अपने एंटरप्राइज़ एआई में सबसे बड़ा मूल्य प्राप्त करने के लिए एमएलओपीएस का उपयोग करें – विचार नेताओं के साथ

डेट्रॉन के उपाध्यक्ष, ग्राहक सफलता और संचालन, विक्टर थू द्वारा लिखित।

गार्टनर द्वारा 2020 के अंत में किए गए एक सर्वेक्षण में पाया गया कि 75% उत्तरदाताओं ने अगले वर्ष में नए एआई पहलों को जारी रखने या शुरू करने की योजना बनाई है। उसी समय, गार्टनर विश्लेषकों ने यह भी पाया कि एआई पहलों को उत्पादन में लाने में सबसे महत्वपूर्ण संघर्षों में से एक यह है कि उन निवेशों को व्यवसाय मूल्य से जोड़ने में असमर्थता।

इसके अलावा, अनुमानित है कि अधिकांश एआई/एमएल परियोजनाएं विफल हो जाएंगी। और यह तथ्य एआई में निवेश पर शीर्ष स्तर से खरीदने को और भी कठिन बना सकता है। यहीं पर एमएलओपीएस – मशीन लर्निंग ऑपरेशन्स – एक महत्वपूर्ण भूमिका निभा सकता है।

वर्तमान एमएल परिदृश्य

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

मशीन लर्निंग के लिए विकास जीवन चक्र पारंपरिक सॉफ्टवेयर विकास के जीवन चक्र से मौलिक रूप से अलग है। पिछले 20 वर्षों में, लोगों ने अधिकांशतः यह समझ लिया है कि पारंपरिक सॉफ्टवेयर को विकास से उत्पादन तक ले जाने के लिए क्या आवश्यक है। वे जानते हैं कि कंप्यूट, मिडलवेयर, नेटवर्किंग, स्टोरेज और अन्य तत्वों की आवश्यकता है ताकि यह सुनिश्चित किया जा सके कि ऐप अच्छी तरह से चल रहा है।

दुर्भाग्य से, अधिकांश लोग मशीन लर्निंग विकास जीवन चक्र (एमएलसी) के लिए पारंपरिक सॉफ्टवेयर विकास जीवन चक्र (एसडीएलसी) का उपयोग करने का प्रयास कर रहे हैं। हालांकि, एमएल एक महत्वपूर्ण परिवर्तन है। बुनियादी ढांचे के आवंटन अद्वितीय हैं। भाषाएं और फ्रेमवर्क अलग हैं।

मशीन लर्निंग मॉडल को कुछ हफ्तों में बनाया जा सकता है, लेकिन इन मॉडलों को उत्पादन में लाने की प्रक्रिया छह से नौ महीने तक ले सकती है क्योंकि टीमों के बीच विभाजन, मैनुअल अनुवाद और स्क्रिप्टिंग एमएल मॉडल को मौजूदा अनुप्रयोगों में लाने के लिए होता है।

यह भी मुश्किल है कि एक बार उत्पादन में आने के बाद मशीन लर्निंग मॉडल की निगरानी और शासन किया जाए। कोई गारंटी नहीं है कि प्रयोगशाला में बनाए गए एमएल मॉडल उत्पादन में उसी तरह से चलेंगे जैसा उन्हें करना चाहिए। और कई अलग-अलग कारक हो सकते हैं जो इसके पीछे हैं।

एमएलओपीएस के लाभ

जब मशीन लर्निंग मॉडल को उत्पादन में तैनात करने की बात आती है, तो बहुत कुछ गलत हो सकता है। जब आईटी/डेवओप्स मशीन लर्निंग मॉडल को परिचालन करने का प्रयास करते हैं, तो इन टीमों को विभिन्न प्रक्रियाओं को मैन्युअल रूप से स्क्रिप्ट और स्वचालित करने की आवश्यकता होती है। ये मॉडल अक्सर अपडेट किए जाते हैं, और प्रत्येक बार जब मॉडल अपडेट किए जाते हैं, तो पूरी प्रक्रिया दोहराई जाती है।

जब एक संगठन में अधिक और अधिक मॉडल और इन मॉडलों के विभिन्न संस्करण होते हैं, तो उनका ट्रैक रखना एक बड़ा मुद्दा बन जाता है। एक बड़ा मुद्दा यह है कि अक्सर, वे जिन टूल्स का उपयोग कर रहे हैं, वे अलग-अलग कोडबेस और फ्रेमवर्क के बीच विभाजन की समस्या का समाधान नहीं करते हैं। इससे समस्याएं पैदा हो सकती हैं, जो समय और संसाधनों की बर्बादी सहित कई मुद्दों का कारण बनती है। अधिकांश टीमें आज भी अपने मॉडल को अपडेट करते समय ट्रैकिंग और संस्करणन के साथ संघर्ष करती हैं।

एमएलओपीएस डेटा विज्ञान और ऑपरेशन्स के बीच के अंतर को पुल करने में मदद करता है ताकि उत्पादन एमएल लाइफसाइकल का प्रबंधन किया जा सके – मूल रूप से एमएल डिलीवरी में डेवओप्स सिद्धांतों को लागू करना। इससे एमएल-आधारित समाधानों के लिए बाजार में तेजी से पहुंच, प्रयोग की तेज दर, और गुणवत्ता और विश्वसनीयता की गारंटी मिलती है।

पारंपरिक एसडीएलसी मॉडल का उपयोग करके, आप शायद एक या दो एमएल मॉडल प्राप्त कर सकते हैं, लेकिन एमएलओपीएस के साथ, आप स्केल कर सकते हैं, ताकि आप कई समस्याओं का समाधान कर सकें। आप इन मॉडलों का उपयोग संभावित ग्राहकों को बेहतर ढंग से लक्षित करने, अधिक प्रासंगिक ग्राहकों को खोजने या अकुशलताओं को खोजने और सुधारने में मदद के लिए कर सकते हैं। आप सुधारों को बहुत तेजी से लागू कर सकते हैं, जो अंततः उत्पादकता और लाभ में सुधार करता है।

एमएलओपीएस सफलता के तत्व

एमएलओपीएस कोई चमत्कारी समाधान नहीं है। आपको अभी भी इसके लिए उचित आधार और सर्वोत्तम प्रथाओं की आवश्यकता है। एमएलओपीएस के साथ सफल होने के लिए, आपको दो प्राथमिक कर्तव्यों पर ध्यान केंद्रित करने की आवश्यकता है। पहला यह है कि विभिन्न भूमिकाओं को समझना। आपको यह सुनिश्चित करने की आवश्यकता है कि आपके पास सही और विविध कौशल और कर्मचारी हैं; डेटा वैज्ञानिकों और मशीन लर्निंग इंजीनियरों को एक जैसा न मानें। दोनों आवश्यक हैं, लेकिन आपको मिश्रण की आवश्यकता है।

दूसरी बात यह है कि सब कुछ स्वयं करने का प्रयास न करें। एमएलओपीएस भी श्रमसाध्य है, जिसमें एमएल इंजीनियरों की बड़ी टीमें आवश्यक हैं। यह महत्वपूर्ण है कि आप जो चाहते हैं उस पर विचार करें और उपलब्ध टूल्स को देखें जो आपको दृष्टिकोण को सरल बनाने और आवश्यक समर्पित लोगों की संख्या को स्ट्रीमलाइन करने में मदद कर सकते हैं।

आत्मविश्वास के साथ आगे बढ़ना

उद्योग विश्लेषकों का अनुमान है कि लगभग आधे एंटरप्राइज़ एआई परियोजनाएं विफल होने वाली हैं। ऐसी विफलता के कई कारण हैं, जिनमें से एक संगठन की संस्कृति है। लेकिन एक प्राथमिक कारण यह है कि परियोजना का समर्थन करने के लिए उपयुक्त प्रौद्योगिकी की कमी है। एमएलओपीएस एआई/एमएल परियोजनाओं में संगठनों को सफलता प्राप्त करने में मदद करने के लिए एक अत्यंत उपयोगी उपकरण है, जिससे प्रतिस्पर्धी व्यावसायिक लाभ होता है।