احصل على أكبر عائد لاستثمارك في الذكاء الاصطناعي مع MLOps – قادة الفكر

بواسطة فيكتور ثو، نائب رئيس قسم نجاح العملاء والعمليات، Datatron.

أظهر استطلاع أجراه Gartner في أواخر عام 2020 أن 75٪ من المستجيبين يخططون لمواصلة أو بدء مبادرات جديدة في مجال الذكاء الاصطناعي في العام القادم. وفي الوقت نفسه، وجد محللو Gartner أيضًا أن أحد أكبر الصراعات مع تحويل مبادرات الذكاء الاصطناعي إلى الإنتاج هو عدم khảية هذه المنظمات لربط الاستثمارات مرة أخرى بقيمة الأعمال.

ما هو أكثر من ذلك، أنه من المقدر على نطاق واسع أن غالبية مشاريع الذكاء الاصطناعي ستهزز. وهذا الحقائق يمكن أن يجعل من الصعب الحصول على موافقة من الأعلى على هذه الاستثمارات. यह هو المكان الذي يمكن أن يلعب فيه MLOps – عمليات التعلم الآلي – دورًا رئيسيًا.

المشهد الحالي للتعلم الآلي

يقدم التعلم الآلي إمكانيات عميقة للمنظمات، ولكن الحقيقة هي أن الوصول إلى هذه الإمكانيات يمكن أن يكون مكلفًا ومستهلكًا للوقت. لذلك، بينما يوجد اهتمام كبير بتنفيذ التعلم الآلي، فإن التنفيذ الفعلي في الإنتاج يبقى منخفضًا. العائق الرئيسي لجلب الحلول إلى الإنتاج ليس جودة النماذج، ولكن نقص البنية التحتية الموجودة لتمكين الشركات من القيام بذلك.

دورة حياة التطوير للتعلم الآلي تختلف بشكل أساسي عن دورة حياة التطوير البرمجي التقليدية. على مدار العشرين عامًا الماضية، أصبح الناس، في معظم الأحيان، يفهمون ما يلزم لبرامج التطوير التقليدية للانتقال من التطوير إلى الإنتاج. فهم يفهمون الحوسبة والبرمجيات الوسيطة والشبكات والتخزين وغيرها من العناصر اللازمة لضمان تشغيل التطبيق بشكل جيد.

لسوء الحظ، ي試ي معظمهم استخدام دورة حياة التطوير البرمجي التقليدية (SDLC) لدورة حياة التطوير للتعلم الآلي (MLLC). ومع ذلك، فإن التعلم الآلي يعتبر تغييرًا جوهريًا في النمط. تخصيصات البنية التحتية فريدة. اللغات والإطارات هي مختلفة.

يمكن إنشاء نماذج التعلم الآلي بسرعة نسبيًا في غضون أسابيع، ولكن عملية جلب هذه النماذج إلى الإنتاج يمكن أن تستغرق من ستة إلى تسعة أشهر بسبب العمليات المنفصلة وعدم الاتصال بين الفرق وترجمة وكتابة نماذج التعلم الآلي يدويًا في التطبيقات الحالية.

من الصعب أيضًا مراقبة وحوكمة نماذج التعلم الآلي بعد وصولها إلى الإنتاج. لا يوجد ضمان أن نماذج التعلم الآلي التي تم إنشاؤها في المعمل ستعمل بالطريقة المتوقعة في الإنتاج. وهناك عدة عوامل مختلفة يمكن أن تكون وراء ذلك.

فوائد MLOps

عندما يتعلق الأمر بتركيب نماذج التعلم الآلي في الإنتاج، كما ذكرنا، هناك الكثير الذي يمكن أن ي goes wrong. عندما يحاول فريق IT/DevOps تشغيل نماذج التعلم الآلي، يحتاجون إلى كتابة البرامج النصية وتشغيل العمليات المختلفة يدويًا. هذه النماذج غالبًا ما يتم تحديثها، وعندما يتم تحديث النماذج، يتم تكرار العملية بأكملها.

عندما يكون هناك المزيد والمزيد من النماذج والتحديثات المختلفة لهذه النماذج، يصبح تتبعها مشكلة كبيرة. واحدة من أكبر المشاكل هي أن الأدوات التي يستخدمونها غالبًا لا تعالج مشكلة قواعد البيانات والاطارات المختلفة التي تكون منفصلة عن بعضها البعض. يمكن أن يؤدي ذلك إلى مشاكل، مما يؤدي إلى تبديد الوقت والموارد، من بين أمور أخرى. يعاني معظم الفرق اليوم أيضًا من صعوبات في تتبع وإصدار النماذج أثناء تحديثها.

يساعد MLOps في جسر الفجوات بين العلوم البيانية والعمليات لإدارة دورة حياة الإنتاج للتعلم الآلي – وهو تطبيق مبادئ DevOps على تسليم التعلم الآلي. هذا يتيح وقتًا أسرع للوصول إلى السوق لل حلول القائمة على التعلم الآلي، ومعدل تجربة أسرع، وضمان الجودة والموثوقية.

باستخدام نماذج SDLC التقليدية، قد تتمكن من إنجاز نموذجين أو نموذجين للتعلم الآلي في السنة، مع الكثير من الألم وعدم الكفاءة. ولكن مع MLOps، يمكنك التوسع، بحيث يمكنك معالجة مشاكل متعددة. يمكنك استخدام هذه النماذج لمساعدة العملاء المحتملين أو العثور على عملاء أكثر صلة أو العثور على تحسينات في الكفاءة أو تحسينها. يمكنك إطلاق التحسينات بشكل أسرع، مما يؤدي في النهاية إلى تحسين الإنتاجية والربحية.

عناصر نجاح MLOps

MLOps ليس سلاحًا سحريًا. لا تزال تحتاج إلى وضع الأسس الصحيحة و معرفة أفضل الممارسات حتى يعمل. للنجاح مع MLOps، تحتاج إلى التركيز على مهمتين رئيسيتين. الأولى هي فهم الأدوار المختلفة. تحتاج إلى التأكد من أن لديك المجموعة الصحيحة والمتنوعة من المهارات والموظفين؛ لا تعامل علماء البيانات ومهندسي التعلم الآلي على أنهم واحد و نفس الشيء. كلاهما ضروريان، ولكنك تحتاج إلى مزيج.

الشيء الثاني الذي يجب مراعاته هو عدم محاولة القيام بكل شيء بنفسك. MLOps مكلف أيضًا، ويتطلب فرقًا كبيرًا من مهندسي التعلم الآلي. من المهم التفكير في ما تحتاجه والنظر في الأدوات المتاحة لمساعدتك في تبسيط النهج وتقليل عدد الأشخاص المخصصين.

الذهاب إلى الأمام بالثقة

يتوقع المحللون الصناعيين أن يفشل ما يقرب من نصف مشاريع الذكاء الاصطناعي في الشركات. هناك عدة أسباب لذلك الفشل، بما في ذلك ثقافة المنظمة. ولكن السبب الرئيسي هو عدم وجود التكنولوجيا المناسبة في المكان لدعم المشروع. MLOps هو أداة مفيدة جدًا لمساعدة المنظمات على تحقيق النجاح في مشاريع الذكاء الاصطناعي، مما يؤدي إلى ميزة تجارية تنافسية.