Hanki suurin mahdollinen hyöty yrityksen tekoälystä MLOpsin avulla – ajattelijat

Victor Thu, asiakastuen ja operaatioiden varapresidentti, Datatron.

Tutkimusyhtiö Gartner teki vuonna 2020 tutkimuksen, jonka mukaan 75 % vastaajista aikoi jatkaa tai aloittaa uusia tekoälyhankkeita seuraavan vuoden aikana. Samalla Gartnerin analyytikot totesivat, että yksi merkittävimmistä haasteista tekoälyhankkeiden tuottamisessa on kyvyttömyys yhdistää nämä sijoitukset liiketoiminnan arvoon.

Mitä enemmän, niin arvioidaan, että suurin osa tekoäly-/konenäköhankkeista epäonnistuu. Ja tämä voi tehdä siitä vielä haasteellisempaa saada johtajan hyväksyntä näille sijoituksille. Tässä MLOps – Machine Learning Operations – voi pelata avainroolia.

Nykyinen konenäkömaisema

Konenäöllä on valtavat mahdollisuudet organisaatioille, mutta todellisuus on, että pääsy näihin mahdollisuuksiin voi olla kallista ja aikaa vievää. Vaikka mielenkiinto konenäön käyttämisessä on suuri, tuotantoon siirtäminen on edelleen vähäistä. Pääeste konenäöläisten ratkaisujen tuottamisessa ei ole mallien laatu, vaan puuttuvat infrastruktuurit, jotka mahdollistavat yritysten toteuttamisen.

Konenäön kehityksen elinkaari on perustavanlaatuisesti erilainen kuin perinteisen ohjelmistokehityksen elinkaari. Viimeisen 20 vuoden aikana on pääosin selvinnyt, mitä vaaditaan perinteisen ohjelmiston kehittämisestä tuotantoon. He ymmärtävät, mitä laskentaa, middlewareä, verkkotietoa, tallennustilaa ja muita elementtejä tarvitaan, jotta sovellus toimii hyvin.

Valitettavasti useimmat yrittävät käyttää samaa ohjelmistokehitysmallia konenäön kehitysmallina. Konenäkö on kuitenkin merkittävä paradigmamuutos. Infrastruktuurin varaukset ovat yksilöllisiä. Kielet ja kehykset ovat erilaisia.

Konenäkömalleja voidaan luoda suhteellisen nopeasti muutamassa viikossa, mutta prosessi, jossa nämä mallit siirretään tuotantoon, voi kestää kuusi kuukautta siloituisten prosessien, tiimien välisen yhteyskatkon ja konenäömallien manuaalisen käännön ja koodauksen vuoksi olemassa oleviin sovelluksiin.

On myös haasteellista seurata ja hallita konenäkömalleja, kun ne on siirretty tuotantoon. Ei ole takeita, että konenäkömallit, jotka on luotu laboratoriossa, toimivat halutulla tavalla tuotannossa. Ja on useita eri tekijöitä, jotka voivat olla syynä tähän.

MLOpsin hyödyt

Konenäömallien käyttöönotossa tuotannossa on paljon asioita, jotka voivat mennä pieleen. Kun IT-/DevOps-yhtiöt yrittävät ottaa konenäömallit käyttöön, nämä tiimit tarvitsevat manuaalista koodausta ja automaatiota eri prosesseja varten. Nämä mallit päivitetään usein, ja jokaisella mallin päivityksellä koko prosessi toistetaan.

Kun organisaatiolla on useampia malleja ja eri versioita näistä malleista, niiden seuraaminen muodostuu suureksi ongelmaksi. Yksi suurista ongelmista on, että usein käytettävät työkalut eivät ratkaise ongelmaa, joka johtuu siitä, että eri koodipohjat ja kehykset ovat toisistaan eroavia. Tämä voi johtaa ongelmiihin, jotka johtavat ajan ja resurssien haaskaukseen, muun muassa. Useimmat tiimit kamppailevat myös mallien seuraamisen ja versionhallinnan kanssa, kun he päivittävät mallejaan.

MLOps auttaa siltojen rakentamisessa data-tieteen ja operaatioiden välille konenäömallien tuotannon hallitsemiseksi – periaatteessa soveltamalla DevOps-periaatteita konenäön toimittamiseen. Tämä mahdollistaa nopeamman markkinoille siirtymisen konenäköpohjaisille ratkaisuille, nopeamman kokeilun, laadun ja luotettavuuden varmistamisen.

Perinteisten ohjelmistokehitysmallien avulla voit saada valmiiksi yhden tai kaksi konenäömallia vuodessa, mutta se vaatii suurta vaivaa ja epätarkkuutta. Mutta MLOpsin avulla voit skaalata, jotta voit ratkaista useampia ongelmia. Voit käyttää näitä malleja asiakastargetoinnin parantamiseen, löytääksesi asiakkaita, jotka ovat kiinnostuneita tuotteistasi, tai löytääksesi ja parantamiseksi tehokkuutta. Pystyt julkaisemaan parannuksia nopeammin, mikä lopulta parantaa tuottavuutta ja voittoa.

MLOpsin onnistumisen elementit

MLOps ei ole hopealuoti. Tarvitset edelleen oikean perustan ja parhaat käytännöt, jotta se toimii. Onnistuaksesi MLOpsissa on kaksi tärkeää tehtävää. Ensimmäinen on ymmärtää eri roolit. Tarvitset oikean, monipuolisen joukon taitoja ja työntekijöitä; älä kohtele data-analyytikkoja ja konenäköinsinöörejä samana. Molemmat ovat välttämättömiä, mutta tarvitset sekä data-analyytikkoja että konenäköinsinöörejä.

Toinen asia, johon on kiinnitettävä huomiota, on älä yritä tehdä kaikkea itse. MLOps on myös työvoimaa vaativa, joka vaatii suuria joukkoja konenäköinsinöörejä. On tärkeää miettiä, mitä tarvitset, ja tutkia työkaluja, jotka auttavat yksinkertaistamaan lähestymistapaa ja vähentämään tarvittavien omistajiin kuuluvien ihmisten määrää.

Etenevä menestyksellä

Teollisuusanalyytikot arvioivat, että lähes puolet yritysten tekoälyhankkeista on tuomittu epäonnistumaan. On useita syitä tähän epäonnistumiseen, mukaan lukien organisaation kulttuuri. Mutta yksi tärkeimmistä syistä on, että yrityksillä ei ole oikeaa teknologiaa, joka tukee hanketta. MLOps on erittäin hyödyllinen työkalu, joka auttaa organisaatioita saavuttamaan menestystä tekoäly-/koneäänen hankkeissaan, mikä johtaa kilpailukykyiseen liiketoimintavertailuun.