अपने पैसे का सबसे बड़ा एंटरप्राइज़ एआई लाभ प्राप्त करें एमएलओपीएस के साथ – विचार नेताओं के साथ

विक्टर थू, उपाध्यक्ष, ग्राहक सफलता और संचालन, Datatron द्वारा。

एक सर्वेक्षण में गार्टनर द्वारा 2020 के अंत में पाया गया कि 75% उत्तरदाताओं ने आगामी वर्ष में एआई पहल को जारी रखने या नए एआई पहल शुरू करने की योजना बनाई थी। उसी समय, गार्टनर विश्लेषकों ने यह भी पाया कि एआई पहलों को उत्पादन में लाने में सबसे बड़ी कठिनाइयों में से एक यह है कि संगठन उन निवेशों को व्यावसायिक मूल्य से जोड़ने में असमर्थ हैं।

और भी, यह अनुमान लगाया जाता है कि अधिकांश एआई/एमएल परियोजनाएं विफल हो जाएंगी। और यह तथ्य एआई निवेश पर शीर्ष स्तर से खरीदने को प्राप्त करना 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 करती है, लेकिन वास्तविकता यह है कि उन संभावनाओं तक पहुंचना महंगा और समय लेने वाला हो सकता है। इसलिए, एमएल लागू करने में रुचि उच्च है, लेकिन वास्तविक उत्पादन कार्यान्वयन कम रहता 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 चक्र पारंपरिक सॉफ्टवेयर विकास के चक्र से मूल रूप से अलग है। पिछले 20 वर्षों में, लोगों ने अधिकांशतः यह समझ लिया है कि पारंपरिक सॉफ्टवेयर को विकास से उत्पादन में लाने के लिए क्या आवश्यक है। वे समझते हैं कि कंप्यूट, मिडलवेयर, नेटवर्किंग, स्टोरेज और अन्य तत्वों की आवश्यकता होती है ताकि यह सुनिश्चित किया जा सके कि ऐप अच्छी तरह से चल रहा है।

दुर्भाग्य से, अधिकांश लोग मशीन लर्निंग विकास चक्र (एमएलसी) के लिए सॉफ्टवेयर विकास 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 में छह से नौ महीने लग सकते हैं क्योंकि सिलोइड प्रक्रियाएं, टीमों के बीच डिस्कनेक्ट और एमएल मॉडल को मौजूदा अनुप्रयोगों में मैन्युअल रूप से अनुवाद और स्क्रिप्टिंग करना शामिल है।

उत्पादन में एक बार मशीन लर्निंग मॉडल की निगरानी और शासन करना भी मुश्किल है। कोई गारंटी नहीं है कि प्रयोगशाला में बनाए गए एमएल मॉडल उत्पादन में इरादा अनुसार चलेंगे। और इसके पीछे कई अलग-अलग कारक हो सकते हैं।

एमएलओपीएस के लाभ

जब उत्पादन में मशीन लर्निंग मॉडल तैनात करने की बात आती है, तो जैसा कि उल्लेख किया गया है, 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 उपकरणों का उपयोग कर रहे हैं, वे अलग-अलग कोडबेस और फ्रेमवर्क के बीच विभाजित होने की समस्या का समाधान नहीं करते हैं। इससे समस्याएं उत्पन्न हो सकती हैं, जिसके परिणामस्वरूप समय और संसाधनों की बर्बादी होती है, अन्य मुद्दों के अलावा। अधिकांश टीमें आज भी अपने मॉडल को अपडेट करते समय ट्रैकिंग और संस्करणनाम के साथ संघर्ष करती हैं।

एमएलओपीएस डेटा विज्ञान और ऑपरेशन्स के बीच की खाई को पुल 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 अधिक तेजी से 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 एक वर्ष में, बहुत दर्दनाक और अत्यधिक अकुशलता के साथ। लेकिन एमएलओपीएस के साथ, आप स्केल कर सकते हैं, इसलिए आप कई समस्याओं का समाधान कर सकते हैं। 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 करने के लिए कर सकते हैं। आप सुधारों को बहुत तेजी से रोल आउट कर सकते हैं, अंततः उत्पादकता और लाभ में सुधार कर सकते हैं।

एमएलओपीएस सफलता के तत्व

एमएलओपीएस एक चांदी की गोली नहीं है। आपको अभी भी इसके लिए उचित आधार और सर्वोत्तम प्रथाओं को जानने 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 जो ध्यान में रखनी है वह यह है कि सब कुछ स्वयं न करें। एमएलओपीएस भी श्रमसाध्य है, जिसमें एमएल इंजीनियरों की बड़ी टीमों की आवश्यकता होती है। यह महत्वपूर्ण है कि आप सोचें कि आपको क्या चाहिए और उन उपकरणों पर विचार करें 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 के लिए तैयार हैं। ऐसी विफलता के कई कारण हैं, जिनमें एक संगठन की संस्कृति शामिल 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, जिसके परिणामस्वरूप प्रतिस्पर्धी व्यावसायिक लाभ होता है।