➡️ Pracując nad inteligentną windą, zapoznaliśmy się z urządzeniem i przetestowaliśmy nasze rozwiązanie na żywo.

➡️ Pracując nad projektem medycyny spersonalizowanej, odwiedziliśmy szpital, aby zrozumieć, w jaki sposób nowi pacjenci przechodzą z izby przyjęć na oddział szpitalny oraz jakie dane są gromadzone w tym procesie i w jaki sposób.

➡️ Odwiedziliśmy tartak, omawiając algorytmy optymalnego rozkroju kłód.

➡️ Uczyliśmy się liczyć pieniądze podczas projektu realizowanego dla banku. Tym razem to tylko żart.

Dlaczego to robimy? Aby zrozumieć, jak wygląda proces, który chcemy usprawnić i w jaki dokładnie sposób zostaną wykorzystane wyniki naszej pracy.
Mimo to (albo raczej dzięki temu) że zrealizowaliśmy sporo ponad sto projektów, wiemy, że nie wiemy wszystkiego

Sukces w projektach AI/ML zależy od pozornie nieistotnych szczegółów. Mówimy, że są one kruche albo delikatne, co zdecydowanie lepiej brzmi po angielsku: “fragile”. Występuje w nich wiele ryzyk.

Według raportu Gartnera 85% projektów AI/ML kończy się niepowodzeniem ze względu na niską jakość danych, algorytmów lub umiejętności i doświadczenie zespołów odpowiedzialnych za ich wdrożenie.
W przeciwieństwie do danych Gartnera, 95% naszych projektów kończy się sukcesem. W przypadku pozostałych 5% szybko rozpoznajemy, kiedy dane nie opisują odpowiednio problemu. W takich przypadkach szybko zmieniamy kierunek lub zatrzymujemy projekt, unikając w ten sposób niepotrzebnych kosztów.

Przy okazji, wyniki 80% naszych projektów są wdrażane produkcyjnie.

Osiągnęliśmy ten poziom skutecznej realizacji projektów dzięki naszej autorskiej metodologii realizacji projektów ML/AI – Quantup Thinking.
Opiera się ona na trzech filarach:

🟢 wszechstronnej znajomości domeny biznesowej projektu,
🟢 głębokim zrozumieniu stosowanych metod ML/AI,
🟢 wysoce ustandaryzowanemu procesowi tworzenia oprogramowania.

Dogłębna znajomość domeny biznesowej, w tym języka specyficznego dla branży, jest kluczem do zdefiniowania celów projektu i poprawnego przełożenia ich na cel dla modeli matematycznych. Zapewnia również jasną komunikację w całym projekcie, zwłaszcza podczas omawiania danych lub wpływu na wynik decyzji dotyczących modelowania lub zmian procesów na przebieg modelowania.

Dogłębne zrozumienie stosowanych metod jest podstawą do dokonywania świadomych ich wyborów. Każda metoda ma swoje ograniczenia, złożoność oraz poziom wyjaśnialności generowanych przez nie wyników. Są one ważne dla potencjalnego zastosowania każdej z metod. Ten ostatni aspekt może być decydującym kryterium wyboru metody, zwłaszcza w kontekście masowego podejmowania decyzji, ze względu na związane z tym ryzyko biznesowe.

Nasze środowisko tworzenia oprogramowania zapewnia:

🟠 wsparcie dla dobrych wzorców (praktyk) projektowych,
🟠 wsparcie dla zapewnienia odpowiedniej jakości,
🟠 automatyzację procesów konteneryzacji i obliczeń;

Jest to środowisko do tworzenia kolejnych wersji modeli (rozwiązania) i eksperymentowania z nimi, co oznacza, że zapewnia:

🔴 powtarzalność obliczeń,
🔴 porównywalność wyników uzyskanych dla różnych wersji modeli (rozwiązania).

Quantup Thinking jest inspirowany przez:

🔵 IBM CRISP-DM,
🔵 Lean management,
🔵 Podejścia zwinne (agile),

i skupia się na:

🟣 mierzalności wyników,
🟣 powtarzalności eksperymentów,
🟣 iteracyjnym podejściu do włączania coraz większych zbiorów danych i bardziej złożonych technik modelowania,
🟣 skutecznej integracji rozwiązań (dane do modelowania vs. dane produkcyjne).