मशीन लर्निंग मॉडल्स के साथ सफलता के लिए चार कारक

जेसन रेवेले, सीटीओ, Datatron

विशेषज्ञ, विश्लेषक और पहले हाथ के अनुभव वाले लोग मशीन लर्निंग (एमएल) की प्रशंसा करते हैं, जिससे एमएल को विभिन्न उपयोगों के लिए अपनाने वाले उद्यमों की संख्या बढ़ जाती है। इसकी प्रसिद्धि इस विचार में निहित है कि यह मानव संज्ञान को कम्प्यूटरीकृत करेगा और डिजिटल परिवर्तन को और बढ़ावा देगा। हालांकि, एमएल में बहुत सारे वादे होने के बावजूद, इसका एक नकारात्मक पक्ष भी है: उत्पादन में इसे प्रबंधित करने वाली टीमों के लिए, काम एक कठिन संघर्ष बन सकता है।

उद्यम विभिन्न कार्यों के लिए एमएल को लागू कर रहे हैं, जैसे कि स्वास्थ्य जोखिमों का वर्गीकरण, दस्तावेजों का प्रसंस्करण, मूल्य की भविष्यवाणी, धोखाधड़ी का पता लगाना, निवारक रखरखाव और अधिक। टीमें ऐतिहासिक डेटा पर मॉडल को प्रशिक्षित और मूल्यांकन करती हैं जब तक कि वे प्रदर्शन और सटीकता लक्ष्यों को पूरा नहीं करते। एमएल द्वारा वादा किए गए उच्च मूल्य वाले लाभों को प्राप्त करने के लिए उद्यम उत्सुक हैं – भविष्य के परिणामों की भविष्यवाणी करना, वर्गीकरण करना या निर्धारित करना और उन भविष्यवाणियों पर कार्रवाई करना।

हालांकि, यह सभी व्यावसायिक मूल्य एक उच्च परिचालन लागत पर आता है। एक बार जब एक मॉडल “तैयार” हो जाता है, तो इसके माध्यम से विश्वसनीय वितरण तंत्र के माध्यम से स्वचालन परिचालन जटिलताओं और जोखिमों को बनाता है जिन्हें सावधानी की आवश्यकता होती है। इन परियोजनाओं को कुशल और प्रभावी बनाने के लिए, वितरण और परिचालन टीमों को एमएल लाइफसाइकल को समग्र रूप से प्रबंधित करना होगा। डेटा उपलब्ध और अपेक्षित गुणवत्ता वाला होना चाहिए जो प्रशिक्षण के लिए उपयोग किए जाने वाले डेटा के समान हो।

यह जल्द ही स्पष्ट हो जाता है कि यह अन्य इंजीनियरिंग प्रयासों की तरह नहीं है, और आपको वास्तव में एक एआई-संचालित कंपनी बनने के लिए चुनौतियों के बारे में नए तरीके से सोचना शुरू करना होगा। एमएल और विशेष रूप से एमएल मॉडल के साथ सफलता के लिए यहां चार बातें हैं:

1. पृष्ठभूमि में कई संस्करणों को तेजी से तैनात करने का तरीका

मशीन लर्निंग मॉडल एक पुनरावृत्ति प्रक्रिया की आवश्यकता होती है जो वास्तविक उत्पादन डेटा पर निर्भर करती है। उन निवेशों पर ध्यान केंद्रित करें जो तैनाती लक्ष्यों को चला सकते हैं और परिणामों को लॉग कर सकते हैं बिना उत्पादन प्रणाली या ग्राहकों को उन परिणामों को देखे। आपको इस तरह से तैनाती करने की क्षमता होनी चाहिए जब तक कि आपको वह मॉडल न मिल जाए जो आपको पसंद हो। दीर्घकालिक में, यह अधिक प्रभावी और आर्थिक है कि आपके मॉडल को बहुत सारे ट्यूनिंग की आवश्यकता होगी, साथ ही साथ वर्तमान संस्करणों की तुलना नए उम्मीदवारों से करने की आवश्यकता होगी जो बेहतर परिणामों का वादा करते हैं।

2. समझें कि आपकी टीम जो वादा कर रही है वह आमतौर पर पारंपरिक, अनुप्रयोग-केंद्रित “अनुमोदित सॉफ्टवेयर” नीतियों के भीतर नहीं आएगी।

जैसा कि एमएल तेजी से बढ़ता है और विविधता लाता है, इसमें एक बढ़ती सूची है प्रौद्योगिकी प्रदाताओं की, बड़े और छोटे दोनों। यह एक दिया गया है कि आईटी को अपने संचालन वातावरण के लिए उचित समर्थन, सुरक्षा स्कैन और नियंत्रण बनाए रखने की आवश्यकता है। लेकिन चेतावनी दी जा रही है: अपने एमएल अभ्यास के लिए संचालन या उत्पाद होस्टिंग प्रौद्योगिकी के लिए लागू होने वाले同 नियंत्रण और प्रक्रियाओं को लागू करने से आपके संभावित रिटर्न को शुरू होने से पहले ही कम कर दिया जा सकता है।

यह भी महत्वपूर्ण है कि डेटा वैज्ञानिकों की मांग में हैं। यदि वे महसूस करते हैं कि उन्हें बेहतर और बेहतर परिणामों के लिए दबाव डाला जा रहा है तो वे बिना अपनी प्रौद्योगिकी या इसका उपयोग किए बिना किसी अन्य नौकरी को ढूंढने में परेशानी नहीं होगी।

3. समझें कि एमएल मॉडल विकास जीवन चक्र सॉफ्टवेयर विकास जीवन चक्र के समान नहीं है

सॉफ्टवेयर विकास और एमएल मॉडल बनाना बहुत अलग प्रक्रियाएं हैं; पूर्ववर्ती को बाद वाले की तरह मानना एक आपदा का नुस्खा है। एमएल मॉडल वितरण को केवल एक सॉफ्टवेयर रिलीज के रूप में मानने वाले उद्यमों में निगरानी और विश्लेषण जैसी क्रॉस-कटिंग क्षमताओं में अंतराल होते हैं, और रचनाकारों और ऑपरेटरों के बीच ज्ञान हस्तांतरण के लिए उच्च ओवरहेड के साथ क्रमिक, विस्तारित समयसीमा होती है। आपके मॉडल को तैनात और समर्थन करने वाले विशेषज्ञों को यह समझने की आवश्यकता है कि मॉडल और डेटा कैसे काम करते हैं, न कि केवल सेवा विश्वसनीयता और त्रुटि कोड को ट्राइएज करना। सही प्रतिभा, डेटा और परिचालन विशेषज्ञों से बनी हाइब्रिड टीमें, साथ ही सही उपकरण, आपको परीक्षण और व्याख्या करने में सक्षम बनाएंगे न केवल यह कि सॉफ्टवेयर निष्पादित हो रहा है बल्कि यह कितना सटीक और व्याख्यात्मक है।

यह भी महत्वपूर्ण है कि मशीन लर्निंग मॉडल को ऑडिट करने के लिए एक सफलता-आधारित दृष्टिकोण अपनाना क्योंकि वे त्रुटिपूर्ण हैं। यदि आप चाहते हैं कि आपकी कंपनी के डेटा वैज्ञानिक अपने मशीन लर्निंग मॉडल की भविष्यवाणियों पर भरोसा करें जब चीजें गलत हो जाएं (यह महसूस करते हुए कि ऐसा होगा), तो एमएल ऑडिट प्रक्रिया को इस तरह से डिज़ाइन किया जाना चाहिए कि मशीन लर्निंग मॉडल को पुनरावृत्ति और सुधार किया जा सके।

4. पैमाने के लिए योजना बनाएं।

आपको कुबेरनेट्स या डॉकर स्वार्म जैसे स्वचालित तैनाती प्रणाली वाले मशीन इंटेलिजेंस टूल तैनात करने होंगे। इससे आपको कई उद्देश्यों को प्राप्त करने में मदद मिलेगी। आप क्लस्टर में विफलताओं के लिए स्वचालित रूप से मशीन लर्निंग वर्कलोड को गतिविधि द्वारा स्पिन अप कर सकते हैं और एआई एल्गोरिदम का उपयोग करके स्वचालित रूप से निगरानी कर सकते हैं – किसी भी संभावित समस्याओं से पहले ऑपरेटरों को अलर्ट करते हैं। आप विभिन्न स्रोतों से विश्लेषण रिपोर्टों को एक केंद्रीकृत डैशबोर्ड में समेकित कर सकते हैं ताकि यह सुनिश्चित किया जा सके कि मशीन लर्निंग मॉडल अपेक्षित रूप से प्रदर्शन कर रहे हैं।

सीखने की अवस्था को मास्टर करें

एक एमएल परियोजना शुरू करने से पहले, यह समझना महत्वपूर्ण है कि एमएल मॉडल आपके संगठन के लिए बहुत सारे लाभ और दक्षता प्रदान कर सकते हैं, वे ठीक से प्रबंधित नहीं होने पर अपना जीवन जी सकते हैं। जोखिमों और परिचालन जटिलताओं को जानें, शुरू से ही उपरोक्त चार सुझावों को ध्यान में रखकर। एक ठोस आधार स्थापित करने के साथ, आप अपने एमएल मॉडल बनाने और बदलने में सक्षम होंगे ताकि वे आपके व्यावसायिक लक्ष्यों की सेवा करें।