احصل على أكبر استفادة من الذكاء الاصطناعي للمشاريع الكبيرة مع MLOps – قادة الفكر

بواسطة فيكتور ثو، نائب الرئيس لنجاح العملاء والعمليات، Datatron.

وجد استطلاع أجرته Gartner في نهاية عام 2020 أن 75٪ من المستجيبين يعتزمون الاستمرار أو بدء مبادرات جديدة في الذكاء الاصطناعي في العام المقبل. وفي الوقت نفسه، وجد محللو Gartner أيضًا أن أحد أكبر الصراعات مع نقل 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 يفشل большин من مشاريع الذكاء الاصطناعي / التعلم الآلي. وهذا الحقيقة 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 حاسمًا.

المشهد الحالي للتعلم الآلي

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

دورة حياة تطوير التعلم الآلي تختلف بشكل أساسي عن دورة حياة تطوير البرمجيات التقليدية. خلال العشرين عامًا الماضية، وجد معظم الناس بشكل عام ما يلزم لبرامج البرمجيات التقليدية للانتقال من التطوير إلى الإنتاج. فهم الحوسبة والبرامج الوسيطة والشبكات والتخزين وغيرها من العناصر اللازمة لضمان تشغيل التطبيق جيدًا.

لسوء الحظ، يحاول معظمهم استخدام نفس دورة حياة تطوير البرمجيات (SDLC) لدورة حياة تطوير التعلم الآلي (MLLC). ومع ذلك، التعلم الآلي هو تغييربارادايم كبير. 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 تأخذ 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 أن دخلت الإنتاج. لا يوجد ضمان أن نماذج التعلم الآلي التي تم إنشاؤها في المختبر ستعمل بالطريقة التي يتم بها النوى في الإنتاج. وهناك العديد من العوامل المختلفة التي يمكن أن تكون وراء ذلك.

فوائد MLOps

عندما يتعلق الأمر بتشغيل 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 وتنفيذ العمليات المختلفة يدويًا. غالبًا ما يتم تحديث هذه النماذج، وكل مرة يتم فيها تحديث النماذج، يتم تكرار العملية.

عندما يكون لديك منظمة أكثر ونماذج مختلفة وتكرارات مختلفة من هذه 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 مشاكل أخرى. يعاني معظم الفرق اليوم أيضًا من صعوبة تتبع وصياغة النماذج أثناء تحديثها.

تساعد MLOps على جسر الفجوات بين العلوم البيانية والعمليات لإدارة دورة حياة الإنتاج ML – بشكل أساسي تطبيق مبادئ DevOps على تسليم ML. ذلك يتيح وقتًا أسرع للسوق للمحلات القائمة على ML، ومعدل تجربة أسرع، وضمان الجودة والموثوقية.

استخدام نماذج SDLC التقليدية، قد تكون قادرًا على الحصول على نموذج أو نموذجين من التعلم الآلي في السنة، مع الكفاءة القصوى والكفاءة القصوى. ولكن مع MLOps، يمكنك النمو، لذلك يمكنك حل مشاكل متعددة. يمكنك استخدام هذه النماذج لمساعدة العملاء المحتملين بشكل أفضل، أو العثور على عملاء أكثر صلة أو العثور على تحسينات وزيادة الكفاءة. يمكنك إطلاق التحسينات بسرعة أكبر، مما يؤدي في النهاية إلى تحسين الإنتاجية والربح.

عناصر نجاح MLOps

MLOps ليست رصاصة فضية. لا تزال تحتاج إلى وجود أساس صحيح واعرف أفضل الممارسات حتى تعمل. للنجاح مع MLOps، تحتاج إلى التركيز على واجبين أساسيين. الأول هو فهم الأدوار المختلفة. تحتاج إلى التأكد من أن لديك المجموعة الصحيحة والمتنوعة من المهارات والموظفين؛ لا تعامل علماء البيانات ومهندسي التعلم الآلي على أنهما واحد. كلاهما ضروريان، ولكنك تحتاج إلى مزيج.

الشيء الثاني الذي يجب مراعاته هو عدم محاولة القيام بكل شيء بنفسك. MLOps مكلفة للعمل أيضًا، وتتطلب فرقًا كبيرًا من مهندسي ML. من المهم التفكير في ما تحتاجه والنظر في الأدوات المتاحة لمساعدتك على تبسيط النهج وتسهيل عدد الأشخاص المخصصين.

الذهاب إلى الأمام بثقة

يقدر محللو الصناعة أن ما يقرب من نصف مشاريع الذكاء الاصطناعي للمشاريع الكبيرة معرضة للفشل. هناك عدة أسباب لذلك الفشل، بما في ذلك ثقافة المنظمة. ولكن السبب الرئيسي هو عدم وجود التكنولوجيا المناسبة لدعم المشروع. MLOps هي أداة مفيدة جدًا لمساعدة المنظمات على تحقيق النجاح في مشاريع الذكاء الاصطناعي / التعلم الآلي، مما يؤدي إلى ميزة تجارية تنافسية.