آیا مدل هوش مصنوعی شما منسوخ شده است؟ چگونه فناوری IHUA تأخیر را تا 40٪ کاهش می دهد

یک مدل هوش مصنوعی می تواند به کار خود ادامه دهد در حالی که نتایج آن بی سر و صدا ارزش خود را از دست می دهد. من این اتفاق را دیده ام زمانی که یک چت بات پشتیبانی جزئیات خط مشی قدیمی را ارائه می دهد، یک مدل کلاهبرداری الگوهای تراکنش جدید را از دست می دهد، یا یک سیستم جستجو صفحاتی را که دیگر با هدف کاربر مطابقت ندارند برمی گرداند. ممکن است این مدل همچنان امتیاز بالایی را از مجموعه آزمایشی اصلی خود نشان دهد. این امتیاز به من نمی گوید که امروز چقدر به مردم خدمت می کند. یک مدل ممکن است زمانی عقب بیفتد که: - کاربران اغلب پاسخ‌های خود را تصحیح می‌کنند - کارکنان از ابزار اجتناب می‌کنند و به کارهای دستی باز می‌گردند - کیفیت پاسخ پس از به‌روزرسانی داده تغییر می‌کند - اجرای مدل بیشتر طول می‌کشد یا هزینه بیشتری دارد - سؤالات مشتری جدید پاسخ‌های ضعیف یا مکرر دریافت می‌کنند - ابزار رقیب همان کار را با مراحل کمتر انجام می‌دهد مرحله اول تعریف «بهتر» برای کار است. یک مدل خدمات مشتری ممکن است به پاسخ های دقیق، تشدید ایمن و زمان پاسخ کوتاه نیاز داشته باشد. یک مدل پیش‌بینی ممکن است به نرخ خطای پایدار در محصولات یا مناطق مختلف نیاز داشته باشد. یک ابزار محتوا ممکن است به نوشتن واضح، حقایق صحیح و فرآیند بررسی نیاز داشته باشد. بدون این اقدامات، من فقط می توانم حدس بزنم که آیا مدل در حال بهبود است یا خیر. ### 1. نتایج فعلی را با یک مجموعه تست ثابت مقایسه کنید. این مجموعه باید شامل موارد زیر باشد: - درخواست های متداول - سوالات دشوار - سوالات با بیش از یک پاسخ ممکن - درخواست هایی که مدل را ملزم به رد یا درخواست توضیح می کند - موارد مرتبط با خطرات تجاری یا ایمنی مجموعه تست نباید برای همیشه بدون تغییر باقی بماند. یک مجموعه ثابت به من کمک می‌کند نسخه‌ها را مقایسه کنم، در حالی که نمونه‌های جدید نشان می‌دهند که آیا سیستم می‌تواند نیازهای فعلی را برطرف کند یا خیر. به عنوان مثال، یک تیم پشتیبانی خرده‌فروشی ممکن است سؤالاتی را در مورد بازگشت، تغییرات تحویل، محصولات آسیب‌دیده و مشکلات پرداخت آزمایش کند. اگر خط‌مشی تغییر کند، تیم می‌تواند سؤالات مرتبط را به مجموعه بازبینی اضافه کند و بررسی کند که آیا مدل از اطلاعات جدید استفاده می‌کند یا خیر. یک نمره دقت کافی نیست. به نوع اشتباه هم نگاه می کنم. یک مشکل عبارتی جزئی با دستورالعمل بازپرداخت نادرست متفاوت است. ### 2. مراقب رفتار کاربر باشید، نه تنها امتیازات معیار مردم اغلب مشکلات مدل را قبل از داشبورد آشکار می کنند. من سیگنال‌هایی را بررسی می‌کنم: - سؤالات مکرر در یک مکالمه - ارسال‌های مکرر به کارکنان انسانی - ویرایش‌های انجام‌شده در متن ایجاد شده - رتبه‌بندی پایین با بازخورد نوشتاری - فرم‌ها یا چت‌های رها شده - سؤالات جستجویی که هیچ نتیجه مفیدی دریافت نمی‌کنند - زمان اضافی صرف بررسی خروجی مدل یک مدل می‌تواند رتبه‌بندی‌های مثبت را دریافت کند، زیرا کاربران آن را راحت می‌دانند، حتی زمانی که برخی از پاسخ‌ها حاوی خطا هستند. بازخورد کتبی و بررسی انسانی به پر کردن این شکاف کمک می کند. یک شرکت نرم افزاری کوچک ممکن است متوجه شود که دستیار برنامه نویسی آن کد قابل قبولی برای کارهای ساده تولید می کند اما باعث بررسی بیشتر در سیستم های قدیمی می شود. نمره رضایت کلی ممکن است ثابت به نظر برسد. زمان بررسی داستان متفاوتی را بیان می کند. ### 3. تغییرات در داده های ورودی را بررسی کنید مدل ها الگوها را از داده ها یاد می گیرند. زبان مشتری، شرایط بازار، کاتالوگ محصولات و رفتار کلاهبرداری می تواند تغییر کند. اغلب به این حالت رانش داده می گویند. برای شروع بررسی آن به ابزارهای پیچیده نیازی ندارم. من می توانم ورودی های اخیر را با داده های استفاده شده در طول آموزش یا آزمایش مقایسه کنم. بررسی‌های مفید عبارتند از: - کلمات یا عبارات جدید که بیشتر ظاهر می‌شوند - مکان‌های مختلف مشتریان یا انواع دستگاه - تغییر در نام‌ها یا دسته‌های محصول - تعادل جدید بین موارد رایج و نادر - ارزش‌های گمشده، تکراری یا غیرعادی بیشتر تصور کنید یک شرکت تحویل‌دهنده یک مدل پشتیبانی را قبل از اضافه کردن خدمات همان روز آموزش داده است. مشتریان اکنون در مورد پنجره های تحویل، تغییرات آدرس و تماس با راننده سؤال می کنند. مجموعه آزمایشی قدیمی ممکن است شامل این درخواست‌ها نباشد، بنابراین مدل می‌تواند پایدار به نظر برسد در حالی که پوشش عملی آن ضعیف‌تر می‌شود. ### 4. دانش پشت مدل را مرور کنید یک مدل زبان ممکن است هنگام استفاده از اطلاعات قدیمی روان به نظر برسد. این ممکن است زمانی اتفاق بیفتد که اسناد متصل، صفحات محصول یا راهنماهای داخلی به روز نشده باشند. بررسی می‌کنم: - تاریخ‌های سند - فایل‌های تکراری - خط‌مشی‌های متناقض - پیوندهای شکسته - جزئیات محصول از دست رفته - مجوزهای دسترسی - فرآیند حذف محتوای قدیمی برای شرکتی که از سیستم بازیابی استفاده می‌کند، اعلان‌های بهتر پایگاه دانش گمشده یا نادرست را برطرف نمی‌کنند. این سیستم به مطالب منبع روشن و راهی برای نشان دادن پاسخ از کجا نیاز دارد. یک تست مفید ساده است: از مدل در مورد تغییر سیاست اخیر بپرسید و منبعی را که استفاده می کند بررسی کنید. اگر پاسخ به یک سند قدیمی بستگی داشته باشد، ممکن است مشکل به جای خود مدل در خط لوله اطلاعات باشد. ### 5. کیفیت، سرعت و هزینه را با هم اندازه بگیرید مدل جدیدتر همیشه انتخاب بهتری برای هر کاری نیست. مقایسه می‌کنم: - کیفیت پاسخ - زمان پاسخ - هزینه هر درخواست - نرخ شکست - تلاش برای بررسی - الزامات رسیدگی به داده‌ها - سهولت نگهداری یک مدل بزرگتر ممکن است پاسخ‌های قوی‌تری بنویسد اما زمان و هزینه بیشتری را صرف می‌کند. یک مدل کوچکتر ممکن است طبقه بندی معمولی را با منابع کمتر انجام دهد. بسیاری از تیم ها از استفاده از مدل های مختلف برای مشاغل مختلف به جای اینکه یک مدل را مجبور به انجام همه چیز کنند، سود می برند. به عنوان مثال، یک میز کمک می‌تواند از یک مدل کوچک برای مرتب‌سازی بلیط‌های دریافتی و یک مدل قوی‌تر برای پاسخ‌های پیچیده استفاده کند. کارکنان انسانی می توانند مواردی را که خارج از محدودیت های تعیین شده قرار دارند، بررسی کنند. ### 6. مدل را در برابر نسخه های جدید تست کنید وقتی یک دستور، مدل، منبع داده یا تنظیمات نرم افزار را تغییر می دهم، نتیجه جدید را با نسخه فعلی مقایسه می کنم. این مقایسه می تواند شامل موارد زیر باشد: 1. هر دو نسخه را در موارد آزمایشی مشابه اجرا کنید. 2. ثبت دقت، زمان پاسخگویی و هزینه. 3. خطاهای جدی را جدا از مسائل سبک جزئی علامت گذاری کنید. 4. از کارکنان دامنه بخواهید نمونه ای از خروجی ها را بررسی کنند. 5. تغییر را در یک گروه محدود منتشر کنید. 6. قبل از گسترش استفاده از آن، بازخورد را تماشا کنید. این فرآیند راهی برای یادگیری بدون تغییر تجربه هر کاربر به یکباره به من می دهد. گروه بازبینی باید افرادی را که از سیستم استفاده می کنند منعکس کند. مدلی که برای کارکنان فنی به خوبی کار می کند ممکن است برای مشتریان جدید یا افرادی که از سبک زبانی متفاوتی استفاده می کنند، به خوبی کار نکند. ### 7. یک مسیر بررسی انسانی تعیین کنید یک مدل نباید هر تصمیمی را به تنهایی بگیرد. من مواردی را تعریف می کنم که نیاز به بررسی دارند، مانند: - توصیه های مالی - اطلاعات پزشکی یا حقوقی - مشکلات دسترسی به حساب - سوالات مربوط به ایمنی - درخواست های داده های شخصی - پاسخ های کم اعتماد یا متناقض این مدل همچنان می تواند به جمع آوری اطلاعات، پیش نویس پاسخ یا هدایت درخواست کمک کند. یک فرد آموزش دیده قبل از اقدام، نتیجه را بررسی می کند. این نیز مطالب یادگیری بهتری را ایجاد می کند. وقتی بازبین اشتباهات رایج را برچسب گذاری می کند، تیم می تواند مجموعه آزمایشی، دستورالعمل ها یا اسناد منبع را به روز کند. ### 8. بپرسید که آیا مشکل کسب و کار تغییر کرده است گاهی اوقات مدل مسئله اصلی نیست. خود وظیفه ممکن است تغییر کرده باشد. ممکن است یک تیم فروش از این مدل برای نوشتن پیشنهادات کامل استفاده کند، زمانی که در ابتدا برای خلاصه کردن تماس ها طراحی شده بود. یک انبار ممکن است پس از افزودن محصولات با سابقه فروش بسیار کوتاه، از مدل پیش بینی استفاده کند. یک مدرسه ممکن است از یک دستیار نویسندگی برای کارهای ارزیابی که نیاز به استاندارد بررسی متفاوتی دارد استفاده کند. بررسی می کنم که آیا استفاده فعلی با طرح اصلی مطابقت دارد یا خیر. اگر اینطور نباشد، پاسخ ممکن است شامل یک گردش کار جدید، داده های بهتر، محدودیت های واضح تر یا مدلی متفاوت باشد. یک مدل تنها به این دلیل عقب نمی‌افتد که سیستم جدیدتر مورد توجه قرار می‌گیرد. وقتی دیگر از افراد و وظایفی که برای خدمت انتخاب شده است پشتیبانی نمی کند، عقب می افتد. من از یک چرخه بازبینی ساده استفاده می‌کنم: بازخورد کاربر را ردیابی می‌کنم، نمونه‌های فعلی را آزمایش می‌کنم، تغییرات داده‌ها را بررسی می‌کنم، کیفیت منبع را بررسی می‌کنم، هزینه و سرعت را مقایسه می‌کنم، و خروجی‌های مخاطره‌آمیز را بررسی می‌کنم. این تصمیم را بر اساس شواهد به جای شماره نسخه مدل حفظ می کند. هدف تعقیب هر نسخه جدید نیست. هدف این است که بدانیم سیستم فعلی کجا کار می‌کند، کجا نیاز به حمایت دارد، و چه زمانی یک تغییر یک مشکل اندازه‌گیری شده را حل می‌کند.

هنگامی که هر درخواست قبل از اینکه کاربر پاسخی را ببیند، از چندین سرویس عبور می کند، پاسخ های هوش مصنوعی می تواند کند باشد. تأخیر چند ثانیه ای می تواند یک گفتگوی پشتیبانی را قطع کند، روند فروش را کاهش دهد، یا استفاده از یک ابزار داخلی را سخت تر کند. IHUA با بررسی مسیر درخواست کامل به جای تغییر یک قسمت از سیستم به صورت مجزا، تأخیر هوش مصنوعی را تا 40 درصد کاهش داد. کار بر روی تماس‌های مدل، بازیابی داده، ترافیک شبکه و تحویل پاسخ متمرکز بود. برای من، درس اصلی ساده است: تأخیر اغلب یک مسئله فرآیند است، نه تنها یک مسئله مدل. ## جایی که تاخیر ناشی از درخواست هوش مصنوعی ممکن است از چندین مرحله عبور کند: - کاربر پیامی ارسال می کند - برنامه مجوزها را بررسی می کند - سیستم بازیابی اسناد را جستجو می کند - مدل اعلان و زمینه را دریافت می کند - مدل پاسخی ایجاد می کند - برنامه برنامه خروجی را قالب بندی می کند - پاسخ به کاربر می رسد هر مرحله مقدار کمی زمان اضافه می کند. یک جستجوی پایگاه داده کند ممکن است 300 میلی ثانیه اضافه کند. یک درخواست بزرگ ممکن است زمان پردازش مدل را افزایش دهد. درخواست شبکه به منطقه دیگر ممکن است تاخیر بیشتری ایجاد کند. نگاه کردن به سرعت مدل به تنهایی می تواند علت واقعی را پنهان کند. IHUA این مراحل را با گزارش‌های تأخیر بررسی کرد و کل زمان پاسخ را به بخش‌های کوچک‌تر تقسیم کرد. این کار باعث می‌شود که ببینیم کدام مراحل نیاز به توجه دارند و کدام یک از قبل خوب عمل می‌کنند. ## مرحله 1: اندازه گیری سفر کامل درخواست تیم با یک خط پایه شروع کرد. به جای اینکه فقط زمان پاسخ نهایی را ضبط کند، موارد زیر را ردیابی کرد: - زمان صرف شده قبل از درخواست مدل - زمان بازیابی - زمان پردازش مدل - زمان صرف شده برای ایجاد پاسخ نهایی - زمان تا زمانی که کاربر اولین خروجی قابل مشاهده را دریافت کند - زمان کل تا زمانی که پاسخ کامل شود این تمایز مهم است. زمانی که اولین کلمات به سرعت ظاهر می شوند، کاربر ممکن است احساس کند که یک ابزار هوش مصنوعی سریع است، حتی اگر پاسخ کامل مدت بیشتری طول بکشد. یک طرح اندازه‌گیری عملی می‌تواند شامل موارد زیر باشد: - تأخیر میانه - تأخیر صدک 90 - تأخیر صدک 95 - میزان خطا - زمان تا اولین نشانه - زمان کل تولید میانه تجربه معمول را نشان می‌دهد. صدک های بالاتر نشان می دهد که در طول درخواست های کندتر چه اتفاقی می افتد، که اغلب بر اعتماد کاربر تأثیر می گذارد. ## مرحله 2: محتوای درخواستی غیر ضروری را کاهش دهید درخواست های بزرگ می توانند زمان پردازش را افزایش داده و هزینه های عملیاتی را افزایش دهند. آنها همچنین می توانند پاسخ ها را کمتر متمرکز کنند. IHUA اطلاعات ارسال شده با هر درخواست را بررسی کرد و محتوایی را که بر پاسخ تأثیری نداشت حذف کرد. دستورالعمل‌های مکرر، نوبت‌های مکالمه قدیمی، فیلدهای سند استفاده نشده و نتایج جستجوی تکراری، منابع رایج نشانه‌های اضافی بودند. یک بررسی سریع مفید می پرسد: - آیا مدل به این اطلاعات نیاز دارد؟ - آیا همان دستور تکرار می شود؟ - آیا می توان چندین سند را به یک رکورد فشرده کوتاه کرد؟ - آیا نتایج جستجو بر اساس ارتباط رتبه بندی می شوند؟ - آیا می توان تاریخچه مکالمات قدیمی را فشرده کرد؟ به عنوان مثال، یک دستیار پشتیبانی ممکن است تاریخچه کامل مشتری را برای هر سوال دریافت کند. اگر مشکل فعلی مربوط به آدرس حمل و نقل باشد، ارسال جزئیات سفارش نامرتبط بدون بهبود پاسخ، کار را اضافه می کند. یک اعلان کوتاه‌تر همیشه پاسخ بهتری ایجاد نمی‌کند. هدف حذف نویز و در عین حال حفظ اطلاعات مورد نیاز برای دقت است. ## مرحله 3: بهبود بازیابی قبل از تغییر مدل بازیابی می تواند به یک منبع پنهان تاخیر تبدیل شود. یک سیستم ممکن است اسناد زیادی را جستجو کند، از چندین فیلتر کند استفاده کند یا منتظر باشد تا سرویس های جداگانه یکی پس از دیگری پاسخ دهند. IHUA نحوه نمایه سازی اسناد و نحوه رسیدگی به درخواست های جستجو را بررسی کرد. این فرآیند به گونه ای تنظیم شد که مجموعه کوچکتری از نتایج مرتبط را برگرداند و از جستجوهای مکرر جلوگیری شود. تغییرات عملی ممکن است شامل موارد زیر باشد: - استفاده از یک فهرست مناسب برای نوع داده - تنظیم محدودیت نتایج واضح - حذف اسناد تکراری - ذخیره نتایج رایج برای دوره های کوتاه - اجرای همزمان جستجوهای مستقل - انتقال سرویس های داده به منطقه برنامه یک مثال ساده یک دستیار دانش است که کتابچه راهنمای محصول، بلیط های خدمات و فایل های خط مشی را جستجو می کند. اگر هر سوال هر سه مجموعه را به ترتیب جستجو کند، کاربر منتظر می ماند تا هر کار تمام شود. درخواست‌های موازی می‌توانند انتظار را در زمانی که خدمات به یکدیگر وابسته نیستند کاهش دهند. ## مرحله 4: پاسخ را همانطور که تولید می شود ارسال کنید. قبل از نشان دادن هر چیزی، منتظر پاسخ کامل باشید. IHUA مسیر تحویل را با اجازه دادن به خروجی جزئی برای رسیدن به رابط بهبود بخشید در حالی که مدل به تولید پاسخ ادامه می داد. کاربران می‌توانند ببینند که درخواست در حال پردازش است و زودتر شروع به خواندن کنند. پخش جریانی کار مورد نیاز برای ایجاد پاسخ را حذف نمی کند. وقتی کاربر نتیجه را می بیند تغییر می کند. این رویکرد برای: - چت‌های پشتیبانی مشتری - ابزارهای جستجوی داخلی - دستیاران نوشتن - مراکز راهنمایی محصول - رابط‌های صوتی و چت که از خروجی جزئی پشتیبانی می‌کنند به خوبی کار می‌کند. یک طراحی جریانی بدون رسیدگی واضح به خطا می تواند سردرگمی ایجاد کند. ## مرحله 5: حذف تاخیرهای سرویس قابل اجتناب برخی از برنامه ها درخواستی را از طریق بسیاری از سرویس های کوچک ارسال می کنند. هر سرویس ممکن است زمان شبکه، تبدیل داده، ورود به سیستم یا تاخیر در صف را اضافه کند. IHUA این تماس‌های سرویس را بررسی کرد و حرکت غیرضروری بین سیستم‌ها را کاهش داد. تمرکز بر حذف چک های مفید نبود. برای این بود که مسیر کوتاه‌تر و نظارت آسان‌تر شود. تیم‌ها می‌توانند این موارد را بررسی کنند: - درخواست‌های بین منطقه‌ای - بررسی‌های مکرر احراز هویت - تبدیل داده‌های تکراری - تماس‌های API سریال - عملیات ثبت‌نام کند - زمان صف قبل از اجرای مدل درخواستی که پنج سرویس را پشت سر هم فراخوانی می‌کند ممکن است کندتر از درخواستی باشد که دو تماس مستقل را همزمان انجام می‌دهد. انتخاب صحیح به امنیت داده ها، طراحی سیستم و مدیریت خرابی بستگی دارد. ## مرحله 6: کیفیت تست با سرعت کاهش تاخیر نباید پاسخ را ضعیف کند. IHUA کیفیت پاسخ را قبل و بعد از هر تغییر مقایسه کرد. این بررسی شامل ارتباط پاسخ، جزئیات از دست رفته، مراجع نادرست و مواردی بود که نیاز به حمایت انسانی داشتند. این قسمت به راحتی قابل رد شدن است. اگر کاربران نیاز به تکرار سوالات خود یا تصحیح سیستم داشته باشند، زمان پاسخ کوتاه‌تر ارزش محدودی دارد. یک تست متعادل می تواند ردیابی کند: - سرعت پاسخ - دقت پاسخ - ارتباط بازیابی - نرخ تصحیح کاربر - نرخ افزایش - هزینه به ازای هر درخواست تست کنترل شده مفیدتر از یک مثال مثبت است. همان مجموعه درخواست باید از طریق سیستم های قدیمی و به روز شده اجرا شود و نتایج تحت شرایط مشابه بررسی شوند. ## آنچه تیم ها می توانند از کاهش 40 درصدی بیاموزند کاهش تأخیر 40 درصدی گزارش شده توسط IHUA نشان می دهد که چرا کار عملکرد هوش مصنوعی باید کل مسیر برنامه را پوشش دهد. مدل ممکن است مسئول بخشی از تاخیر باشد، اما بازیابی، درخواست‌ها، طراحی شبکه، سفارش سرویس و رفتار رابط نیز تجربه کاربر را شکل می‌دهند. رویکرد ترجیحی من ایجاد یک تغییر اندازه گیری شده در هر زمان است: 1. ثبت خط پایه فعلی 2. تقسیم درخواست به مراحل 3. یافتن کندترین مرحله تکرار شده 4. حذف کارهای غیر ضروری 5. سرعت تست و کیفیت پاسخ 6. نظارت بر نتیجه پس از انتشار این روش به تیم ها دید واضح تری از آنچه کمک کرده است می دهد. همچنین خطر ایجاد یک تغییر بزرگ سیستم را بدون اطلاع از تأثیر آن کاهش می دهد. یک محصول مفید هوش مصنوعی نیازی به پنهان کردن تمام جزئیات فنی از کاربران ندارد. باید با سرعت ثابت پاسخ دهد، پیشرفت را در صورت مناسب نشان دهد و پاسخی مطابق با سؤال ارائه دهد. تجربه IHUA به یک جهت عملی اشاره می کند: بهبود سفر درخواست کامل، نه فقط تماس مدل. وقتی هر بخش از سیستم با دقت اندازه گیری و تنظیم شود، استفاده از ابزارهای هوش مصنوعی بدون کاهش کیفیت پاسخ آسان تر می شود.

وقتی از هوش مصنوعی برای نوشتن، کار با تصویر، بررسی داده‌ها یا پشتیبانی مشتری استفاده می‌کنم، زمان پاسخ آهسته می‌تواند جریان کار من را مختل کند. ممکن است یک مدل به چند ثانیه برای پاسخگویی نیاز داشته باشد، ممکن است حافظه یک دستگاه محلی تمام شود، و انجام کارهای تکراری می تواند یک فرآیند ساده را سنگین کند. IHUA راهی به من می دهد تا قسمت هایی از گردش کار هوش مصنوعی خود را که تاخیر ایجاد می کنند مرور کنم. به جای تغییر یکباره همه ابزارها، می توانم روی حجم کار، تنظیم دستگاه، اندازه مدل و الگوی استفاده روزانه تمرکز کنم. هدف ساده است: کمک به انجام وظایف هوش مصنوعی با انتظار کمتر، در حالی که تنظیمات را عملی و مدیریت آن آسان است. با کار شروع کنید من با لیست کردن کارهایی که از هوش مصنوعی انتظار دارم شروع کنم. نیازهای من ممکن است شامل موارد زیر باشد: - تولید متن - ایجاد تصویر - تشخیص گفتار - جستجوی سند - تجزیه و تحلیل داده ها - پشتیبانی از چت بات - آزمایش مدل محلی - وظایف تجاری مکرر هر کار به روشی متفاوت از سخت افزار استفاده می کند. تولید متن ممکن است به حافظه و سرعت پردازش بستگی داشته باشد. ایجاد تصویر می تواند بار سنگین تری را بر روی سیستم گرافیکی وارد کند. جستجوی سند ممکن است به نحوه ذخیره و بازیابی فایل ها بستگی داشته باشد. IHUA زمانی بهترین کار را انجام می دهد که به جای انتخاب تجهیزات بر اساس ارقام کلی عملکرد، تنظیمات را با کار مطابقت دهم. ** بررسی کنید که تاخیر در کجا اتفاق می افتد ** من روند کامل را تماشا می کنم و چند سوال ساده می پرسم: - آیا هوش مصنوعی زمان زیادی طول می کشد تا شروع شود؟ - آیا پاسخ با اعلان های طولانی تر کند می شود؟ - آیا با باز شدن چندین برنامه، سیستم مسدود می شود؟ - آیا تولید تصویر از بیشتر حافظه موجود استفاده می کند؟ - آیا مدل برای هر کار نیاز به بارگذاری مجدد دارد؟ - آیا شبکه باعث تاخیر می شود؟ این چک به من کمک می کند تا از خرج کردن پول در قسمت اشتباه سیستم جلوگیری کنم. اگر شبکه کند باشد، تغییر سخت افزار ممکن است مشکل را حل نکند. اگر حافظه پر است، بستن برنامه های استفاده نشده یا استفاده از مدل کوچکتر ممکن است کمک کند. تنظیم AI مناسب را انتخاب کنید راه اندازی مفید هوش مصنوعی باید با حجم کار من مطابقت داشته باشد. برای کارهای سبک، ممکن است به یک سیستم ساده برای نوشتن، خلاصه کردن و اتوماسیون اولیه نیاز داشته باشم. برای فایل‌های بزرگ‌تر، کار با تصویر یا استفاده از مدل محلی، ممکن است به حافظه بیشتر و پشتیبانی پردازش قوی‌تر نیاز داشته باشم. با IHUA، می‌توانم راه‌اندازی را بر اساس موارد زیر برنامه‌ریزی کنم: - ابزارهای هوش مصنوعی که استفاده می‌کنم - اندازه فایل‌هایم - تعداد کاربران - طول هر جلسه - پردازش محلی یا مبتنی بر ابر - محدودیت‌های قدرت و فضا این رویکرد باعث می‌شود تصمیم در استفاده روزانه ثابت بماند. یک تیم کوچک که به سؤالات مشتری رسیدگی می کند ممکن است به یک استودیوی طراحی متفاوت نیاز داشته باشد که هر روز تصاویر ایجاد می کند. کاهش حجم کاری غیر ضروری من همچنین نحوه رسیدگی به درخواست ها و فایل هایم را بررسی می کنم. دستورالعمل‌های طولانی، بارگذاری‌های مکرر فایل و داده‌های نامناسب می‌توانند جریان کاری هوش مصنوعی را کاهش دهند. من می‌توانم فرآیند را با موارد زیر بهبود بخشم: - حذف فایل‌های استفاده نشده از پوشه وظیفه - شفاف و متمرکز نگه داشتن درخواست‌ها - تقسیم کارهای بزرگ به مراحل کوچک‌تر - استفاده مجدد از الگوهای درخواست تایید شده - ذخیره اسناد مرجع به روشی سازمان‌یافته - بستن نرم‌افزارهایی که مورد نیاز نیستند - بررسی به‌روزرسانی‌های سیستم و پشتیبانی درایور این اقدامات به دانش فنی پیچیده‌ای نیاز ندارند. آنها به من کمک می کنند ببینم آیا مشکل از ابزار، دستگاه یا گردش کار است. قبل از تغییر کل سیستم تست کنید ترجیح می دهم یک کار را در یک زمان آزمایش کنم. برای مثال، ممکن است قبل و بعد از تنظیم تنظیمات، از همان فرمان، همان فایل و مدل مشابه استفاده کنم. من می‌توانم ضبط کنم: - زمان شروع - زمان پاسخ - پیام‌های خطا - استفاده از حافظه - تعداد مراحل تکراری - بازخورد کاربر یک کسب‌وکار کوچک می‌تواند گردش کار پشتیبانی مشتری را با ده سوال رایج آزمایش کند. یک تیم طراحی می تواند زمان مورد نیاز برای پردازش یک درخواست تصویر استاندارد را مقایسه کند. این تست ها دید واضح تری نسبت به یک امتیاز فنی ارائه می دهند. نتایج ممکن است در مدل ها، نسخه های نرم افزار، اندازه فایل ها و شرایط شبکه متفاوت باشد. تنظیمی که برای متن به خوبی کار می کند ممکن است برای کارهای تصویری یا ویدیویی نیاز به تغییرات داشته باشد. ** مدیریت سیستم را آسان نگه دارید ** سرعت مهم است، اما کنترل روزانه نیز اهمیت دارد. من به مجموعه ای نیاز دارم که تیم من بتواند آن را درک کند و حفظ کند. IHUA می تواند بخشی از یک طرح هوش مصنوعی عملی باشد که شامل موارد زیر است: - دسترسی کاربر پاک - بررسی منظم سیستم - رویه های پشتیبان گیری - تنظیمات اولیه امنیتی - قوانین تعریف شده ذخیره سازی فایل - روشی ساده برای گزارش خطاها وقتی هر فرد می داند چگونه از سیستم استفاده کند، وظایف کمتری به دلیل مشکلات کوچک در راه اندازی متوقف می شود. من عملکرد هوش مصنوعی را به عنوان یک عدد واحد در نظر نمی‌گیرم. یک سیستم سریع که مدیریت آن سخت است ممکن است کار بیشتری برای تیم ایجاد کند. یک راه اندازی متعادل می تواند استفاده روزانه نرم تر، آزمایش واضح تر و کنترل بهتر بر هزینه ها را پشتیبانی کند. IHUA به من کمک می کند تا سرعت هوش مصنوعی را از گردش کار کامل ببینم. من کار را بررسی می کنم، منبع تاخیر را پیدا می کنم، سیستم را با حجم کار مطابقت می دهم و نتیجه را با همان روند آزمایش می کنم. این به من راه عملی تری برای بهبود عملکرد هوش مصنوعی می دهد بدون اینکه ادعا کنم هر راه اندازی نتیجه یکسانی را به همراه خواهد داشت.

انتظار برای پاسخ هوش مصنوعی می تواند تمرکز من را از بین ببرد. ممکن است در حال بررسی یک گزارش، نوشتن پاسخ یا بررسی درخواست مشتری باشم. هنگامی که سیستم برای پاسخگویی بیش از حد طول می کشد، کار سخت تر از آنچه که باید به نظر می رسد. تاخیر کوتاه ممکن است جدی به نظر نرسد، اما تاخیرهای مکرر می تواند کل یک روز کاری را کند کند. هوش مصنوعی هوشمندتر باید به من کمک کند تا با انتظار کمتر به جلو بروم. باید درخواست را درک کند، اطلاعات درست را پردازش کند و بدون اینکه من را وادار به تکرار همان جزئیات کند، پاسخ مفیدی را ارائه دهد. سرعت مهم است، اما سرعت به تنهایی کافی نیست. یک ابزار هوش مصنوعی که به سرعت با اطلاعات ضعیف پاسخ می دهد، کار بیشتری ایجاد می کند. من هنوز باید پاسخ را بررسی کنم، جمله بندی را اصلاح کنم و جزئیات گمشده را جستجو کنم. هدف بهتر یک تجربه متعادل است: پاسخ های سریع تر، نتایج واضح و کنترل ساده. وقتی ابزار هوش مصنوعی را انتخاب می کنم به دنبال سه چیز می گردم. پاسخ های سریعی که از گردش کار من پشتیبانی می کند وقتی از هوش مصنوعی می خواهم ایمیلی را بازنویسی کند یا یک سند طولانی را خلاصه کند، انتظار دارم تا زمانی که کار هنوز در ذهن من تازه است، پاسخ ظاهر شود. پاسخ سریع‌تر به من کمک می‌کند: - پیش‌نویس پاسخ‌های مشتری با تأخیر کمتر - یادداشت‌ها را قبل از جلسه مرور کنید - ایده‌های خام را به یک طرح کلی روشن تبدیل کنید - اطلاعات داخلی را راحت‌تر جستجو کنید - کارهای معمول نوشتن را بدون شکستن تمرکز انجام دهید به عنوان مثال، یک نماینده پشتیبانی ممکن است ده‌ها سوال مشابه در طول یک شیفت دریافت کند. هوش مصنوعی می تواند به تهیه پیش نویس پاسخ بر اساس اطلاعات تایید شده کمک کند. نماینده هنوز هم پیام را قبل از ارسال بررسی می کند، اما صفحه خالی دیگر مانعی نیست. این تغییر کوچک می تواند کار را قابل کنترل تر کند. پاسخ های مفید از دستورالعمل های کوتاه من نمی خواهم برای هر کار ساده یک اعلان طولانی بنویسم. یک سیستم هوش مصنوعی کاربردی باید درخواست‌های رایجی مانند: - «این ایمیل را کوتاه‌تر کنید» را درک کند. - "نکات اصلی را فهرست کنید." - "این گزارش را به زبان انگلیسی ساده توضیح دهید." - "ایجاد سه گزینه پاسخ." - "نمایش مراحل بعدی." پاک کردن ورودی کمک می کند، اما سیستم باید زبان طبیعی را نیز مدیریت کند. من ممکن است اعلان کامل را ندانم. هنوز باید یک نقطه شروع مفید دریافت کنم. وقتی پاسخ هدفم را از دست داد، به یک راه آسان برای تنظیم آن نیاز دارم. یک پیگیری کوتاه کافی است. من نباید کل مکالمه را دوباره شروع کنم. انتظار کمتر در کارهای روزانه زمان پاسخگویی هوش مصنوعی بر بیش از یک پنجره چت تأثیر می گذارد. این می تواند نحوه کار من در نوشتن، تحقیق، برنامه ریزی و خدمات مشتری را شکل دهد. اگر هر درخواست بیش از حد طول بکشد، ممکن است از استفاده از ابزار برای کارهای کوچک اجتناب کنم. اگر سیستم با سرعت ثابت پاسخ دهد، می توانم از آن به عنوان بخشی از روال عادی خود استفاده کنم. یک گردش کار ساده ممکن است به این صورت باشد: 1. من کار را توصیف می کنم و زمینه مورد نیاز را به اشتراک می گذارم. 2. هوش مصنوعی یک پیش نویس، خلاصه یا مجموعه ای از گزینه ها را برمی گرداند. 3. اطلاعات را بررسی می کنم و لحن را تنظیم می کنم. 4. من از نتیجه در سند، پیام یا برنامه خود استفاده می کنم. این فرآیند فرد را تحت کنترل نگه می دارد. هوش مصنوعی بخشی از حجم کار را کنترل می کند، در حالی که من انتخاب نهایی را انجام می دهم. سرعت نباید محدودیت ها را پنهان کند هیچ ابزار هوش مصنوعی نباید به عنوان منبعی برای پاسخ های کامل در نظر گرفته شود. قبل از اینکه نتیجه را به اشتراک بگذارم، نام ها، تاریخ ها، قیمت ها، جزئیات محصول و سایر حقایق را بررسی می کنم. من همچنین از افزودن اطلاعات خصوصی خودداری می کنم، مگر اینکه ابزار و خط مشی شرکت اجازه دهد. پاسخ سریع همچنان می تواند حاوی خطا باشد. یک مرحله بازبینی واضح از کار من محافظت می کند و به من کمک می کند از هوش مصنوعی با قضاوت بهتری استفاده کنم. به عنوان مثال، یک دستیار بازاریابی ممکن است از هوش مصنوعی بخواهد که یک توضیح محصول ایجاد کند. پیش نویس می تواند در زمان نوشتن صرفه جویی کند، اما دستیار باید ویژگی های محصول را تأیید کند و ادعاهایی را که شرکت نمی تواند پشتیبانی کند حذف کند. نتیجه مفیدتر می شود زیرا شخص قبل از انتشار آن را بررسی می کند. روشی بهتر برای اندازه گیری عملکرد هوش مصنوعی سرعت پاسخ را به راحتی می توان متوجه شد، اما من همچنین می بینم که بعد از رسیدن پاسخ چه اتفاقی می افتد. می پرسم: - آیا پاسخ به درخواست من پاسخ داد؟ - آیا لازم بود همان زمینه را تکرار کنم؟ - آیا می توانم نتیجه را بدون شروع مجدد ویرایش کنم؟ - آیا این ابزار مکالمه را به راحتی دنبال می کند؟ - آیا می توانم جزئیات کلیدی را تأیید کنم؟ - آیا پاسخ بدون پاکسازی اضافی با کار من مطابقت دارد؟ این سوالات نشان می دهد که آیا ابزار هوش مصنوعی در زمان صرفه جویی می کند یا کار را به مرحله دیگری منتقل می کند. هوش مصنوعی هوشمندتر به من فضایی برای تمرکز روی تصمیم گیری، ارتباطات و کارهای خلاقانه می دهد. تاخیر بین یک سوال و یک نقطه شروع مفید را کاهش می دهد. نیاز به بازبینی انسانی را برطرف نمی کند، اما می تواند کارهای روزمره را سبک تر و مستقیم تر کند. انتظار کمتر به معنای عجله کردن در هر پاسخ نیست. این در مورد دریافت کمک مناسب با سرعتی است که با روش کار من مطابقت دارد.

بسیاری از تیم‌ها خواهان عملکرد بهتر هوش مصنوعی هستند، اما مشکلات مشابه بارها و بارها ظاهر می‌شوند: پاسخ‌های آهسته، افزایش هزینه‌های محاسباتی، ظرفیت سخت‌افزار محدود و گردش‌کاری که مدیریت آن‌ها دشوار است. زمانی که یک پروژه هوش مصنوعی از یک آزمایش کوچک به استفاده روزانه در کسب و کار تبدیل می شود، با این مسائل مواجه می شوم. یک مدل ممکن است در آزمایشگاه به خوبی کار کند، سپس با بارهای کاری سنگین تر، کاربران بیشتر یا مجموعه داده های بزرگتر مبارزه کند. IHUA یک مسیر عملی را برای تیم هایی ارائه می دهد که می خواهند تنظیمات هوش مصنوعی خود را با فرآیندی واضح تر و کنترل بهتر بر منابع سیستم بهبود بخشند. IHUA می تواند از کار هوش مصنوعی در توسعه، آزمایش و عملیات روزانه پشتیبانی کند. نتایج صحیح همچنان به مدل، نرم افزار، کیفیت داده ها و پیکربندی سیستم بستگی دارد. سخت افزار خوب به تنهایی گردش کار نامشخص را برطرف نمی کند. تنظیم متعادل به من فرصت بهتری برای کاهش تاخیرها و ادامه کار می دهد. ### سیستم را با وظیفه هوش مصنوعی مطابقت دهید وظایف مختلف هوش مصنوعی خواسته های متفاوتی را بر روی یک سیستم قرار می دهند. تولید تصویر ممکن است به پردازش گرافیکی قوی نیاز داشته باشد. وظایف مدل زبان بزرگ ممکن است به ظرفیت حافظه، سرعت انتقال داده و پشتیبانی نرم افزار بستگی داشته باشد. تجزیه و تحلیل داده ها ممکن است به عملکرد پایدار در جلسات طولانی نیاز داشته باشد. من با فهرست کردن کارهایی که باید اجرا کنم شروع می‌کنم: - آموزش مدل - آزمایش مدل - تولید متن - پردازش تصویر یا ویدیو - تجزیه و تحلیل داده‌ها - استقرار هوش مصنوعی محلی - دسترسی تیم و مدیریت گردش کار این فهرست به من کمک می‌کند از انتخاب یک راه‌اندازی که فقط بر اساس ادعاهای عملکرد کلی باشد اجتناب کنم. سیستمی که برای یک کار خوب کار می کند ممکن است برای کار دیگری مناسب نباشد. ### تاخیر در کار روزانه را کاهش دهید ابزارهای هوش مصنوعی آهسته بیشتر از تیم های فنی تاثیر می گذارند. یک بازاریاب ممکن است منتظر پیش نویس های محتوا باشد. یک طراح ممکن است منتظر پیش نمایش تصویر باشد. یک توسعه دهنده ممکن است هنگام آزمایش یک مدل زمان خود را از دست بدهد. IHUA می تواند بخشی از یک گردش کاری باشد که وظایف تکراری را ثابت نگه می دارد. من می توانم محیط نرم افزار را آماده کنم، فایل های مدل را سازماندهی کنم، استفاده از منابع را بررسی کنم و زمان پاسخ را بررسی کنم. این عادات ساده یافتن منبع تاخیر را آسان تر می کند. یک تست مفید شامل موارد زیر است: 1. همان کار را با همان مدل اجرا کنید. 2. ثبت زمان پاسخ و استفاده از منابع. 3. تست را با ورودی بزرگتر تکرار کنید. 4. نتایج را در چندین جلسه مقایسه کنید. 5. مدل، تنظیمات یا حجم کاری را در صورت نیاز تنظیم کنید. این رویکرد به من داده‌هایی را می‌دهد تا به جای تکیه بر یک آزمون کوتاه، با آن‌ها کار کنم. ### با احتیاط از منابع استفاده کنید، بارهای کاری هوش مصنوعی می تواند بر حافظه، قدرت پردازش، ذخیره سازی و خنک کننده فشار وارد کند. یک سیستم ممکن است برای یک کار کوتاه خوب عمل کند اما در جلسات طولانی کند می شود. من سه قسمت را قبل از گسترش حجم کاری بررسی می‌کنم: - استفاده از حافظه: مدل‌های بزرگ و ورودی‌های طولانی می‌توانند به حافظه بیشتری نیاز داشته باشند. - ** بار پردازش: ** بارهای کاری مداوم ممکن است بر زمان پاسخگویی تأثیر بگذارد. - سرعت ذخیره سازی: دسترسی آهسته به فایل می تواند بارگذاری مدل و پردازش داده ها را به تاخیر بیندازد. IHUA می تواند در یک فرآیند برنامه ریزی منابع که منعکس کننده استفاده واقعی است، قرار گیرد. من می توانم با وظایفی که بیشترین اهمیت را دارند شروع کنم، بر رفتار سیستم نظارت داشته باشم و تنظیم را بر اساس نیازهای اندازه گیری شده مقیاس دهم. یک تیم پشتیبانی کوچک یک مثال واقعی ارائه می دهد. پنج عامل را تصور کنید که از یک ابزار هوش مصنوعی برای پیش نویس پاسخ ها و جستجوی اسناد داخلی استفاده می کنند. ممکن است این تیم به تنظیماتی که یک گروه تحقیقاتی یک مدل بزرگ آموزش می دهد نیاز نداشته باشد. یک پیکربندی عملی IHUA می‌تواند بر دسترسی پایدار، بازیابی سریع اسناد و محدودیت‌های استفاده روشن تمرکز کند. تیم می‌تواند هر هفته زمان‌های پاسخ‌دهی را بررسی کند و در صورت بروز گلوگاه، گردش کار را تنظیم کند. این یک سناریوی کاری است، نه ادعایی در مورد یک مشتری خاص IHUA. ### استقرار را برای مدیریت پروژه های هوش مصنوعی آسان تر کنید، اغلب زمانی که هر فرد از مدل، تنظیمات یا مکان فایل متفاوتی استفاده می کند، دشوار می شود. ردیابی خطاها سخت تر می شود. به روز رسانی بیشتر طول می کشد. اعضای تیم ممکن است همان کار راه اندازی را تکرار کنند. من یک فرآیند مشترک را ترجیح می دهم: - نسخه های مدل را ضبط کنید. - از نام فایل های واضح استفاده کنید. - داده های تست را از داده های تجاری جدا کنید. - تنظیم قوانین دسترسی برای منابع مشترک - ثبت تغییرات در نرم افزار و تنظیمات سیستم. - یک طرح پشتیبان ساده ایجاد کنید. IHUA را می توان به عنوان بخشی از محیط هوش مصنوعی تیم در این ساختار گنجاند. هدف اضافه کردن مراحل بیشتر به خاطر خودشان نیست. هدف این است که سیستم را برای بررسی و نگهداری آسان تر کنیم. ### محافظت از داده ها در حین استفاده از هوش مصنوعی عملکرد تنها بخشی از تنظیمات هوش مصنوعی است. مدیریت داده ها به همان اندازه اهمیت دارد. قبل از استفاده از IHUA با اطلاعات تجاری، بررسی می‌کنم که چه داده‌هایی وارد سیستم می‌شوند، کجا ذخیره می‌شوند، چه کسی می‌تواند به آن دسترسی داشته باشد و چه مدت در دسترس است. اطلاعات حساس باید از قوانین امنیتی و سیاست های دسترسی شرکت پیروی کند. تیم ها همچنین باید شرایط هر سرویس هوش مصنوعی متصل را بررسی کنند. یک بررسی ساده داده‌ها می‌تواند شامل موارد زیر باشد: - اطلاعات مشتری - اسناد داخلی - جزئیات ورود - سوابق مالی - برنامه‌های محصول - اطلاعات شخصی وقتی یک کار به داده‌های حساس نیاز ندارد، قبل از آزمایش آن را حذف یا جایگزین می‌کنم. این آزمایش را مفید نگه می دارد و در عین حال میزان قرار گرفتن در معرض قابل اجتناب را کاهش می دهد. ### ردیابی نتایجی که عملکرد هوش مصنوعی مهم است را نباید تنها با سرعت قضاوت کرد. من همچنین بررسی می‌کنم: - کیفیت پاسخ - نرخ خطا - پایداری سیستم - هزینه هر کار - رضایت کاربر - زمان ذخیره‌شده در گردش کار برای مثال، اگر تنظیمات مدل مناسب نباشد، یک سیستم سریع‌تر ممکن است خروجی‌های ضعیفی تولید کند. یک راه اندازی خوب سرعت، کیفیت، هزینه و سهولت استفاده را متعادل می کند. من قبل از ایجاد یک تغییر گسترده تر از یک گروه آزمایشی کوچک استفاده می کنم. گروه وظایف عادی را تکمیل می کند، مشکلات را ثبت می کند و بازخورد خود را به زبان ساده به اشتراک می گذارد. این مواردی را نشان می دهد که ممکن است در معیارهای فنی ظاهر نشوند. ### ایجاد یک برنامه بر اساس نیازهای واقعی IHUA زمانی بسیار مفید است که از یک طرح هوش مصنوعی واضح پشتیبانی کند. من با کارهایی که برای بهبود نیاز دارم شروع می کنم، روند فعلی را اندازه گیری می کنم و تنظیماتی را انتخاب می کنم که با حجم کار منطبق باشد. من انتظارات را واقع بینانه نگه می دارم و با تغییر وظایف، تنظیمات را مرور می کنم. عملکرد بهتر هوش مصنوعی تنها از یک محصول حاصل نمی شود. این از ترکیب درستی از سخت افزار، نرم افزار، داده، آزمایش و عادات روزانه ناشی می شود. IHUA می‌تواند بخشی از این ترکیب باشد و به تیم‌ها روشی ساختاریافته برای بهبود محیط هوش مصنوعی بدون از دست دادن نیازهای عملی ارائه دهد. ما از سوالات شما استقبال می کنیم: amy.wu@ihuagroup.com/WhatsApp +8613612662976.

1. مؤسسه ملی استانداردها و فناوری، ژانویه 2023، چارچوب مدیریت ریسک هوش مصنوعی AI RMF 1.0 2. Google Cloud، آوریل 2023، قوانین بهترین روش‌های یادگیری ماشین برای مهندسی یادگیری ماشین 3. Chip Huyen، می 2022، طراحی سیستم‌های یادگیری ماشینی، نوامبر 2020 OpenAI، PT2. مارتین کلپمن، مارس 2017، طراحی برنامه های کاربردی داده فشرده 6. گوگل، فوریه 2024، زیرساخت عملیات یادگیری ماشین MLOps و نظارت بر مدل