Αποκτήστε τη Μεγαλύτερη Επιχείρηση AI Bang για το Χρήμα σας με MLOps – Ηγετικά Στελέχη

Từ Victor Thu, αντιπρόεδρος πελάτη επιτυχίας και λειτουργιών, Datatron.

Μια έρευνα από Gartner στα τέλη του 2020 βρήκε ότι το 75% των απαντησάντων σχεδίαζε να συνεχίσει ή να ξεκινήσει νέες πρωτοβουλίες AI το επόμενο έτος. Ταυτόχρονα, οι αναλυτές της Gartner também βρήκαν ότι ένας από τους πιο σημαντικούς αγώνες με την μεταφορά πρωτοβουλιών AI στην παραγωγή είναι η αδυναμία των οργανισμών να συνδέσουν αυτές τις επενδύσεις με την επιχειρηματική αξία.

Τι περισσότερο, εκτιμάται ευρέως ότι η πλειονότητα των έργων AI/ML θα αποτύχει. Και αυτό το γεγονός μπορεί να κάνει ακόμη πιο δύσκολο να λάβει buy-in από την κορυφή σε αυτές τις επενδύσεις. Αυτό είναι όπου το MLOps – Machine Learning Operations – μπορεί να παίξει einen κρίσιμο ρόλο.

Το τρέχον τοπίο ML

Το machine learning προσφέρει βαθιά δυνατότητες για τις οργανώσεις, αλλά η πραγματικότητα είναι ότι η πρόσβαση σε αυτές τις δυνατότητες μπορεί να είναι ακριβή και χρονοβόρα. Έτσι, ενώ το ενδιαφέρον για την υλοποίηση του ML είναι υψηλό, η πραγματική υλοποίηση παραγωγής παραμένει χαμηλή. Το κύριο εμπόδιο για την εισαγωγή λύσεων στην παραγωγή δεν είναι η ποιότητα των μοντέλων, αλλά μάλλον η έλλειψη υποδομής για να επιτρέψουν στις εταιρείες να το κάνουν.

Ο κύκλος ζωής της ανάπτυξης του machine learning είναι θεμελιωδώς διαφορετικός από τον κύκλο ζωής της παραδοσιακής ανάπτυξης λογισμικού. Τα τελευταία 20 χρόνια, οι άνθρωποι έχουν, για το μεγαλύτερο μέρος, καταλάβει τι χρειάζεται για το παραδοσιακό λογισμικό να περάσει από την ανάπτυξη στην παραγωγή. Καταλαβαίνουν τον υπολογισμό, το middleware, το δίκτυο, την αποθήκευση και άλλα στοιχεία που απαιτούνται για να διασφαλίσουν ότι η εφαρμογή εκτελείται καλά.

Δυστυχώς, οι περισσότεροι προσπαθούν να χρησιμοποιήσουν τον ίδιο κύκλο ζωής ανάπτυξης λογισμικού (SDLC) για τον κύκλο ζωής ανάπτυξης machine learning (MLLC). Ωστόσο, το ML είναι μια σημαντική παραλλαγή. Οι alokátes υποδομής είναι μοναδικές. Οι γλώσσες και τα πλαίσια είναι διαφορετικά.

Τα μοντέλα machine learning μπορούν να δημιουργηθούν σχετικά γρήγορα σε ένα χρόνο εβδομάδων, αλλά η διαδικασία για να τα φέρει αυτά τα μοντέλα στην παραγωγή μπορεί να διαρκέσει από έξι έως εννέα μήνες λόγω διαδικαστικών διαδικασιών, αποσύνδεσης μεταξύ των ομάδων και χειροκίνητου μεταφραστή και scripting ML μοντέλων σε υπάρχουσες εφαρμογές.

Είναι επίσης δύσκολο να παρακολουθήσετε και να κυβερνήσετε τα μοντέλα machine learning μια φορά που έχουν μπει στην παραγωγή. Δεν υπάρχει εγγύηση ότι τα μοντέλα ML που δημιουργούνται στο εργαστήριο θα τρέξουν όπως προορίζονται στην παραγωγή. Και υπάρχουν πολλά διαφορετικά στοιχεία που θα μπορούσαν να είναι πίσω από αυτό.

Τα οφέλη του MLOps

Όταν πρόκειται για την ανάπτυξη μοντέλων machine learning στην παραγωγή, όπως αναφέρθηκε, υπάρχει πολύ που μπορεί να πάει λάθος. Όταν οι IT/DevOps προσπαθούν να λειτουργήσουν τα μοντέλα machine learning, αυτές οι ομάδες πρέπει να χειροκίνητα script και να αυτοματοποιήσουν τις διαφορετικές διαδικασίες. Αυτά τα μοντέλα είναι συχνά ενημερωμένα, και κάθε φορά που τα μοντέλα ενημερώνονται, ολόκληρη η διαδικασία επαναλαμβάνεται.

Όταν μια οργάνωση έχει περισσότερα και περισσότερα μοντέλα και τις διαφορετικές εκδοχές αυτών των μοντέλων, η παρακολούθηση τους γίνεται ένα τεράστιο ζήτημα. Ένα από τα μεγάλα ζητήματα είναι ότι συχνά, τα εργαλεία που χρησιμοποιούν δεν αντιμετωπίζουν το πρόβλημα των διαφορετικών codebases και πλαισίων που είναι διασυνδεμένα μεταξύ τους. Αυτό μπορεί να οδηγήσει σε προβλήματα, τα οποία οδηγούν σε σπατάλη χρόνου και πόρων, μεταξύ άλλων ζητημάτων. Οι περισσότερες ομάδες σήμερα επίσης αγωνίζονται με την παρακολούθηση και την εκδοχή καθώς ενημερώνουν τα μοντέλα τους.

Το MLOps βοηθά να γεφυρώσει τις διαφορές μεταξύ της επιστήμης των δεδομένων και των λειτουργιών για να διαχειριστεί τον κύκλο ζωής ML παραγωγής – ουσιαστικά εφαρμόζοντας αρχές DevOps στην παράδοση ML. Αυτό επιτρέπει ταχύτερο χρόνο αγοράς για λύσεις ML, ταχύτερο ρυθμό πειραματισμού και εγγύηση ποιότητας και αξιοπιστίας.

Χρησιμοποιώντας παραδοσιακούς SDLC μοντέλους, μπορείτε να πάρτε ένα ή δύο ML μοντέλα έτοιμα το χρόνο, με μεγάλη πόνους και με εξαιρετική ανεπάρκεια. Αλλά με το MLOps, μπορείτε να κλιμακωθείτε, ώστε να αντιμετωπίζετε πολλά προβλήματα. Μπορείτε να χρησιμοποιήσετε αυτά τα μοντέλα για να βοηθήσετε να στοχεύσετε καλύτερα τους potencial πελάτες, να βρείτε πιο σχετικούς πελάτες ή να βρείτε και να βελτιώσετε τις ανεπάρκειες. Είστε σε θέση να κυλήσετε βελτιώσεις πολύ γρήγορα, σε τελική ανάλυση, βελτιώνοντας την παραγωγικότητα και το κέρδος.

Τα στοιχεία της επιτυχίας του MLOps

Το MLOps δεν είναι ένα μαγικό βέλος. Bạn vẫn χρειάζεται να έχετε την κατάλληλη βάση και να γνωρίζετε τις καλύτερες πρακτικές για να δουλέψει. Για να επιτύχετε με το MLOps, πρέπει να εστιάσετε σε δύο основные καθήκοντα. Το πρώτο είναι να κατανοήσετε τους διαφορετικούς ρόλους. Πρέπει να διασφαλίσετε ότι έχετε το σωστό, διαφορετικό σύνολο δεξιοτήτων και υπαλλήλων στη θέση τους· μην αντιμετωπίζετε τους επιστήμονες δεδομένων και τους μηχανικούς machine learning ως ένα και το ίδιο. Και οι δύο είναι απαραίτητοι, αλλά χρειάζεστε ένα μείγμα.

Το δεύτερο πράγμα να έχετε υπόψη σας είναι μην προσπαθήσετε να το κάνετε όλα μόνοι σας. Το MLOps είναι επίσης εργατοαπαίτητο, απαιτώντας μεγάλες ομάδες ML μηχανικών. Είναι σημαντικό να σκεφτείτε τι χρειάζεστε και να κοιτάξετε τα εργαλεία που είναι διαθέσιμα για να σας βοηθήσουν να απλοποιήσετε την προσέγγιση και να ροήσετε τον αριθμό των αφοσιωμένων ανθρώπων που χρειάζονται.

Πηγαίνοντας μπροστά με εμπιστοσύνη

Οι αναλυτές της βιομηχανίας εκτιμούν ότι κοντά στο μισό των έργων επιχείρησης AI είναι προdestined να αποτύχουν. Υπάρχουν πολλά λόγια για τέτοια αποτυχία, συμπεριλαμβανομένης της κουλτούρας της οργάνωσης. Αλλά ένας πρωταρχικός λόγος είναι η έλλειψη κατάλληλης τεχνολογίας για να υποστηρίξει το έργο. Το MLOps είναι ένα πολύ χρήσιμο εργαλείο για να βοηθήσει τις οργανώσεις να επιτύχουν επιτυχία στα έργα AI/ML, με αποτέλεσμα ανταγωνιστικό επιχειρηματικό πλεονέκτημα.