Seuraava artikkeli auttaa sinua: Haastattelu Rahul Saxenan kanssa, yksi AiDashin perustajista ja teknologiajohtaja
Kestävyydestä on tullut muotisana liiketoiminnassa kasvavien ympäristöhuolien vuoksi. Yhä useampi yritys on sitoutunut asiaan ja asettanut itselleen korkeat tavoitteet. Mutta miten voimme mitata niiden vaikutusta ennen kuin ryhdymme asettamaan tavoitteita? Bengalurussa toimiva startup AiDash uskoo voivansa vastata tähän tärkeään kysymykseen.
Vuonna 2019 perustettu AiDash on tekoälyn ensimmäinen vertikaalinen SaaS-yritys, joka mahdollistaa satelliitti- ja tekoälypohjaisen toiminnan, ylläpidon ja kestävyyden toimialoilla, joilla on maantieteellisesti hajautettua omaisuutta. AiDash käyttää korkearesoluutioisia monispektri- ja SAR-tietoja maailman johtavista satelliittikonstellaatioista, jotka syötetään sen patentoituihin tekoälymalleihin tehdäkseen oikea-aikaisia ennusteita mittakaavassa. Nämä tekoälymallit mahdollistavat AiDashin täyden pinon sovellukset, jotka muuttavat käyttö- ja kunnossapitotoimintoja sähkö-, energia-, kuljetus-, vesi- ja jätevesi-, kaivos- ja rakennusyrityksissä.
AiDashilla on täysin toimiva AI-infrastruktuuri, joka on rakennettu alusta asti vastaamaan yrityksen erityistarpeita. Keskustelimme yrityksen perustajan ja teknologiajohtajan Rahul Saxenan kanssa teknisen infrastruktuurin perustamisen liiketoiminnasta ja siitä, kuinka AiDash voitti sen mukanaan tuomat haasteet.
TAVOITE: Yleinen uskomus on, että tekoälyinfrastruktuurin käyttö maksaa omaisuuksia. Onko tämä myytti? Millä tavoilla AiDash alensi tekoälyratkaisujen kehittämiskustannuksia?
Rahul Saxena: Tekoälyinfrastruktuurin rakentaminen tulee kalliiksi, kun pohjatyötä ei ole harkittu ja toteutettu, koska kehyksen on käsiteltävä ja koulutettava valtavia tietomääriä, otettava huomioon laskeminen, tallennus ja tietojen skaalaus. Tästä huolimatta kestävien puitteiden luominen, jotka vähentävät toimintakustannuksia ajan myötä ja mukautuvat liiketoiminnan tarpeisiin, voi olla optimaalinen ratkaisu.
AiDashissa voitimme nämä haasteet ottamalla käyttöön seuraavat strategiat:
– Pilviteknologian käyttöönotto
Koko AI/ML-pinomme on rakennettu pilveen, jota käytetään erittäin optimaalisesti tallennukseen ja laskemiseen. Tämä tarjoaa meille myös luotettavat ja nopeat verkot, skaalautuvuusvaihtoehdot ja turvalliset toimitusmallit.
– Hyödynnä avoimen lähdekoodin teknologioita
Analysoimme ja otamme käyttöön parhaat avoimen lähdekoodin teknologiat, jotka vastaavat tarpeisiimme ja joista ei aiheudu lisäkustannuksia. Vaikka monet avoimen lähdekoodin tekoäly/ML-työkalut ovat saamassa vetovoimaa niiden lukuisten yhteistyöetujen ansiosta, tekoäly- ja big data -yritykset alkavat myös tarjota kaupallista tukea ja lisäosia avoimen lähdekoodin tekoälytyökaluille.
– Taitavien kykyjen houkutteleminen
Meillä on mukanamme erittäin ammattitaitoisia datatieteilijöitä ja ML-insinöörejä, jotka auttavat meitä luomaan tarkkoja ja kestäviä algoritmeja. He tietävät onnistuneen datatieteen tuotteen rakentamisen läpikotaisin. Ja tämä pätevyys jättää hyvin vähän tilaa virheille ja lisää tuotteiden onnistumisastetta.
Lyhyesti sanottuna yritykset voivat kehittää uraauurtavia tekoälyratkaisuja optimaalisilla kustannuksilla; Jos pohjatyö tehdään hyvin, otetaan käyttöön parhaat teknologiat, jotka tuottavat sijoitetun pääoman tuottoprosentin pitkällä aikavälillä, ja palkataan oikeat ihmiset.
TAVOITE: Miten AiDash valitsi ML-mallinsa ja vaatiko se asiantuntijoiden kuulemista?
Rahul Saxena: ML-mallin valinta on asteittainen prosessi, joka vaatii syvällistä ymmärrystä vaatimuksista ja ongelmista sekä jatkuvaa kokeilua oikean mallin saavuttamiseksi yritykselle. Meidän on otettava huomioon erilaiset parametrit, kuten tiedot, tarkkuus, tarkkuus, luokittelu, ennusteet ja monet muut valittaessa ML-mallia, mikä vaatii paljon aikaa ja arviointia.
AiDashissa emme tarvinneet ulkopuolista konsultaatiota, koska tekoäly- ja datatiedetoimintojamme johtaa Nitin Das, yksi perustajista ja tekoälyjohtaja, joka on AI-ML-guru. Hänellä on myös syvä asiantuntemus neuroverkoista ja satelliittianalytiikasta, ja hänellä on vankka kokemus AI/ML-aloitteiden ohjaamisesta ja kehityksestä alusta alkaen. Datatieteen tiimimme on erittäin kilpailukykyinen, ja se koostuu asiantuntijoista datatieteilijöistä ja ML-insinööreistä, jotka pystyvät ohjaamaan tekoälymallien kehitystä tutkimuksesta käyttöönottoon.
TAVOITE: Pitäisikö startup-yritysten valita ohjelmistoilleen mukautettuja tekoälyratkaisuja vai kolmannen osapuolen tekoälyohjelmistoja? Vaikuttaako kustannusero päätöksentekoon? Miten päädyit päätöksentekoon?
Rahul Saxena: Olemme kokeneet, että räätälöidyn AI-ratkaisun valitseminen on parempi lähestymistapa, vaikka se riippuu pääasiassa kohdekäyttötapauksista ja tuotteen monimutkaisuudesta. Mukautetun ratkaisun rakentamiseen kuuluu mukautettujen algoritmien ja sovellusliittymien rakentaminen, mikä edellyttää ennakkokustannuksia ja infrastruktuurin perustamista. Tämä osoittautui kuitenkin hyödylliseksi pitkällä aikavälillä, mikä tasoitti tietä tietojen mukauttamiselle, pienensi toiminta-/tukikustannuksia ja paransi erikoistuneiden tietojen ennusteiden laatua.
Olemme rakentaneet kaikki AiDash-tuotteemme käyttämällä räätälöityjä tekoälyratkaisuja, koska palvelemme erikoisalaa ja meillä on hyvin erityisiä käyttötapauksia. Räätälöidyillä tekoälytuotteillamme on parhaat ennustusominaisuudet, ne pystyvät käsittelemään valtavia tietomääriä ja ne ovat alan johtavia tekoälymalliemme kestävyyden ja monipuolisuuden ansiosta.
Koska tuotevalikoimamme kasvaa jatkuvasti, kolmannen osapuolen ohjelmistojen löytäminen, joka kattaa kaikki nykyiset ja kasvavat tarpeemme, ei tuntunut toteuttamiskelpoiselta ratkaisulta. Kolmannen osapuolen tekoälyohjelmat voivat osoittautua kalliiksi pitkällä aikavälillä liiketoiminnan ja vaatimusten kasvaessa.
TAVOITE: Kuinka tärkeitä API:t ovat ML- ja AI-yrityksissä?
Rahul Saxena: API:illa on keskeinen rooli tekoäly- ja ML-kehityksessä, koska ne avaavat olemassa olevalle ratkaisulle paljon mahdollisuuksia, kuten uudelleenkäytettävyyttä ja skaalautuvuutta.
Uudelleenkäytettävyys on avaintekijä AI/ML-mallien kehittämisessä optimoinnissa. Malli ei ole optimaalinen, jos se ei mene tuotantoon eikä sitä voi käyttää uudelleen eri alustoilla tai tuotteilla. Jotta tekoäly- ja ML-malleista tulisi uudelleenkäytettäviä ja skaalautuvia, tarvitsemme API-liittymiä ja automaatiota. Se tarjoaa myös lisäturvaa koodillesi.
TAVOITE: Kuinka vaikeaa on arvioida tekoälyyn liittyviä erilaisia kustannuksia? Millaisia kokemuksia sinulla oli tästä asiasta?
Rahul Saxena: Skaalautuvan AI-infrastruktuurin perustamiseen liittyy monia kustannuskomponentteja. Ensisijainen niistä on pilvitekniikka, jota käytetään laskennassa, tallennuksessa ja verkottumisessa. Muita tekijöitä ovat räätälöityjen algoritmien kehittäminen tai kolmannen osapuolen ohjelmistojen käyttöönotto, mikä voi lisätä käyttökustannuksia.
Kun perustimme AiDashin infrastruktuurin, otimme mukaan asiaankuuluvat AI/ML- ja DevOps-asiantuntijat suunnittelu- ja toteutusvaiheisiin varmistaaksemme, että kaikki näkökohdat analysoitiin ja huomioidaan. Uskomme, että vaatimustemme perusteellinen analysointi futuristisella näkemyksellä ja parhaan lähestymistavan valinta auttoi meitä luomaan infrastruktuurin, joka on linjassa strategisten tavoitteidemme kanssa.
TAVOITE: Mitkä ovat arvokkaita opetuksia, joita olet oppinut tämän prosessin aikana?
Rahul Saxena: Tekoälyinfrastruktuurin perustaminen on asteittainen prosessi, ja se edellyttää keskeisten vaatimusten, mallien, tietojen, laskennan ja tallennustilan syvällistä ymmärtämistä.
- Opimme, että aloittamalla manuaalisesta tallentamisesta ja keräämällä kunkin mallin laskentavaatimuksia profilointia voitaisiin käyttää automatisoimaan prosessia sellaisen kehyksen luomiseksi, jota voidaan skaalata ja joka kehittyy kasvaessamme sen sijaan, että kohdistaisimme koko pinon.
- Alkuperäinen AI/ML-ohjelmistopinomme oli tiiviisti yhdistetty pilvipalveluntarjoajaan, mutta myöhemmin tajusimme muiden pilvipalveluntarjoajien tarjoamia kriittisiä lisäominaisuuksia ja siirryimme sitten kehittämään pilven agnostisen pinon. Tämä on mahdollistanut ohjelmistopinon, jota voidaan helposti siirtää eri pilvipalveluntarjoajien välillä.
- Aluksi käytimme pilvipohjaista GPU-infrastruktuuria, mutta myöhemmin tajusimme, että se olisi melko kallista tarpeidemme kasvaessa. Joten olemme nyt ottaneet käyttöön talon sisäisen ja pilvipohjaisen GPU-infrastruktuurin yhdistelmän.
Kaiken oppimamme perusteella olemme tänään rakentaneet järjestelmiä, jotka pystyvät arvioimaan kunkin kehittämämme mallin tarkat tallennus- ja laskentavaatimukset.
TAVOITE: Kuinka tärkeää on selvittää tiimin kokoonpano AI-käynnistysyritykselle? Mikä on ensimmäinen askel tiimisi rakentamisessa?
Rahul Saxena: Kuten kaikki startup-yritykset, myös tekoälystartupit tarvitsevat monipuolisia henkilöitä, jotka voivat toimia eri rooleissa ja joilla on erinomaiset analyyttiset ja sopeutumistaidot. Kun aloitat matkan tekoälytiimin kanssa, tarvitset näkemyksiä omaavia insinöörejä, joilla on asiantuntemusta tekoälymallien tutkimisesta ja kehittämisestä sekä ohjelmistokehitystaitoja AI/ML-ratkaisujen visualisointiin ja toteuttamiseen. Mutta kun ryntäät syvemmälle ja alat laajentua, sinun on saatava tiimiisi asiantuntijoita datatieteilijöitä, ML-insinöörejä ja DevOps-insinöörejä, joilla on asiaankuuluvia näkyvyyttä ja kapeita taitoja. Jokaisessa tiimissä tulee aina olla yhdistelmä ihmisiä, joilla on vaihtelevat taidot ja altistuminen, jotta he voivat johtaa liiketoimintaa ilman kompromisseja.
AiDashissa uskomme parhaiden palkkaamiseen, ja meillä on erittäin lahjakas datatieteilijöiden, ML-insinöörien ja DevOps-henkilöstön tiimi, joka osallistuu ohjelmistokehitykseen, tietotekniikkaan, API-kehitykseen, tietojen mallintamiseen ja niin edelleen.
