Τέσσερις παράμετροι για επιτυχία με τα μοντέλα ML

Từ Jason Revelle, CTO, Datatron

Εξέχοντες, αναλυτές και εκείνοι με πρακτική εμπειρία υιοθετούν τη δήλωση των μηχανικών μαθημάτων (ML), οδηγώντας σε αυξανόμενο αριθμό επιχειρήσεων που υιοθετούν ML για διάφορες χρήσεις. Η φήμη τους βασίζεται στην ιδέα ότι θα υπολογίσουν την ανθρώπινη γνωστική ικανότητα και θα ενισχύσουν περαιτέρω την ψηφιακή μεταμόρφωση. Ωστόσο, παρά το γεγονός ότι το ML φέρει μεγάλη υποσχόμενη ελπίδα, υπάρχει μια πλευρά: για τις ομάδες που πρέπει να το διαχειρίζονται στην παραγωγή, η δουλειά μπορεί να γίνει eine δύσκολη δουλειά.

Οι επιχειρήσεις εφαρμόζουν ML για ποικίλες εργασίες, όπως την ταξινόμηση των κινδύνων υγείας, την επεξεργασία εγγράφων, την πρόβλεψη τιμών, την ανίχνευση απάτης, την προληπτική συντήρηση και πολλά άλλα. Οι ομάδες εκπαιδεύουν και αξιολογούν μοντέλα σε ιστορικά δεδομένα μέχρι να φαίνεται ότι ταιριάζουν με τους στόχους απόδοσης και ακρίβειας. Οι επιχειρήσεις είναι πρόθυμες να λάβουν τα υψηλά οφέλη που υποσχόμενη το ML, προβλέποντας, ταξινομώντας ή συνιστώντας μελλοντικά αποτελέσματα – και ενεργώντας με βάση αυτές τις προβλέψεις.

Όλη αυτή η επιχειρηματική αξία, ωστόσο, έρχεται με υψηλό λειτουργικό κόστος. Μόλις ένα μοντέλο είναι “έτοιμο”, η αυτοματοποίηση του μέσω αξιόπιστων μηχανισμών παράδοσης δημιουργεί λειτουργικές сложности και κινδύνους που απαιτούν επιμέλεια. Για να κάνουν αυτά τα έργα αποτελεσματικά και αποτελεσματικά, οι ομάδες παράδοσης και λειτουργίας πρέπει να διαχειρίζονται ολιστικά τον κύκλο ζωής του ML. Τα δεδομένα πρέπει να είναι διαθέσιμα και της αναμενόμενης ποιότητας σε σύγκριση με αυτά που χρησιμοποιήθηκαν για την εκπαίδευση.

Σύντομα γίνεται φανερό ότι αυτό δεν είναι ακριβώς σαν άλλες μηχανικές προσπάθειες, και πρέπει να αρχίσετε να σκέφτεστε τις προκλήσεις με νέους τρόπους για να γίνετε πραγματικά μια εταιρεία που βασίζεται στην τεχνητή νοημοσύνη. Εδώ είναι τέσσερις παράμετροι για επιτυχία με τα μοντέλα ML.

1. Πώς να μπορείτε να αναπτύξετε γρήγορα πολλές εκδόσεις πίσω από τις σκηνές

Τα μοντέλα ML απαιτούν μια επαναληπτική διαδικασία που βασίζεται σε πραγματικά δεδομένα παραγωγής. Κάντε εστιασμένες επενδύσεις για να έχετε στόχους αναπτύξεως που μπορούν να τρέξουν και να καταγράψουν αποτελέσματα χωρίς να φαίνονται αυτά τα αποτελέσματα από τα συστήματα παραγωγής ή τους πελάτες. Χρειάζεστε τη δυνατότητα να αναπτύξετε με αυτόν τον τρόπο εύκολα και ρευστά μέχρι να έχετε το μοντέλο που σας αρέσει. Μακροπρόθεσμα, είναι πολύ πιο αποτελεσματικό και οικονομικό να υποθέσετε ότι θα υπάρξει πολλή ρύθμιση των μοντέλων σας, καθώς και η ανάγκη να συγκρίνετε τις τρέχουσες εκδόσεις με νέες υποψήφιες που υπόσχονται καλύτερα αποτελέσματα.

2. Κατανοήστε ότι αυτό που υπόσχεται η ομάδα σας δεν θα ταιριάζει συνήθως με τις παραδοσιακές, εφαρμογή-κεντρικές “εγκεκριμένες πολιτικές λογισμικού”.

Το ML μεγαλώνει και ποικιλώνει γρήγορα, με μια不断α αυξανόμενη λίστα τεχνολογικών παρόχων, τόσο μεγάλων όσο και μικρών. Είναι δεδομένο ότι η ΤΤ πρέπει να διατηρεί την κατάλληλη υποστήριξη, σκαναρίσματα ασφαλείας και ελέγχους για τα περιβάλλοντα λειτουργίας σας. Nhưng προειδοποιήστε: η εφαρμογή των ίδιων ελέγχων και διαδικασιών για τη διακυβέρνηση της τεχνολογίας λειτουργίας ή της τεχνολογίας προϊόντων στο ML σας θα μειώσει πιθανώς σημαντικά τα potenziale σας οφέλη πριν από το που θα ξεπεράσετε τη γραμμή εκκίνησης.

Είναι επίσης σημαντικό να σημειωθεί ότι οι επιστήμονες δεδομένων είναι σε υψηλή ζήτηση. Δεν είναι δύσκολο για αυτούς να βρουν άλλη δουλειά αν αισθανθούν ότι πιέζονται να παρέχουν καλύτερα και καλύτερα αποτελέσματα χωρίς να αλλάξουν την τεχνολογία που χρησιμοποιούν ή τον τρόπο με τον οποίο μπορούν να τη χρησιμοποιήσουν.

3. Κατανοήστε ότι ο κύκλος ζωής ανάπτυξης μοντέλου ML δεν είναι ο ίδιος με τον κύκλο ζωής ανάπτυξης λογισμικού

Η ανάπτυξη λογισμικού και η δημιουργία μοντέλων ML είναι πολύ διαφορετικές διαδικασίες. Η απόπειρα να αντιμετωπίσετε το δεύτερο σαν το πρώτο είναι eine συνταγή για καταστροφή. Οι επιχειρήσεις που αντιμετωπίζουν την παράδοση μοντέλου ως απλή κυκλοφορία λογισμικού終止 με κενά στις διατομές ικανοτήτων όπως η παρακολούθηση και η ανάλυση, και υψηλό overhead για τη μεταφορά γνώσεων μεταξύ δημιουργών και χειριστών, μεquential, επεκτάσεις χρονοδιαγραμμάτων. Οι ειδικοί που αναπτύσσουν και υποστηρίζουν τα μοντέλα σας πρέπει να κατανοήσουν πώς λειτουργεί το μοντέλο και τα δεδομένα, όχι μόνο να αντιμετωπίσουν την αξιοπιστία της υπηρεσίας και τους κωδικούς σφάλματος. Η σωστή ταλέντο, υβριδικές ομάδες αποτελούμενες από ειδικούς δεδομένων και λειτουργικών ειδικών, μαζί με τα σωστά εργαλεία θα σας επιτρέψουν να δοκιμάσετε και να ερμηνεύσετε όχι μόνο αν το λογισμικό εκτελείται αλλά και πώς ακριβή και εξηγημένα είναι οι απαντήσεις.

4. Σχεδιάστε για κλίμακα.

Θα χρειαστεί να αναπτύξετε εργαλεία मशίνης που έχουν αυτόματο σύστημα αναπτύξεως όπως Kubernetes ή Docker Swarm. Αυτό θα σας βοηθήσει να επιτύχετε πολλαπλά αντικείμενα. Θα можете να ξεκινήσετε δυναμικά τις εργασίες ML και να παρακολουθείτε αυτόματα τις εργασίες σε σύμπλοκα για αποτυχίες χρησιμοποιώντας αλγορίθμους AI – ενημερώνοντας τους χειριστές για τυχόν 潛在 προβλήματα πριν αυτά εμφανιστούν. Θα можете επίσης να συνενώσετε αναλυτικά rapports από πολλές πηγές σε ένα κεντρικό πίνακα ελέγχου για να βεβαιωθείτε ότι τα μοντέλα ML λειτουργούν όπως αναμένεται.

Δαμάστε την καμπύλη μάθησης

Πριν ξεκινήσετε ένα έργο ML, είναι κρίσιμο να κατανοήσετε ότι mặc dù τα μοντέλα ML μπορούν να προσφέρουν τεράστιες πλεονεκτήματα και αποδοτικότητες στην οργάνωση σας, μπορούν να πάρουν μια ζωή τους δικών τους αν δεν διαχειριστούν σωστά. Γνωρίστε τους κινδύνους και τις λειτουργικές phứcότητες από την αρχή, κρατώντας τις παραπάνω τέσσερις συμβουλές στο μυαλό σας. Με μια στερεή βάση στη θέση σας, θα можете να δημιουργήσετε και να αλλάξετε εύκολα τα μοντέλα ML σας ώστε να υπηρετούν τους επιχειρηματικούς σας στόχους.