Empat Faktor untuk Sukses dengan Model ML

Oleh Jason Revelle, CTO, Datatron

Ahli, analis, dan mereka yang memiliki pengalaman implementasi langsung memuji kehebatan machine learning (ML), sehingga semakin banyak perusahaan yang mengadopsi ML untuk berbagai kegunaan. Kehebatan ML terletak pada ide bahwa itu akan mengkomputerisasi kognisi manusia dan lebih memungkinkan transformasi digital. Namun, meskipun ML memiliki janji besar, ada kelemahan: bagi tim yang harus mengelola ML di produksi, pekerjaan dapat menjadi sulit.

Perusahaan mengimplementasikan ML untuk berbagai tugas, seperti mengklasifikasikan risiko kesehatan, memproses dokumen, memprediksi harga, mendeteksi penipuan, perawatan preventif, dan lain-lain. Tim melatih dan mengevaluasi model pada data historis sampai mereka tampaknya sesuai dengan target kinerja dan akurasi. Perusahaan sangat ingin memanfaatkan manfaat tinggi yang dijanjikan oleh ML dengan memprediksi, mengklasifikasikan, atau meresepkan hasil masa depan—dan bertindak berdasarkan prediksi tersebut.

Nilai bisnis ini, bagaimanapun, datang dengan biaya operasional yang tinggi. Setelah model “siap,” otomatisasi melalui mekanisme pengiriman yang dapat diandalkan menciptakan kompleksitas operasional dan risiko yang memerlukan kewaspadaan. Untuk membuat proyek ini efisien dan efektif, tim pengiriman dan operasional harus mengelola siklus hidup ML secara holistik. Data harus tersedia dan memiliki kualitas yang diharapkan dibandingkan dengan yang digunakan untuk pelatihan.

Segera menjadi jelas bahwa ini tidak seperti upaya teknik lainnya, dan Anda perlu mulai memikirkan tantangan dengan cara baru untuk benar-benar menjadi perusahaan yang ditenagai AI. Berikut adalah empat hal yang perlu dipertimbangkan untuk sukses dengan machine learning, dan khususnya dengan model ML.

1. Bagaimana cara mengirimkan beberapa versi secara cepat di balik layar

Model machine learning memerlukan proses iteratif yang bergantung pada data produksi yang sebenarnya. Buat investasi yang terfokus untuk memiliki target pengiriman yang dapat menjalankan dan mencatat hasil tanpa sistem produksi atau pelanggan melihat hasil tersebut. Anda perlu kemampuan untuk mengirimkan dengan mudah dan lancar sampai Anda memiliki model yang disukai. Dalam jangka panjang, lebih efektif dan ekonomis untuk menganggap bahwa akan ada banyak penyesuaian model, serta kebutuhan untuk membandingkan versi saat ini dengan kandidat baru yang menjanjikan hasil yang lebih baik.

2. Pahami bahwa apa yang tim Anda janjikan biasanya tidak sesuai dengan kebijakan perangkat lunak “perangkat lunak yang disetujui” tradisional.

Karena ML tumbuh dan diversifikasi dengan cepat, ia membanggakan daftar penyedia teknologi yang terus berkembang, baik besar maupun kecil. Ini sudah pasti bahwa IT perlu memelihara dukungan yang tepat, pemindaian keamanan, dan kontrol untuk lingkungan operasional Anda. Namun, perlu diingat: menerapkan kontrol dan proses yang sama untuk mengatur teknologi hosting operasional atau produk ke praktek ML Anda kemungkinan akan sangat mengurangi potensi pengembalian sebelum Anda melewati garis start.

Juga penting untuk dicatat bahwa ilmuwan data sangat dicari. Tidak sulit bagi mereka untuk menemukan pekerjaan lain jika mereka merasa bahwa mereka sedang dipaksa untuk menghasilkan hasil yang lebih baik tanpa mengubah teknologi yang mereka gunakan atau bagaimana mereka dapat menggunakannya.

3. Pahami bahwa siklus hidup pengembangan model ML tidak sama dengan siklus hidup pengembangan perangkat lunak

Pengembangan perangkat lunak dan pembuatan model ML adalah proses yang sangat berbeda; mencoba mengobati yang terakhir seperti yang pertama adalah resep untuk bencana. Perusahaan yang mengobati pengiriman model sebagai rilis perangkat lunak lainnya berakhir dengan celah dalam kemampuan cross-cutting seperti pemantauan dan analisis, dan biaya overhead yang tinggi untuk transfer pengetahuan antara pembuat dan operator, dengan timeline yang berurutan dan diperpanjang. Spesialis yang mengirimkan dan mendukung model Anda perlu memahami bagaimana model dan data bekerja, bukan hanya memecahkan keandalan layanan dan kode kesalahan. Bakat yang tepat, tim hibrida yang terdiri dari spesialis data dan operasional, serta alat yang tepat akan memungkinkan Anda untuk menguji dan menafsirkan tidak hanya apakah perangkat lunak dieksekusi, tetapi juga seberapa akurat dan dapat dijelaskan responsnya.

Juga penting untuk mengadopsi pendekatan berbasis keberhasilan untuk memeriksa model machine learning karena mereka rentan. Jika Anda ingin ilmuwan data perusahaan Anda mempercayai prediksi model machine learning mereka bahkan ketika sesuatu salah (menyadari bahwa ini akan terjadi), maka proses audit ML harus dirancang untuk memungkinkan model machine learning diperbarui dan ditingkatkan.

4. Rencanakan untuk skala.

Anda akan perlu mengirimkan alat kecerdasan mesin yang memiliki sistem pengiriman otomatis seperti Kubernetes atau Docker Swarm. Ini akan membantu Anda mencapai beberapa tujuan. Anda akan dapat memulai beban kerja machine learning secara dinamis dan memantau tugas secara otomatis di seluruh cluster untuk kegagalan menggunakan algoritma AI – memberi tahu operator tentang masalah potensial sebelum mereka terjadi. Anda juga akan dapat mengonsolidasikan laporan analitik dari beberapa sumber ke dalam satu dasbor terpusat untuk memastikan model machine learning berfungsi sebagaimana mestinya.

Menguasai Kurva Belajar

Sebelum memulai proyek ML, sangat penting untuk memahami bahwa meskipun model ML dapat menawarkan keuntungan dan efisiensi yang luar biasa bagi organisasi Anda, mereka dapat mengambil kehidupan mereka sendiri jika tidak dikelola dengan benar. Kenali risiko dan kompleksitas operasional dari awal, mempertahankan empat tips di atas. Dengan fondasi yang solid, Anda akan dapat membuat dan mengubah model ML Anda sehingga mereka melayani tujuan bisnis Anda.