🧠 Мои наблюдения о типологии проектов AI R&D

За 5 лет мы в MIL Team написали 200+ технических заданий для исследовательских проектов и реализовали 75 проектов. И мне есть о чем поговорить!

🎯 Конечно, я структурировала запросы не просто так, были цели:

• Ускорить запуск проекта и оценку ресурсов для его реализации;
• Уменьшите неопределенность в отношении того, какие задачи ставить перед командой RoadMap.

Какие типы запросов мы получили:

🧪 Предварительное исследование — это предварительное и детальное изучение предметной области с поиском научных статей, доступных данных и открытых источников. Цель такого проекта – получение базы материалов для быстрого погружения в новую область и формирование требований к будущим результатам прикладных НИОКР.

🤖 Разработка технологического пайплайна — это разработка полного технологического пайплайна для решения задачи, с использованием существующих алгоритмов и открытого исходного кода. Цель создания — получение сильного базового решения задачи в заданной постановке, доступного для модификаций и улучшений в целевых метриках.

💼 Industrial Pipeline Development — разработка Proof-of-the-Concept Pipeline для решения промышленной бизнес-задачи на основе алгоритмов искусственного интеллекта при отсутствии известных подходов к ее решению. Цель состоит в том, чтобы показать принципиальную возможность решения промышленной проблемы.

P.S. Подчеркну различия между пунктом 2. и 3.: в 2. возможность решения проблемы очевидна, осталось реализовать базовое решение с использованием современных методов.

⭕ Negative Effect Removal — устранение ключевой неэффективности в работе моделей, так называемого «негативного эффекта» (примеры от «излишней чувствительности к колебаниям данных» до «качества работы в пограничных случаях»). Целью является рост метрик в рамках заданных ограничений или приобретение новых свойств.

💎 Оптимизация качества — это общее повышение качества решения целевой задачи на клиентских данных (и оптимальности для бизнес-процесса) за счет модификации базового решения и применения современных моделей искусственного интеллекта для достижения наибольшей ценности в конечном итоге. пользователи.

⚛️ Сжатие — это снижение вычислительной сложности моделей с фиксированным качеством решения задачи методами квантования, обрезки и дистилляции знаний для последующей оптимизации инфраструктуры ИИ и переноса моделей на устройства

Большинство проектов на рынке представляют собой комбинацию из этого списка. Хороший подход — разбить проект на этапы, в каждом из которых сосредоточиться на решении целевой задачи. Ведь «фокус» — главное преимущество прикладных НИОКР: когда знаешь, что хочешь найти, шансы на успешный поиск резко возрастают.

👏 Похлопайте и поделитесь этим постом, чтобы узнать больше о каждом этапе!

Узнать больше обо мне и получить консультацию