Fire faktorer for succes med ML-modeller

Af Jason Revelle, CTO, Datatron

Eksperter, analytikere og personer med førstehånds erfaring med implementering af maskinlæring (ML) rosmerker ML, hvilket har ført til, at flere og flere virksomheder adopterer ML til forskellige formål. Dets rygte skyldes, at det kan computerisere menneskelig kognition og yderligere muliggøre digital transformation. Men selvom ML har store løfter, er der en nedside: for holdene, der skal administrere det i produktion, kan arbejdet blive en svær kamp.

Virksomheder implementerer ML til en lang række opgaver, såsom klassificering af sundhedsrisici, behandling af dokumenter, prisforudsigelser, svigagtigelse, forebyggende vedligeholdelse og mere. Holdene træner og vurderer modeller på historiske data, indtil de synes at opfylde performances- og nøjagtighedsmål. Virksomheder er ivrige efter at høste de høje værdier, som ML lover ved at forudsige, klassificere eller foreslå fremtidige resultater – og handle på disse forudsigelser.

Men alligevel kommer denne forretningsværdi til en høj operationsomkostning. Når en model er “klar”, skaber dens automatisering gennem pålidelige leveringsmekanismer operationskompleksiteter og -risici, der kræver vagtsomhed. For at gøre disse projekter effektive og effektive må leverings- og operationsholdene holistisk administrere ML-livscyklussen. Data skal være tilgængelige og have den forventede kvalitet i forhold til det, der blev brugt til træning.

Det bliver snart klart, at dette ikke er ligesom andre ingeniørarbejder, og du skal begynde at tænke på udfordringerne på nye måder for virkelig at blive et AI-drevet selskab. Her er fire ting at overveje for succes med maskinlæring, og specifikt med ML-modeller.

1. Hvordan du kan hurtigt udvikle multiple versioner bag kulisserne

Maskinlæringsmodeller kræver en iterativ proces, der afhænger af rigtige produktionsdata. Gør fokuserede investeringer for at have udviklingsmål, der kan køre og logge resultater uden, at produktionsystemer eller kunder ser disse resultater. Du har brug for evnen til at udvikle på denne måde let og flydende, indtil du har den model, du kan lide. På lang sigt er det meget mere effektivt og økonomisk at antage, at der vil være meget finjustering af dine modeller, samt et behov for at sammenligne nuværende versioner med nye kandidater, der lover bedre resultater.

2. Forstå, at det, dit hold lover, typisk ikke passer inden for traditionelle, applikationscentrerede “godkendte software”-politikker.

Da ML hurtigt vokser og diversificerer, har det en stadig voksende liste af teknologileverandører, både store og små. Det er en given, at IT skal opretholde ordentlig support, sikkerhedsskanning og kontrol for jeres driftsmiljøer. Men vær advaret: hvis du anvender de samme kontroller og processer for at styre drifts- eller produktværts-teknologi for jeres ML-praksis, vil det sandsynligvis betydeligt mindske jeres potentielle afkast, før du overhovedet har krydset startlinjen.

Det er også vigtigt at bemærke, at datavidenskabsmænd er meget efterspurgte. Det er ikke svært for dem at finde et andet job, hvis de føler, de er under pres for at levere bedre og bedre resultater uden at ændre den teknologi, de bruger, eller hvordan de kan bruge den.

3. Forstå, at ML-modeludviklingslivscyklussen ikke er den samme som en softwareudviklingslivscyklus

Softwareudvikling og oprettelse af ML-modeller er meget forskellige processer; at forsøge at behandle den sidste som den første er en opskrift på katastrofe. Virksomheder, der behandler modeludlevering som blot endnu en softwareudgivelse, ender med huller i tværgående funktioner som overvågning og analyse, og høj overhead for vidensoverførsel mellem skabere og operatører, med sekventielle, forlængede tidsrammer. Specialister, der udleverer og supporterer jeres modeller, skal forstå, hvordan modellen og dataene fungerer, ikke kun servicetilgængelighed og fejlkode. De rette kompetencer, hybridhold bestående af data- og operationspecialister, samt de rette værktøjer vil enable dig til at teste og fortolke, ikke kun om softwaren kører, men også hvor nøjagtig og forklarelige svarene er.

Det er også vigtigt at påtage sig en succesbaseret tilgang til revision af maskinlæringsmodeller, fordi de er fejlbehæftede. Hvis du vil, at jeres virksomheds datavidenskabsmænd skal stole på deres maskinlæringsmodel-forudsigelser, selv når tingene går galt (og det vil de), skal ML-revisionsprocessen være designet på en måde, der tillader maskinlæringsmodeller at blive itereret over og forbedret.

4. Planlæg for skala.

Du har brug for at udvikle maskinintelligensværktøjer, der har et automatiseret udviklingssystem som f.eks. Kubernetes eller Docker Swarm. Dette vil hjælpe dig med at opnå flere mål. Du vil kunne starte maskinlæringsarbejdsbelastninger dynamisk og overvåge opgaver automatisk på tværs af kluster for fejl ved hjælp af AI-algoritmer – og advare operatører om eventuelle problemer, før de opstår. Du vil også kunne konsolidere analyserapporter fra flere kilder til en centraliseret dashboard for at sikre, at maskinlæringsmodellerne fungerer som forventet.

Mester læringskurven

Før du begynder et ML-projekt, er det afgørende at forstå, at selvom ML-modeller kan tilbyde enorme fordele og effektivitetsgevinster for jeres virksomhed, kan de tage på en liv af sig selv, hvis de ikke administreres ordentligt. Kenderisikoen og de operationskompleksiteter fra starten, med de ovennævnte fire tips i mente. Med en solid grundlag i place vil du være i stand til at oprette og let ændre dine ML-modeller, så de tjener jeres forretningsmål.