Ηγέτες σκέψης
Η κρίσιμη διαδρομή προς την αυτοματοποίηση της ανάπτυξης μοντέλων

Βασικά σημείαΗ αυτοματοποίηση της ανάπτυξης μοντέλων απαιτεί πρώτα την επίλυση της σημασιολογικής…
Δείτε περισσότερα
- Η αυτοματοποίηση της ανάπτυξης μοντέλων απαιτεί πρώτα την επίλυση της σημασιολογικής ασάφειας στη σημασία των οργανωσιακών δεδομένων.
- Τα βασικά μοντέλα εντείνουν τις προκλήσεις διαχείρισης δεδομένων λόγω των ευρέως ετερογενών και πολύπλοκων πηγών εκπαίδευσης.
- Η πραγματική αυτοματοποίηση Μηχανικής Μάθησης χρειάζεται θεσμική μνήμη για να αποφύγει την επαναλαμβανόμενη ανακάλυψη προηγούμενων αποτυχιών και γνώσεων.
Το επόμενο σημαντικό ορόσημο για την έρευνα του AI είναι να αυτοματοποιήσει την ανάπτυξη μοντέλων. Κάθε πρόοδος στη λογική, τη γλώσσα και την αντίληψη είναι, σε κάποιο βαθμό, ένα βήμα προς αυτόν τον στόχο. Ωστόσο, η διαδρομή προς την αυτοματοποίηση των μοντέλων απαιτεί την επίλυση ενός συνόλου θεμελιωδών προκλήσεων που πρέπει να επιλυθούν πρώτα.
Η γέφυρα προς αυτόν τον στόχο περνά απευθείας από τη μηχανική συστημάτων μηχανικής μάθησης (ML). Μια κοινή λανθασμένη αντίληψη υποστηρίζει ότι η ML είναι μια προηγούμενη τεχνολογία για το σύγχρονο AI και ότι τα μοντέλα θεμελίωσης έχουν απλώς αντικαταστήσει την ML. Αυτό παρεξηγεί τη σχέση. Ως ακαδημαϊκή πειθαρχία, η ML περιλαμβάνει όλες τις πτυχές της εκπαίδευσης μοντέλων, συμπεριλαμβανομένης της εκπαίδευσης των μοντέλων θεμελίωσης στο κέντρο της τρέχουσας AI στιγμής. Υπάρχει, ωστόσο, μια σημαντική διαφορά σε κλίμακα και πολυπλοκότητα δεδομένων.
Τα παραδοσιακά μοντέλα ML εκπαιδεύονται συνήθως σε προσεκτικά επιλεγμένα, domain-ειδικά σύνολα δεδομένων που περιέχουν χιλιάδες ή εκατομμύρια παραδείγματα. Τα μοντέλα θεμελίωσης, από την άλλη πλευρά, εκπαιδεύονται σε χιλιάδες σύνολα δεδομένων ταυτόχρονα, που προέρχονται από πολύ διαφορετικές πηγές με ασυνεπείς μορφές, προέλευση και ποιότητα. Αυτή η διαφορά στην κλίμακα και την ετερογένεια των δεδομένων είναι ένας θεμελιώδης λόγος για τον οποίο η διαχείριση δεδομένων γίνεται πολύ δυσκολότερη και πιο σημαντική καθώς τα μοντέλα γίνονται πιο ισχυρά.
Αυτό καθιστά την κατανόηση των δεδομένων ένα κεντρικό εμπόδιο στην αυτοματοποίηση της ανάπτυξης μοντέλων. Ένα σύστημα AI που μπορεί να ερμηνεύσει ετερογενή δεδομένα και να βελτιώσει τις διαδικασίες που κατασκευάζονται γύρω του θα μπορούσε, κατ’ αρχήν, να βελτιώσει τη διαδικασία εκπαίδευσης και να βοηθήσει στην κατασκευή καλύτερων μοντέλων. Μόλις το AI μπορεί να βελτιώσει τη διαδικασία με την οποία εκπαιδεύεται, οι βελτιώσεις κατρακυλούν προς τα κάτω σε κάθε τομέα όπου εφαρμόζεται το AI.
Τρία Εμπόδια που Εμποδίζουν τον Δρόμο
Το πρώτο εμπόδιο είναι ο κατακερματισμός του πλαισίου. Σε σχεδόν κάθε οργανισμό, τα σήματα, τα πειράματα, οι ορισμοί χαρακτηριστικών και η θεσμική γνώση που σχετίζονται με οποιοδήποτε δεδομένο πρόβλημα μοντελοποίησης είναι διάσπαρτα σε αποθήκες δεδομένων, σημειωματάρια και διαδικασίες που δεν σχεδιάστηκαν ποτέ να επικοινωνούν μεταξύ τους. Σκεφτείτε ένα σύστημα υγείας που κατασκευάζει ένα μοντέλο ανίχνευσης σήψης. Τα κλινικά κριτήρια που σχετίζονται με αυτό το πρόβλημα, όπως οι οριακές τιμές ζωτικών παραμέτρων, τα εργαστηριακά δεδομένα και τα πρότυπα τεκμηρίωσης, μπορεί να ζουν σε εντελώς ξεχωριστά μέρη ενός ηλεκτρονικού συστήματος υγείας.
Το δεύτερο εμπόδιο είναι η σημασιολογική αμφισημία. Η σημασία δεν είναι εγγενής στα δεδομένα, αλλά είναι αντίθετα εξαρτάται από το πλαίσιο και τον οργανισμό. Το ίδιο όνομα πεδίου σε δύο διαφορετικές βάσεις δεδομένων μπορεί να αναφέρεται σε ελαφρώς διαφορετικά πράγματα. Έννοιες όπως τα έσοδα, ο ενεργός χρήστης και η αποχώρηση πελατών έχουν συχνά πολλούς έγκυρους ορισμούς μέσα στην ίδια εταιρεία. Ακόμη και μια έννοια όπως τα “έσοδα” μπορεί να προκαλέσει προβλήματα. Μια ομάδα πωλήσεων μπορεί να ορίσει τα έσοδα ως την συνολική αξία των συμβολαίων που υπογράφηκαν αυτό το τρίμηνο, ενώ η ομάδα χρηματοοικονομικών ορίζει τα έσοδα ως τα πραγματικά ληφθέντα χρήματα. Η ομάδα προϊόντων έχει μια άλλη κατανόηση, καθώς ορίζει τον όρο να σημαίνει αναγνωρισμένα έσοδα που διανέμονται σε μια περίοδο συνδρομής. Όλα τα τρία τραβούν από πεδία που ονομάζονται “έσοδα” στα αντίστοιχα συστήματα, αλλά μια δια-ομάδα αναφορά που συνδυάζει αυτά θα σιωπηλά αναμιγνύει τρία ασύμβατα νούμερα.
Το τρίτο και πιο συστηματικό εμπόδιο είναι η απουσία τεκμηριωμένης οργανωτικής μνήμης. Η παρακολούθηση της προέλευσης, η επίλυση ασυνεπειών και η διατήρηση σημάτων ποιότητας σε τόσες πολλές πηγές είναι ένα ανεπίλυτο πρόβλημα ακόμη και για ανθρώπινες ομάδες. Χωρίς μια θεσμική μνήμη του τι έχει δοκιμαστεί και πώς καλά δούλεψαν αυτές οι προσεγγίσεις, οποιοσδήποτε μηχανισμός αυτοματοποίησης μοντέλων θα συνεχίσει να ανακαλύπτει τα ίδια νεκρά στενά, σπαταλώντας χρόνο και πόρους.
Σκεφτείτε μια ομάδα επιστημών δεδομένων σε μια εταιρεία λιανικής που κατασκευάζει ένα μοντέλο πρόβλεψης ζήτησης. Σε τρία χρόνια, μια δωδεκάδα αναλυτών έχουν ανακαλύψει ανεξάρτητα ότι τα ακατέργαστα δεδομένα καιρού μειώνουν την απόδοση του μοντέλου κατά τις εβδομάδες των διακοπών, ότι η τροφοδοσία αποθέματος ενός συγκεκριμένου προμηθευτή περιέχει μια συστηματική καθυστέρηση και ότι η τυπική προσέγγιση για την αντιμετώπιση των προωθητικών εκδηλώσεων προκαλεί διαρροή στόχου. Όταν οι αρχικοί αναλυτές μετακινήθηκαν σε άλλες ομάδες ή έφυγαν από την εταιρεία, η γνώση έφυγε μαζί τους. Χωρίς μια θεσμική εγγραφή του τι έχει δοκιμαστεί, τι απέτυχε και γιατί, ένας μηχανισμός αυτοματοποίησης μοντέλων δεν μπορεί να χτίσει πάνω στις συσσωρευμένες εμπειρίες. Απλώς ξεκινά από το μηδέν, ξανά και ξανά, σπαταλώντας άσκοπα χρόνο.
Τι Απαιτεί μια Πραγματική Λύση
Η ιστορία της αυτοματοποίησης ML είναι μια ιστορία μερικών λύσεων. Το AutoML αντιμετώπισε το στενό πρόβλημα της ρύθμισης των υπερπαραμέτρων, αλλά δεν μπορούσε να αντιμετωπίσει τις ασυμφωνίες στόχων ή να σκεφτεί την οργανωτική πρόθεση. Το MLOps έκανε τις παραγωγικές διαδικασίες πιο ανθεκτικές και πιο εύκολες να παρακολουθούνται, αλλά τα εργαλεία MLOps εκτελούν μια στρατηγική αντί να την ορίζουν. Οι πιο πρόσφατοι πράκτορες προγραμματισμού αντιπροσωπεύουν ένα πραγματικό βήμα προς τα εμπρός, αλλά έχουν κληρονομήσει την ίδιο τυφλό σημείο. Παράγουν κώδικα καλά ενώ λειτουργούν χωρίς οργανωτικό πλαίσιο ή θεσμική μνήμη.
Ένα σύστημα ικανό για πραγματικά αυτόνομη μηχανική ML θα χρειαζόταν ικανότητες που δεν παρέχει κανένα υπάρχον εργαλείο σε συνδυασμό. Θα χρειαζόταν να χαρτογραφήσει τους επιχειρηματικούς στόχους σε στόχους μοντέλων, μια αντιστοίχιση που δεν μπορεί να συναχθεί μόνο από τα δεδομένα. Θα χρειαζόταν να ανακαλύψει σχετικά δεδομένα σε κατακερματισμένα συστήματα με ασυνεπή σχήματα, ενώ αυτόματα να συμμορφώνεται με τις απαιτήσεις συμμόρφωσης, διακυβέρνησης και ασφάλειας, αντί να απαιτεί από τους ανθρώπους να τις διαχειρίζονται ως ξεχωριστή διαδικασία. Θα χρειαζόταν θεσμική μνήμη για να αναδείξει υπάρχουσα εργασία, να κατανοήσει γιατί τα προηγούμενα πειράματα εγκαταλείφθηκαν και να χτίσει πάνω σε αυτά που ήδη γνωρίζουν οι συνάδελφοι.
Αυστηρά ίχνη ελέγχου που παρακολουθούν την προέλευση σε εκδόσεις δεδομένων, ορισμούς χαρακτηριστικών και commits κώδικα θα έπρεπε να αποτελούν βασικό μηχανισμό για την εναρμόνιση του συστήματος με αυτό που πραγματικά συνέβη. Και ένα τέτοιο σύστημα θα χρειαζόταν προσεκτική σχεδίαση ανθρώπινου-στο-βρόχο. Όχι μια δυαδική επιλογή μεταξύ πλήρους αυτοματοποίησης και πλήρους χειροκίνητου ελέγχου, αλλά υποστήριξη για διαφορετικά επίπεδα αλληλεπίδρασης ανάλογα με την εργασία, τη σοβαρότητα των συνεπειών και τη βεβαιότητα του συστήματος σε κάθε σημείο λήψης αποφάσεων. Η αυτοματοποίηση που παρακάμπτει την ανθρώπινη κρίση σε κρίσιμες στιγμές δεν είναι μια λειτουργία καλά σχεδιασμένου AI· αντίθετα, είναι ένας τρόπος αποτυχίας.
Τι δεν έχει λυθεί ακόμη από κανένα εργαστήριο είναι πώς να δημιουργηθεί μια σημασιολογική κατανόηση των οργανωτικών δεδομένων που κατανοούν τι σημαίνουν τα δεδομένα σε ένα συγκεκριμένο θεσμικό πλαίσιο. Το MCP λύνει το πρόβλημα της συνδεσιμότητας. Δεν λύνει ακόμη το πρόβλημα της σημασίας. Αυτό παραμένει το ανοιχτό ερευνητικό μέτωπο.
Τι Γίνεται Πιθανό
Οι οικονομικές επιπτώσεις της επίλυσης αυτών των προβλημάτων είναι σημαντικές. Η προσαρμοσμένη ανάπτυξη ML σήμερα απαιτεί ειδικευμένους επαγγελματίες και εβδομάδες επανάληψης, ακόμη και για καλά καθορισμένα προβλήματα. Ένα σύστημα που θα μπορούσε να πλοηγηθεί σε όλη τη ροή εργασίας αυτόνομα, από τον ορισμό του προβλήματος μέχρι την ανακάλυψη δεδομένων, την ανάπτυξη μοντέλων και την αξιολόγηση μοντέλων θα άλλαζε δραματικά αυτήν την εξίσωση, συμπιέζοντας χρονοδιαγράμματα και ανοίγοντας υψηλής αξίας περιπτώσεις χρήσης που είναι επί του παρόντος υπερβολικά απαιτητικές σε πόρους για να υλοποιηθούν. Έργα που απαιτούσαν ομάδες με βαθιά ML εμπειρία που εργάζονταν για εβδομάδες μπορούν τώρα να ολοκληρωθούν σε ημέρες χωρίς να χρειάζεται να χρησιμοποιήσουν τόσο μεγάλο μέρος του περιορισμένου χρόνου των ειδικών ML.
Οι προκλήσεις του κατακερματισμού του πλαισίου, της σημασιολογικής αμφισημίας και της απουσίας θεσμικής μνήμης δεν είναι μοναδικές για την επιχειρηματική ML. Εμφανίζονται υπό διαφορετικές περιοριστικές συνθήκες στην κατασκευή των διαδικασιών εκπαίδευσης μοντέλων θεμελίωσης, όπου χιλιάδες ετερογενή σύνολα δεδομένων πρέπει να συναθροισθούν, να φιλτράρονται και να βελτιώνονται επαναληπτικά. Ενώ οι δύο ρυθμίσεις διαφέρουν σε δομή και στόχο, και οι δύο περιορίζονται από το ίδιο υποκείμενο εμπόδιο: την απουσία συστημάτων που μπορούν να ανακτήσουν πλαίσιο, να παρακολουθήσουν την προέλευση και να χτίσει πάνω σε προηγούμενη δουλειά σε διαφορετικές επαναλήψεις. Η αυτοματοποίηση της ανάπτυξης μοντέλων στην επιχείρηση είναι επομένως ένα κρίσιμο βήμα στον δρόμο προς τα AI συστήματα ικανά να βελτιώσουν τον εαυτό τους.













