Αποκτήστε τη Μεγαλύτερη Επιχείρηση AI με το MLOps – Ηγετικά Στελέχη

Από τον Victor Thu, αντιπρόεδρος πωλήσεων και λειτουργιών, Datatron.

Μια έρευνα της Gartner στα τέλη του 2020 έδειξε ότι το 75% των ερωτηθέντων σχεδίαζε να συνεχίσει ή να ξεκινήσει νέες πρωτοβουλίες AI τον επόμενο χρόνο. Ταυτόχρονα, οι αναλυτές της Gartner 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.

Περισσότερο, εκτιμάται ευρέως ότι η πλειοψηφία των έργων AI/ML θα αποτύχει. Και αυτό το γεγονός μπορεί να κάνει ακόμη πιο δύσκολο να πείσουν τους υπεύθυνους για αυτές τις επενδύσεις. Εδώ είναι όπου το MLOps – Machine Learning Operations – μπορεί να παίξει ένα κρίσιμο ρόλο.

Το τρέχον τοπίο ML

Η μηχανική μάθηση προσφέρει βαθιές 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 εφαρμογή της ML είναι υψηλό, η πραγματική εφαρμογή παραμένει χαμηλή. Το κύριο εμπόδιο για την εισαγωγή λύσεων στην παραγωγή δεν είναι η ποιότητα των μοντέλων, αλλά η έλλειψη υποδομής για να επιτρέψουν στις εταιρείες να το κάνουν.

Ο κύκλος ζωής της ανάπτυξης της μηχανικής μάθησης είναι θεμελιωδώς διαφορετικός από τον κύκλο ζωής της παραδοσιακής ανάπτυξης λογισμικού. Τα τελευταία 20 χρόνια, οι άνθρωποι έχουν, για το μεγαλύτερο μέρος, κατανοήσει τι χρειάζεται για να μεταφερθεί το παραδοσιακό λογισμικό από την ανάπτυξη στην παραγωγή. Κατανοούν τον υπολογισμό, το middleware, τη δικτύωση, την αποθήκευση και άλλα στοιχεία που χρειάζονται για να διασφαλίσουν ότι η εφαρμογή λειτουργεί καλά.

Δυστυχώς, οι περισσότεροι προσπαθούν να χρησιμοποιήσουν τον ίδιο κύκλο ζωής ανάπτυξης λογισμικού (SDLC) για τον κύκλο ζωής ανάπτυξης της μηχανικής μάθησης (MLLC). Ωστόσο, η ML είναι μια σημαντική αλλαγή παραδείγματος. Οι aloκATIONS υποδομής είναι μοναδικές. Οι γλώσσες και τα frameworks είναι διαφορετικά.

Τα μοντέλα μηχανικής μάθησης μπορούν να δημιουργηθούν σχετικά γρήγορα σε quelques εβδομάδες, αλλά η διαδικασία για να τα φέρουν στην παραγωγή μπορεί να διαρκέσει από έξι έως εννέα μήνες λόγω διασυνδεδεμένων διαδικασιών, αποσυνδέσεων μεταξύ ομάδων και χειροκίνητης μετάφρασης και scripting μοντέλων ML σε υπάρχουσες εφαρμογές.

Είναι επίσης δύσκολο να παρακολουθήσετε και να ελέγξετε τα μοντέλα μηχανικής μάθησης μια φορά που έχουν μπει στην παραγωγή. Δεν υπάρχει εγγύηση ότι τα μοντέλα ML που δημιουργήθηκαν στο εργαστήριο θα λειτουργήσουν όπως προορίζονται στην παραγωγή. Και υπάρχουν πολλοί διαφορετικοί παράγοντες που θα μπορούσαν να ευθύνονται γι’ αυτό.

Τα οφέλη του MLOps

Όταν πρόκειται για την ανάπτυξη μοντέλων μηχανικής μάθησης στην παραγωγή, όπως αναφέρθηκε, υπάρχουν πολλά που possono πάνε λάθος. Όταν οι IT/DevOps προσπαθούν να λειτουργήσουν τα μοντέλα μηχανικής μάθησης, αυτές οι ομάδες πρέπει να γράψουν χειροκίνητα και να αυτοματοποιήσουν τις διαφορετικές διαδικασίες. Αυτά τα μοντέλα συχνά ενημερώνονται, και κάθε φορά που τα μοντέλα ενημερώνονται, ολόκληρη η διαδικασία επαναλαμβάνεται.

Όταν μια οργάνωση έχει περισσότερα και περισσότερα μοντέλα και τις διαφορετικές εκδόσεις αυτών των μοντέλων, το να τις παρακολουθήσει γίνεται ένα τεράστιο ζήτημα. Ένα από τα μεγάλα ζητήματα είναι ότι συχνά, τα εργαλεία που χρησιμοποιούν δεν αντιμετωπίζουν το πρόβλημα των διαφορετικών κωδικών και frameworks που είναι αποσυνδεδεμένα 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 εκδόση καθώς ενημερώνουν τα μοντέλα τους.

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

Χρησιμοποιώντας παραδοσιακούς μοντέλους SDLC, μπορείτε να φέρετε ένα ή δύο μοντέλα ML το χρόνο, με μεγάλη δυσκολία 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 潜在 клиентов, να βρείτε πιο σχετικούς πελάτες ή να βρείτε και να βελτιώσετε τις ανεπάρκειες. Είστε σε θέση να κυκλοφορήσετε βελτιώσεις πολύ γρηγορότερα, τελικά βελτιώνοντας την παραγωγικότητα και το κέρδος.

Τα στοιχεία της επιτυχίας του MLOps

Το MLOps δεν είναι ένα μαγικό βέλος. Ακόμη χρειάζεστε να έχετε την κατάλληλη βάση και να γνωρίζετε τις καλύτερες πρακτικές για να λειτουργήσει. 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 ML ως ένα και το αυτό. Και οι δύο είναι απαραίτητοι, αλλά χρειάζεστε ένα μείγμα.

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

Πηγαίνοντας μπροστά με εμπιστοσύνη

Οι αναλυτές της βιομηχανίας εκτιμούν ότι κοντά στο μισό των έργων AI επιχείρησης είναι προορισμένα να αποτύχουν. Υπάρχουν πολλοί λόγοι για αυτήν την αποτυχία, συμπεριλαμβανομένου του πολιτισμού 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.