Čtyři faktory úspěchu s modely ML

Od Jasona Revelle, CTO, Datatron

Odborníci, analytici a ti, kteří mají přímou zkušenost s implementací, chválí strojové učení (ML), což vede k tomu, že stále více podniků přijímá ML pro různé účely. Jeho sláva spočívá v tom, že by mělo počítačově zpracovávat lidské poznání a dále umožňovat digitální transformaci. Nicméně, i když ML slibuje velké úspěchy, existuje také negativní stránka: pro týmy, které musí ML spravovat v produkci, se práce může stát obtížnou.

Podniky implementují ML pro各种 úkoly, jako je klasifikace zdravotních rizik, zpracování dokumentů, předpověď cen, detekce podvodů, preventivní údržba a další. Týmy školí a vyhodnocují modely na historických datech, dokud se nezdají splňovat cíle výkonu a přesnosti. Podniky jsou ochotny využít vysoké hodnoty, které ML slibuje, předpovídáním, klasifikací nebo předepisováním budoucích výsledků – a jednáním na základě těchto předpovědí.

Všechna tato obchodní hodnota ovšem přichází s vysokými provozními náklady. Jakmile je model “připraven”, jeho automatizace prostřednictvím spolehlivých mechanismů dodávky vytváří provozní složitosti a rizika, která vyžadují bdělost. Aby tyto projekty byly efektivní a účinné, týmy dodávky a provozu musí holisticky spravovat životní cyklus ML. Data musí být k dispozici a musí mít očekávanou kvalitu ve srovnání s tím, co bylo použito pro školení.

Brzy se ukáže, že se jedná o něco jiného než o jiné inženýrské úsilí, a musíte začít uvažovat o výzvách novým způsobem, abyste se skutečně stali společností poháněnou umělou inteligencí. Zde jsou čtyři věci, které je třeba zvážit pro úspěch s strojovým učením, a zejména s modely ML.

1. Jak být schopen rychle nasadit multiple verze za scénou

Modely strojového učení vyžadují iterativní proces, který závisí na skutečných produkčních datech. Investujte do nasazení cílů, které mohou běžet a zaznamenávat výsledky bez toho, aby je viděli produkční systémy nebo zákazníci. Musíte mít schopnost nasadit tímto způsobem snadno a plynule, dokud nezískáte model, který se vám líbí. Na dlouhé období je mnohem účinnější a ekonomičtější předpokládat, že bude很多 úprav vašich modelů, stejně jako potřeba srovnávat aktuální verze s novými kandidáty, kteří slibují lepší výsledky.

2. Pochopit, že to, co váš tým slibuje, obvykle nebude zapadat do tradičních, aplikací-orientovaných “schválených softwarových” politik.

Strojové učení se rychle rozvíjí a rozšiřuje, a nabízí rostoucí seznam technologických poskytovatelů, velkých i malých. Je samozřejmé, že IT musí udržovat řádnou podporu, bezpečnostní kontroly a kontroly pro vaše provozní prostředí. Ale varujte se: aplikování stejných kontrol a procesů pro řízení provozního nebo produktového hostingu technologií na vaši praxi ML pravděpodobně výrazně sníží vaše potenciální výnosy, než jste vůbec překročili startovní čáru.

Je také důležité poznamenat, že datoví vědci jsou vysoce poptávaní. Není pro ně obtížné najít jinou práci, pokud se cítí být pod tlakem, aby dosáhli lepších a lepších výsledků bez změny technologií, které používají, nebo způsobu, jakým je mohou používat.

3. Pochopit, že životní cyklus vývoje modelu ML není stejný jako životní cyklus vývoje softwaru

Vývoj softwaru a vytváření modelů ML jsou velmi odlišné procesy; pokus o zacházení s druhým jako s prvním je recept na katastrofu. Podniky, které považují dodávku modelu za další softwarovou vydání, skončí s mezerami v propojených schopnostech, jako je monitoring a analýza, a s vysokými náklady na přenos znalostí mezi tvůrci a operátory, s posloupnými, prodlouženými časovými osami. Specialisté, kteří nasazují a podporují vaše modely, musí pochopit, jak model a data fungují, ne pouze triážní službu spolehlivosti a chybové kódy. Správný talent, hybridní týmy složené z datových a provozních specialistů, spolu se správnými nástroji, vám umožní testovat a interpretovat nejen to, zda software funguje, ale také to, jak jsou odpovědi přesné a vysvětlovatelné.

Je také důležité přijmout úspěch-založený přístup k auditu modelů ML, protože jsou omylné. Pokud chcete, aby vaši datoví vědci důvěřovali předpovědím modelů ML, i když se věci pokazí (pochopíte, že k tomu dojde), pak by proces auditu ML měl být navržen tak, aby umožňoval iteraci a zlepšování modelů ML.

4. Plánovat pro škálovatelnost.

Budete muset nasadit nástroje strojového učení, které mají automatizovaný systém nasazení, jako je Kubernetes nebo Docker Swarm. To vám pomůže dosáhnout několika cílů. Budete moci spustit zátěže ML dynamicky a monitorovat úkoly automaticky napříč clusterem pro selhání pomocí algoritmů AI – upozorňující operátory na případné problémy, než vzniknou. Budete také moci konsolidovat analytické zprávy z více zdrojů do jednoho centralizovaného dashboardu, abyste se ujistili, že modely ML fungují podle očekávání.

Zvládněte učící křivku

Předtím, než začnete s projektem ML, je důležité pochopit, že i když modely ML mohou nabízet velké výhody a efektivitu pro vaši organizaci, mohou se stát samostatnou entitou, pokud nejsou řádně spravovány. Poznejte rizika a provozní složitosti od začátku, přičemž vezmete v úvahu výše uvedené čtyři tipy. S pevnou základnou budete moci vytvářet a snadno měnit vaše modely ML, aby sloužily vašim obchodním cílům.