciążone uprzedzeniami, aplikacja może zawieść w sposób, który wygląda na pewny siebie. To nie błąd w hasłach marketingowych. To fakt działania systemów uczących. Model uczy się wzorca, jaki widzi, a nie historii, którą zespół chciałby tam zobaczyć.
Najbardziej uczciwe podejście do tej pracy jest po prostu proste. Stosuj sieci neuronowe, gdy pasują do zadania. Korzystaj z prostszych metod, jeśli są wystarczające. Dodawaj AI tam, gdzie tworzy ona realną wartość produktu, a nie tam, gdzie sprawia, że prezentacja biznesowa brzmi nowocześnie. Trzymać się tej linii łatwiej powiedzieć niż stosować, bo każdy zespół chce pięknej historii sukcesu. Rzeczywistość jest bardziej poplątana. Zazwyczaj tak właśnie bywa.
Cenię w tej dziedzinie przede wszystkim dystans między obietnicą a dostarczeniem gotowego rozwiązania. „Inteligentna aplikacja” powinna oznaczać narzędzie, które pomaga w realnym zadaniu, ze znanych granicami. Nie powinno to oznaczać mglistej obietnicy sprawnego działania. Jeśli system potrafi sklasyfikować zdjęcie, skierować żądanie, zasugerować odpowiedź albo zaznaczyć wzorzec z równomierną jakością, to inteligencja jest prawdziwa. Jeśli nie ogarnia zwykłych przypadków, etykieta nie ma znaczenia.
Prosta odpowiedź brzmi więc tak: zamieniaj pomysły w inteligentne aplikacje, łącząc wiedzę o sieciach neuronowych z projektowaniem produktu, dyscypliną danych i pracą wdrożeniową. To właśnie zamienia „usługi tworzenia aplikacji AI” z frazesu sprzedażowego w wdrożony system. Model ma znaczenie, ale otaczający go system jest równie ważny.
Jedyna szczera uwaga brzmi tak, że ta dziedzina nadal zmienia się bardzo szybko, zwłaszcza wokół modeli językowych i wizyjnych. Narzędzia się poprawiają, ale też ewoluują. Silny zespół trzyma się dokumentacji zachowania modeli i testuje system pod kątem konkretnego zadania. To ta praktyczna część i ona nigdy się nie starzeje.
O taki przejrzysty i użyteczny wysiłek stara się wspierać The Model Log: jedno praktyczne pojęcie z zakresu AI, jeden działający przykład i jedna szczera analiza tego, co naprawdę działa.
