Dapatkan Kebangkitan AI Perusahaan Terbesar untuk Uang Anda dengan MLOps – Pemikiran Pemimpin

Oleh Victor Thu, wakil presiden kesuksesan dan operasi pelanggan, Datatron.

Sebuah survei oleh Gartner pada akhir tahun 2020 menemukan bahwa 75% responden berencana untuk melanjutkan atau memulai inisiatif AI baru di tahun mendatang. Pada saat yang sama, analis Gartner juga menemukan bahwa salah satu kesulitan paling signifikan dalam memindahkan inisiatif AI ke dalam produksi adalah ketidakmampuan organisasi tersebut untuk menghubungkan investasi tersebut kembali ke nilai bisnis.

Terlebih lagi, sebagian besar proyek AI/ML diperkirakan akan gagal. Dan fakta tersebut dapat membuat semakin sulit untuk mendapatkan dukungan dari para petinggi atas investasi ini. Di sinilah MLOps – Operasi Pembelajaran Mesin – dapat memainkan peran penting.

Lanskap ML saat ini

Pembelajaran mesin menawarkan kemungkinan besar bagi organisasi, tetapi kenyataannya adalah mendapatkan kemungkinan itu bisa mahal dan memakan waktu. Jadi, meskipun minat untuk mengimplementasikan ML tinggi, implementasi produksi aktual tetap rendah. Rintangan utama dalam menghadirkan solusi ke dalam produksi bukanlah kualitas modelnya, melainkan kurangnya infrastruktur yang memungkinkan perusahaan melakukannya.

Siklus hidup pengembangan untuk pembelajaran mesin pada dasarnya berbeda dari siklus hidup pengembangan perangkat lunak tradisional. Selama 20 tahun terakhir, sebagian besar orang telah mengetahui apa yang diperlukan perangkat lunak tradisional untuk beralih dari pengembangan ke produksi. Mereka memahami komputasi, middleware, jaringan, penyimpanan, dan elemen lain yang diperlukan untuk memastikan aplikasi berjalan dengan baik.

Sayangnya, sebagian besar mencoba menggunakan siklus hidup pengembangan perangkat lunak (SDLC) yang sama untuk siklus hidup pengembangan pembelajaran mesin (MLLC). Namun, ML adalah perubahan paradigma yang signifikan. Alokasi infrastruktur bersifat unik. Bahasa dan kerangka kerjanya berbeda.

Model pembelajaran mesin dapat dibuat relatif cepat dalam hitungan minggu, tetapi proses untuk memasukkan model ini ke dalam produksi dapat memakan waktu antara enam hingga sembilan bulan karena proses yang terpisah, terputusnya hubungan antar tim, dan penerjemahan serta pembuatan skrip model ML secara manual ke dalam aplikasi yang sudah ada .

Juga sulit untuk memantau dan mengatur model pembelajaran mesin setelah mereka membuatnya menjadi produksi. Tidak ada jaminan model ML yang dibuat di lab akan berjalan seperti yang diinginkan dalam produksi. Dan ada beberapa faktor berbeda yang mungkin ada di balik itu.

Manfaat MLOps

Ketika datang untuk menerapkan model pembelajaran mesin dalam produksi, seperti yang disebutkan, ada banyak kesalahan. Saat IT/DevOps mencoba mengoperasionalkan model pembelajaran mesin, tim ini perlu membuat skrip secara manual dan mengotomatiskan proses yang berbeda. Model ini sering diperbarui, dan setiap kali model diperbarui, seluruh proses diulang.

Ketika sebuah organisasi memiliki lebih banyak model dan iterasi yang berbeda dari model ini, melacaknya menjadi masalah besar. Salah satu masalah besarnya adalah seringkali, alat yang mereka gunakan tidak mengatasi masalah basis kode dan kerangka kerja yang berbeda yang terputus-putus satu sama lain. Itu dapat menyebabkan masalah, yang mengakibatkan pemborosan waktu dan sumber daya, di antara masalah lainnya. Sebagian besar tim saat ini juga kesulitan dengan pelacakan dan pembuatan versi saat memperbarui model mereka.

MLOps membantu menjembatani perbedaan antara ilmu data dan operasi untuk mengelola siklus hidup ML produksi – pada dasarnya menerapkan prinsip DevOps untuk pengiriman ML. Hal itu memungkinkan waktu yang lebih cepat untuk memasarkan solusi berbasis ML, tingkat eksperimen yang lebih cepat, dan jaminan kualitas dan keandalan.

Dengan menggunakan model SDLC tradisional, Anda mungkin bisa menyelesaikan satu atau dua model ML dalam setahun, dengan susah payah dan dengan sangat tidak efisien. Tetapi dengan MLOps, Anda dapat menskalakan, sehingga Anda dapat mengatasi banyak masalah. Anda dapat menggunakan model ini untuk membantu menargetkan calon klien dengan lebih baik, menemukan pelanggan yang lebih relevan, atau menemukan dan meningkatkan inefisiensi. Anda dapat meluncurkan peningkatan lebih cepat, yang pada akhirnya meningkatkan produktivitas dan keuntungan.

Elemen kesuksesan MLOps

MLOps bukanlah solusi instan. Anda tetap perlu memiliki dasar yang kuat dan mengetahui praktik terbaik agar MLOps berhasil. Untuk berhasil dengan MLOps, Anda perlu berfokus pada dua tugas utama. Pertama, memahami berbagai peran. Anda perlu memastikan Anda memiliki keahlian dan karyawan yang tepat dan beragam; jangan anggap ilmuwan data dan insinyur pembelajaran mesin sama saja. Keduanya penting, tetapi Anda perlu kombinasi yang tepat.

Hal kedua yang perlu diingat adalah jangan mencoba membuat semuanya sendiri. MLOps juga padat karya, membutuhkan tim insinyur ML yang besar. Penting untuk memikirkan apa yang Anda butuhkan dan melihat alat yang tersedia untuk membantu Anda menyederhanakan pendekatan dan merampingkan jumlah orang berdedikasi yang dibutuhkan.

Maju dengan percaya diri

Analis industri memperkirakan bahwa hampir setengah dari proyek AI perusahaan ditakdirkan untuk gagal. Ada beberapa alasan kegagalan tersebut, termasuk budaya organisasi. Tetapi alasan utamanya adalah kurangnya teknologi yang tepat untuk mendukung proyek tersebut. MLOps adalah alat yang sangat berguna untuk membantu organisasi mencapai kesuksesan dalam proyek AI/ML mereka, menghasilkan keunggulan bisnis yang kompetitif.