فيكتور ثو، رئيس Datatron – سلسلة المقابلات

فيكتور ثو هو رئيس شركة Datatron، وهي منصة تساعد الشركات على استغلال قوة التعلم الآلي، من خلال تسريع النشر، والكشف المبكر عن المشكلات، وزيادة كفاءة إدارة النماذج المتعددة على نطاق واسع.

خلفيتك في تسويق المنتجات واستراتيجية دخول السوق وإدارة المنتجات، كيف أدت هذه الخلفية إلى عملك في التعلم الآلي والذكاء الاصطناعي؟

أنا أحب التكنولوجيا، ويعتبرني بعض أصدقائي المقربين “هامس التكنولوجيا”. أستمتع بتحويل المواضيع التكنولوجية المعقدة إلى لغة يمكن للناس فهمها، وتعليم نفسي تقنيات جديدة لفهم “السبب” وراء التقنيات التي تهم الناس أكثر.

اللقاء الأول الذي قمت به مع ما أسميه “الذكاء الاصطناعي الحديث” كان عندما كنت أشاهد عرضًا رئيسيًا لأستاذة الذكاء الاصطناعي الشهيرة في ستانفورد، الدكتورة فاي فاي لي. كان عرض الدكتورة لي ممتعًا لدرجة أنه كان نقطة تحول في مسيرتي المهنية. ذلك العرض أقنعني أن هذا هو المكان الذي أريد أن أكون فيه بعد ذلك. أردت أن أكون جزءًا من الموجة التالية من التكنولوجيا حيث نستخدم الذكاء الاصطناعي والتعلم الآلي لحل التحديات التجارية.

منذ ذلك الحين، عملت مع العديد من الشركات الناشئة في مجال الذكاء الاصطناعي والتعلم الآلي، سعياً لاستخدام التكنولوجيا لمعالجة الاحتياجات التجارية الحقيقية. عملت بشكل وثيق مع علماء التعلم الآلي من حملة الدكتوراه، الذين قدموا لي معرفة كبيرة في مجال الذكاء الاصطناعي والتعلم الآلي. وما زلت أتعلم اليوم لأن المجال يتطور بسرعة كبيرة.

لذلك، كانت حب التكنولوجيا وطريقة استغلالها لمساعدة الآخرين هي ما أدى بي إلى العمل بشكل وثيق مع الذكاء الاصطناعي والتعلم الآلي.

تركز Datatron على MLOps، للقراء الذين ليسوا على دراية بهذا المصطلح، هل يمكنك وصف ما هو بالضبط؟

MLOps هو في الأساس تنظيم وتبسيط العملية التي تعتمد بدرجة كبيرة على العمل اليدوي المتخصص لنقل نماذج الذكاء الاصطناعي والتعلم الآلي من النموذج الأولي إلى الإنتاج.

أحد أكبر المفاهيم الخاطئة هو أن علماء البيانات يمكنهم نشر نماذجهم بسرعة بعد بنائها. ومع ذلك، فإن الواقع هو أن الأمر قد يستغرق ما يصل إلى عام قبل نشر النموذج.

السبب الرئيسي لهذا التأخير هو أن الأشخاص الذين يمتلكون خبرة في تطوير النماذج لا يمتلكون بالضرورة خبرة في الهندسة البرمجية. يمكن أن يكون المقارنة بين المهندسين المعماريين الذين يصممون ناطحات السحاب – فهم لا يبنونها.

MLOps هو في الأساس الجسر بين مطوري النماذج والهندسة البرمجية. بدلاً من قضاء أكثر من 12 شهرًا لنشر النماذج، يمكن لـ MLOps تقصير هذا الوقت إلى بضعة أيام فقط.

في مقال كتبته لنا في سبتمبر 2021، ناقشت كيف “الحد الرئيسي لإدخال الحلول إلى الإنتاج ليس جودة النماذج، ولكن نقص البنية التحتية الموجودة لتمكين الشركات من القيام بذلك.” لماذا يعتبر هذا عائقًا للعديد من الشركات؟

هناك عدة عوامل تساهم في ذلك.

• رومانسية البرمجيات المفتوحة “المجانية”. أريد أن أؤكد أولاً أننا نحب البرمجيات المفتوحة ونعتقد أنها ساعدت الصناعة على التقدم بخطوات كبيرة. ومع ذلك، لا يفهم الكثيرون تعقيد البرمجيات المفتوحة فيما يتعلق بالذكاء الاصطناعي والتعلم الآلي. اليوم، هناك نقص حاد في المواهب في مجال الذكاء الاصطناعي والتعلم الآلي. عندما تقوم بتوظيف مهندسي برمجيات (مهندسي التعلم الآلي أو MLOps) الذين يعرفون كيف يتعاملون مع الخصائص الفريدة للرموز البرمجية للذكاء الاصطناعي والتعلم الآلي، ومن ثم توقع بناء منصة MLOps على نطاق الشركات الداخلية من خلال فهم أكثر من 300 مشروع MLOps مفتوح المصدر، فهذا يعني أنك تضع نفسك في موقف الفشل.
• نقص البنية التحتية لدعم فرق الهندسة. الشركات تحتاج إلى بيئة أفضل لتوفير بيئة مناسبة لمهندسيها. هناك حاجة إلى نطاق مناسب وميزانية لتوفير الفرق الأدوات الصحيحة. الذكاء الاصطناعي هو تكنولوجيا جديدة نسبيًا. الشركات التي تقوم بالذكاء الاصطناعي لا تعرف دائمًا ما يجب القيام به لنشر النماذج بسرعة، وهذا هو السبب في أن MLOps أداة حيوية.

كيف يحل استخدام MLOps مشكلة نقص البنية التحتية؟

يحل MLOps مشكلة نقص البنية التحتية بأربع طرق:

1. لا يوجد تغيير في الرموز البرمجية الخاصة: يرغب علماء البيانات في الحصول على مرونة لبناء نماذج تتناسب مع حالات استخدام الأعمال في بيئاتهم، وبالتالي فإن أي عملية MLOps التي تتطلب تغييرات في الرموز البرمجية تجعل الحفاظ على سلامة نماذجهم أكثر تعقيدًا.
2. الأتمتة / كتابة السكربتات: يقوم العديد من الفرق ببرمجة النماذج بطريقة محددة مسبقًا، مما يستغرق وقتًا طويلاً. يؤتمت MLOps هذه العملية بأكملها، مما يوفر الكثير من الوقت والطاقة.
3. تسهيل التحديثات: تتغير نماذج الذكاء الاصطناعي بانتظام للتكيف مع بيئتها. في بعض الأحيان، يجب على علماء البيانات العودة لتحديث النماذج بشكل متكرر. بدون MLOps، لا توجد طريقة لتجنب هذه التحديثات المتكررة.
4. إدارة البنية التحتية الأساسية: من أجل نشر النماذج، تحتاج إلى موارد حوسبة وشبكات وتخزين تتوافق مع المتطلبات الخاصة لنماذج الذكاء الاصطناعي والتعلم الآلي. تتمتع أدوات MLOps بالقدرة على الوصول إلى الموارد الصحيحة لتوسيعها وفقًا لذلك.

هناك أيضًا متطلبات على مستوى الشركات التي غالبًا ما لا يتم النظر فيها عند بناء أداة MLOps الخاصة بك، مثل: التحكم في الوصول المستند إلى الأدوار (RBAC)، والتكامل والتشغيل المتوافق، ودعم أدوات التعلم الآلي المختلفة، ومعالجة الثغرات الأمنية والمغادرة غير المتوقعة لأعضاء الفريق الأساسي.

ما هي وجهات نظرك الشخصية حول أهمية حوكمة الذكاء الاصطناعي؟

هناك العديد من القصص المرعبة عن نماذج الذكاء الاصطناعي التي لا تعمل بشكل صحيح، من تصنيف مجموعات معينة من الناس بشكل خاطئ إلى التسبب في خسائر مالية كبيرة للشركات المدرجة في البورصة.

حوكمة الذكاء الاصطناعي مهمة بشكل حرج للشركات عندما يكون لديها نماذج ذكاء اصطناعي تعمل في الإنتاج. ومع ذلك، فهي لا تختلف عن حوكمة تكنولوجيا المعلومات أو الأعمال الأخرى. اليوم، عندما تعمل تكنولوجيا المعلومات للتطبيقات في السحابة أو حتى في مراكز البيانات الخاصة بها، لديها سلسلة من الأدوات لضمان عمل التطبيقات بشكل صحيح.

عندما يكون لديك نماذج ذكاء اصطناعي تعمل، تحتاج إلى آليات وأدوات في مكانها لتعطي الأعمال وعلماء البيانات رؤية حول ما تفعله النماذج.

خاصةً في هذه المرحلة المبكرة من الذكاء الاصطناعي والتعلم الآلي، لا يوجد خيار “اضبطه وانسَه”. في البداية، تحتاج إلى مراقبة سلوك نموذجك وتعديله بشكل مناسب. وجود القدرة على المراقبة حتى يمكن إعلامك عندما يتجاوز نموذجك الحدود المرغوبة هو مفتاح.

يجب أن تأخذ إدارة مخاطر النموذج (MRM) في الاعتبار الأفراد المختلفين الذين يشاركون في تطوير النموذج ونشره. ما هي سيطرة الوصول التي وضعتها في مكانها لضمان سلامة النماذج؟ أو كيف يمكنك ضمان أن الأفراد من مجموعات مختلفة لا يستخدمون نماذجك بشكل غير متعمد لاستخدامات لم يتم تصميمها؟ كل هذه أسئلة يجب على الفرق أن يطرحوها على أنفسهم.

كيف تساعد Datatron في إدارة مخاطر النموذج؟

MLOps يسمح بتحديثات سريعة وتغييرات في النموذج. على سبيل المثال، إذا كان نموذج يرفض بشكل غير مناسب الأشخاص على طلب قرض، يسمح MLOps بسحب النموذج وتقديم نموذج جديد، مما يقلل من المخاطر بسهولة.

يحمي النماذج من انزلاق التحيز ويحافظ على معايير رئيسية أثناء الإنتاج من خلال لوحة تحكم بسيطة تعرض هذه المعايير باستخدام بيانات مفصلة من نظرة عامة عالية المستوى يمكن فهمها بسهولة من قبل صناع القرار.

توفير حوكمة الذكاء الاصطناعي من Datatron يوفر مستوى أعلى من القدرة على المراقبة العامة – مما يوفر سياقًا إضافيًا ومنطقًا يعرض رؤية واضحة للنموذج أكثر صلة بحالات استخدام العملاء.

في منشور مدونة على Datatron وصف كيف تقوم Datatron بتبني شعار Reliable AI ™. هل يمكنك وصف ما هو هذا الشعار في رأيك؟

عندما كنا نفكر في هذا، كنا نفكر في كيفية شعورنا بالراحة عند الطيران في طائرات الركاب التجارية اليوم لأنها موثوقة للغاية.

على الرغم من كل هذه المناقشات حول الذكاء الاصطناعي الأخلاقي والمسؤول، فإن الحاجة الرئيسية هي أن تكون الشركات قادرة على استخدام الذكاء الاصطناعي والتعلم الآلي بشكل موثوق – مثل إذا كان موظفوها سيقومون بركوب طائرة ركاب تجارية.

استخدام مصطلحات مثل الذكاء الاصطناعي الأخلاقي والذكاء الاصطناعي المسؤول قد نشأ من مشكلة عدم عمل نماذج الذكاء الاصطناعي كما هو متوقع، وبالتالي فهي غير موثوقة. الشركات لا ترغب في استخدام الذكاء الاصطناعي لأنها لا تثق في أن نماذجها غير متحيزة. هذا يعني أن نماذجها غير موثوقة، وDatatron تقوم بتغيير ذلك.

هل هناك أي شيء آخر تود مشاركته حول Datatron؟

نحن واحدة من شركات MLOps القليلة التي جرى التحقق من أدائها خلال السوبر بول ونجحت في العمل في سيناريوهات عالية الضغط، وهي ليست عادية لشركة ناشئة أو أداة مفتوحة المصدر. يعمل العميل، دومينوز بيتزا، مع Datatron لنشر نماذج الذكاء الاصطناعي بسهولة وسرعة في الإنتاج، والتي تم اختبارها في النهاية خلال السوبر بول.

MLOps هو بالفعل الطريقة لمساعدة نماذج الذكاء الاصطناعي والتعلم الآلي على الدخول إلى الإنتاج مع الحفاظ على الموارد وتقليل التكاليف. نحن مصدر مستدام لنماذج الذكاء الاصطناعي والتعلم الآلي الناجحة، ونعمل كعامل مساعد للعائد. يمكن للشركات أخيرًا الحصول على عائد الاستثمار من مشاريع الذكاء الاصطناعي والتعلم الآلي. بغض النظر عن هامشك، يمكنك إنتاج نتائج باستخدام MLOps.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Datatron.