एमएलओपीएस के साथ अपने पैसे के बदले में सबसे बड़ा एंटरप्राइज एआई बैंग प्राप्त करें - थॉट लीडर्स

ग्राहक सफलता और संचालन के उपाध्यक्ष विक्टर थू द्वारा, डाटट्रॉन.

द्वारा एक सर्वेक्षण गार्टनर 2020 के अंत में पाया गया कि 75% उत्तरदाताओं ने आने वाले वर्ष में नई एआई पहल जारी रखने या शुरू करने की योजना बनाई है। साथ ही, गार्टनर के विश्लेषकों ने यह भी पाया कि एआई पहल को उत्पादन में ले जाने में सबसे महत्वपूर्ण संघर्ष उन संगठनों के लिए उन निवेशों को व्यावसायिक मूल्य से जोड़ने में असमर्थता है।

इसके अलावा, यह व्यापक रूप से अनुमान लगाया गया है कि अधिकांश एआई/एमएल परियोजनाएं विफल हो जाएंगी। और यह तथ्य इन निवेशों पर शीर्ष से खरीदारी प्राप्त करना और भी कठिन बना सकता है। यहीं पर एमएलओपीएस - मशीन लर्निंग ऑपरेशंस - एक महत्वपूर्ण भूमिका निभा सकते हैं।

वर्तमान एमएल परिदृश्य

मशीन लर्निंग संगठनों के लिए गहन संभावनाएं प्रदान करती है, लेकिन वास्तविकता यह है कि उन संभावनाओं तक पहुंचना महंगा और समय लेने वाला हो सकता है। इसलिए, जबकि एमएल को लागू करने में रुचि अधिक है, वास्तविक उत्पादन कार्यान्वयन कम है। उत्पादन में समाधान लाने में मुख्य बाधा मॉडलों की गुणवत्ता नहीं है, बल्कि कंपनियों को ऐसा करने की अनुमति देने के लिए बुनियादी ढांचे की कमी है।

मशीन लर्निंग के लिए विकास जीवनचक्र पारंपरिक सॉफ्टवेयर विकास के जीवनचक्र से मौलिक रूप से भिन्न है। पिछले 20 वर्षों में, अधिकांशतः लोगों ने यह समझ लिया है कि पारंपरिक सॉफ़्टवेयर को विकास से उत्पादन तक ले जाने में क्या लगता है। वे यह सुनिश्चित करने के लिए आवश्यक गणना, मिडलवेयर, नेटवर्किंग, स्टोरेज और अन्य तत्वों को समझते हैं कि ऐप अच्छी तरह से चल रहा है।

दुर्भाग्य से, अधिकांश लोग मशीन लर्निंग डेवलपमेंट लाइफसाइकल (एमएलएलसी) के लिए उसी सॉफ्टवेयर डेवलपमेंट लाइफसाइकल (एसडीएलसी) का उपयोग करने का प्रयास कर रहे हैं। हालाँकि, एमएल एक महत्वपूर्ण प्रतिमान बदलाव है। बुनियादी ढांचे का आवंटन अद्वितीय है। भाषाएँ और रूपरेखाएँ भिन्न हैं।

मशीन लर्निंग मॉडल कुछ ही हफ्तों में अपेक्षाकृत तेजी से बनाए जा सकते हैं, लेकिन इन मॉडलों को उत्पादन में लाने की प्रक्रिया में सिलेड प्रक्रियाओं, टीमों के बीच डिस्कनेक्ट और एमएल मॉडल को मौजूदा एप्लिकेशन में मैन्युअल रूप से अनुवाद और स्क्रिप्ट करने के कारण छह से नौ महीने तक का समय लग सकता है। .

एक बार मशीन लर्निंग मॉडल के उत्पादन में आने के बाद उसकी निगरानी करना और उसे नियंत्रित करना भी मुश्किल है। इस बात की कोई गारंटी नहीं है कि प्रयोगशाला में बनाए गए एमएल मॉडल उसी तरह चलेंगे जैसे वे उत्पादन में चाहते हैं। और इसके पीछे कई अलग-अलग कारक हो सकते हैं।

एमएलओपीएस के लाभ

जैसा कि उल्लेख किया गया है, जब उत्पादन में मशीन लर्निंग मॉडल को तैनात करने की बात आती है, तो बहुत कुछ गलत हो सकता है। जब IT/DevOps मशीन लर्निंग मॉडल को संचालित करने का प्रयास करता है, तो इन टीमों को विभिन्न प्रक्रियाओं को मैन्युअल रूप से स्क्रिप्ट और स्वचालित करने की आवश्यकता होती है। इन मॉडलों को अक्सर अद्यतन किया जाता है, और हर बार जब मॉडल अद्यतन होते हैं, तो पूरी प्रक्रिया दोहराई जाती है।

जब किसी संगठन के पास अधिक से अधिक मॉडल और इन मॉडलों की विभिन्न पुनरावृत्तियाँ होती हैं, तो उन पर नज़र रखना एक बड़ा मुद्दा बन जाता है। बड़े मुद्दों में से एक यह है कि अक्सर, वे जिन उपकरणों का उपयोग कर रहे हैं वे विभिन्न कोडबेस और फ्रेमवर्क के एक-दूसरे से असंबद्ध होने की समस्या का समाधान नहीं करते हैं। इससे समस्याएं पैदा हो सकती हैं, जिसके परिणामस्वरूप अन्य मुद्दों के अलावा समय और संसाधनों की बर्बादी होगी। आज अधिकांश टीमें अपने मॉडलों को अपडेट करते समय ट्रैकिंग और वर्जनिंग से भी जूझती हैं।

एमएलओपीएस उत्पादन एमएल जीवनचक्र को प्रबंधित करने के लिए डेटा विज्ञान और संचालन के बीच विभाजन को पाटने में मदद करता है - मूल रूप से एमएल डिलीवरी के लिए डेवऑप्स सिद्धांतों को लागू करना। यह एमएल-आधारित समाधानों को तेजी से बाजार में लाने, प्रयोग की अधिक तीव्र दर और गुणवत्ता और विश्वसनीयता के आश्वासन को सक्षम बनाता है।

पारंपरिक एसडीएलसी मॉडल का उपयोग करके, आप बहुत अधिक मेहनत और अत्यधिक अक्षमता के साथ, एक वर्ष में एक या दो एमएल मॉडल प्राप्त करने में सक्षम हो सकते हैं। लेकिन एमएलओपीएस के साथ, आप स्केल कर सकते हैं, जिससे आप कई समस्याओं का समाधान कर सकते हैं। आप इन मॉडलों का उपयोग संभावित ग्राहकों को बेहतर लक्ष्य बनाने, अधिक प्रासंगिक ग्राहक ढूंढने या अक्षमताओं को ढूंढने और सुधारने में सहायता के लिए कर सकते हैं। आप बहुत तेजी से सुधार लाने में सक्षम हैं, जिससे अंततः उत्पादकता और लाभ में सुधार होगा।

एमएलओपीएस की सफलता के तत्व

MLOps कोई आसान उपाय नहीं है। इसके लिए आपको अभी भी उचित आधारभूत कार्ययोजना और सर्वोत्तम प्रथाओं की जानकारी होनी चाहिए। MLOps में सफल होने के लिए, आपको दो मुख्य ज़िम्मेदारियों पर ध्यान केंद्रित करना होगा। पहला है विभिन्न भूमिकाओं को समझना। आपको यह सुनिश्चित करना होगा कि आपके पास सही, विविध कौशल और कर्मचारी हों; डेटा वैज्ञानिकों और मशीन लर्निंग इंजीनियरों को एक ही न समझें। दोनों ज़रूरी हैं, लेकिन आपको इनका मिश्रण भी चाहिए।

ध्यान रखने वाली दूसरी बात यह है कि यह सब DIY करने की कोशिश न करें। एमएलओपीएस भी श्रम-गहन है, जिसके लिए एमएल इंजीनियरों की बड़ी टीमों की आवश्यकता होती है। यह सोचना महत्वपूर्ण है कि आपको क्या चाहिए और उन उपकरणों को देखें जो आपके दृष्टिकोण को सरल बनाने और आवश्यक समर्पित लोगों की संख्या को सुव्यवस्थित करने में मदद करने के लिए उपलब्ध हैं।

आत्मविश्वास के साथ आगे बढ़ें

उद्योग विश्लेषकों का अनुमान है कि लगभग आधे एंटरप्राइज़ एआई प्रोजेक्ट विफल होने के लिए तैयार हैं। ऐसी विफलता के कई कारण हैं, जिनमें संगठन की संस्कृति भी शामिल है। लेकिन एक प्राथमिक कारण परियोजना का समर्थन करने के लिए उपयुक्त तकनीक की कमी है। एमएलओपीएस संगठनों को उनकी एआई/एमएल परियोजनाओं में सफलता प्राप्त करने में मदद करने के लिए एक अत्यधिक उपयोगी उपकरण है, जिसके परिणामस्वरूप प्रतिस्पर्धी व्यावसायिक लाभ होता है।