Obtenga el mayor beneficio de la inteligencia artificial empresarial por su dinero con MLOps – Líderes de opinión

Por Victor Thu, vicepresidente de éxito y operaciones del cliente, Datatron.

Una encuesta de Gartner a finales de 2020 encontró que el 75% de los encuestados planeaban continuar o iniciar nuevas iniciativas de inteligencia artificial en el año siguiente. Al mismo tiempo, los analistas de Gartner también encontraron que una de las luchas más significativas con la implementación de iniciativas de inteligencia artificial en producción es la incapacidad de esas organizaciones para conectar esas inversiones con el valor comercial.

Lo que es más, se estima ampliamente que la mayoría de los proyectos de inteligencia artificial y aprendizaje automático fracasarán. Y ese hecho puede hacer que sea aún más difícil obtener la aprobación de la dirección en estas inversiones. Es aquí donde MLOps – Operaciones de aprendizaje automático – puede desempeñar un papel clave.

El panorama actual de ML

El aprendizaje automático ofrece posibilidades profundas para las organizaciones, pero la realidad es que llegar a esas posibilidades puede ser costoso y consumir mucho tiempo. Así, mientras que el interés en implementar ML es alto, la implementación real en producción es baja. El principal obstáculo para llevar soluciones a producción no es la calidad de los modelos, sino la falta de infraestructura para que las empresas puedan hacerlo.

El ciclo de vida de desarrollo para el aprendizaje automático es fundamentalmente diferente al ciclo de vida de desarrollo de software tradicional. En los últimos 20 años, la gente ha entendido en gran medida lo que se necesita para que el software tradicional pase de desarrollo a producción. Entienden el cómputo, el middleware, la red, el almacenamiento y otros elementos necesarios para asegurarse de que la aplicación esté funcionando bien.

Desafortunadamente, la mayoría está tratando de usar el mismo ciclo de vida de desarrollo de software (SDLC) para el ciclo de vida de desarrollo de aprendizaje automático (MLLC). Sin embargo, ML es un cambio de paradigma significativo. Las asignaciones de infraestructura son únicas. Los lenguajes y marcos son diferentes.

Los modelos de aprendizaje automático se pueden crear relativamente rápido en cuestión de semanas, pero el proceso de llevar estos modelos a producción puede tomar desde seis a nueve meses debido a procesos segmentados, desconexiones entre equipos y traducción y scripting manual de modelos de ML en aplicaciones existentes.

También es difícil monitorear y gobernar los modelos de aprendizaje automático una vez que han llegado a producción. No hay garantía de que los modelos de ML creados en el laboratorio se ejecuten como se pretende en producción. Y hay varios factores diferentes que podrían estar detrás de eso.

Los beneficios de MLOps

Cuando se trata de implementar modelos de aprendizaje automático en producción, como se mencionó, hay mucho que puede salir mal. Cuando IT/DevOps intenta operacionalizar modelos de aprendizaje automático, estos equipos necesitan script y automatizar manualmente los diferentes procesos. Estos modelos a menudo se actualizan, y cada vez que los modelos se actualizan, se repite todo el proceso.

Cuando una organización tiene más y más modelos y las diferentes iteraciones de estos modelos, llevar un registro de ellos se convierte en un problema enorme. Uno de los grandes problemas es que a menudo, las herramientas que están utilizando no abordan el problema de diferentes bases de código y marcos que están desconectados entre sí. Eso puede generar problemas, lo que resulta en desperdicio de tiempo y recursos, entre otros problemas. La mayoría de los equipos de hoy también luchan con el seguimiento y la versión a medida que actualizan sus modelos.

MLOps ayuda a cerrar la brecha entre la ciencia de datos y las operaciones para gestionar los ciclos de vida de ML en producción – esencialmente aplicando principios de DevOps a la entrega de ML. Eso permite un tiempo de llegada al mercado más rápido para soluciones basadas en ML, una tasa de experimentación más rápida y la garantía de calidad y confiabilidad.

Usando modelos de SDLC tradicionales, es posible que pueda realizar uno o dos modelos de ML al año, con gran dolor y con una gran ineficiencia. Pero con MLOps, puede escalar, por lo que puede abordar múltiples problemas. Puede usar estos modelos para ayudar a apuntar mejor a clientes potenciales, encontrar clientes más relevantes o encontrar y mejorar ineficiencias. Puede implementar mejoras mucho más rápido, lo que en última instancia mejora la productividad y las ganancias.

Los elementos del éxito de MLOps

MLOps no es una bala de plata. Todavía necesita tener los cimientos adecuados y conocer las mejores prácticas para que funcione. Para tener éxito con MLOps, necesita centrarse en dos deberes principales. El primero es entender los diferentes roles. Necesita asegurarse de que tenga el conjunto adecuado y diverso de habilidades y empleados; no trate a los científicos de datos y los ingenieros de aprendizaje automático como uno y lo mismo. Ambos son necesarios, pero necesita una mezcla.

La segunda cosa a tener en cuenta es no intentar hacerlo todo de forma DIY. MLOps también es intensivo en mano de obra, requiere grandes equipos de ingenieros de ML. Es importante pensar en lo que necesita y mirar las herramientas disponibles para ayudarlo a simplificar el enfoque y simplificar la cantidad de personas dedicadas necesarias.

Avanzar con confianza

Los analistas de la industria estiman que casi la mitad de los proyectos de inteligencia artificial empresarial están destinados a fracasar. Hay varias razones para tal fracaso, incluida la cultura de la organización. Pero una razón principal es la falta de tecnología adecuada para apoyar el proyecto. MLOps es una herramienta muy útil para ayudar a las organizaciones a lograr el éxito en sus proyectos de inteligencia artificial y aprendizaje automático, lo que resulta en una ventaja competitiva empresarial.