Dapatkan Keuntungan Terbesar dari Enterprise AI dengan MLOps – Pemimpin Pikiran

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

Survei oleh Gartner pada akhir 2020 menemukan bahwa 75% responden berencana untuk melanjutkan atau memulai inisiatif AI baru dalam setahun ke depan. Pada saat yang sama, analis Gartner juga menemukan bahwa salah satu perjuangan terbesar dengan memindahkan inisiatif AI ke produksi adalah ketidakmampuan organisasi untuk menghubungkan investasi tersebut kembali ke nilai bisnis.

Apa lagi, diperkirakan bahwa sebagian besar proyek AI/ML akan gagal. Dan fakta ini dapat membuatnya lebih sulit untuk mendapatkan persetujuan dari atas untuk investasi ini. Inilah tempat MLOps – Machine Learning Operations – dapat memainkan peran kunci.

Lanskap ML Saat Ini

Pembelajaran mesin menawarkan kemungkinan yang luar biasa bagi organisasi, tetapi kenyataannya adalah bahwa mencapai kemungkinan tersebut dapat memakan biaya dan waktu. Jadi, sementara minat untuk menerapkan ML tinggi, implementasi produksi yang sebenarnya masih rendah. Hambatan utama untuk membawa solusi ke produksi bukanlah kualitas model, tetapi kurangnya infrastruktur yang ada untuk memungkinkan perusahaan melakukan hal tersebut.

Siklus pengembangan pembelajaran mesin secara fundamental berbeda dari siklus pengembangan perangkat lunak tradisional. Selama 20 tahun terakhir, orang-orang telah, sebagian besar, memahami apa yang diperlukan untuk perangkat lunak tradisional untuk pergi 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 pengembangan perangkat lunak (SDLC) yang sama untuk siklus pengembangan pembelajaran mesin (MLLC). Namun, ML adalah perubahan paradigma yang signifikan. Alokasi infrastruktur unik. Bahasa dan kerangka kerja berbeda.

Model pembelajaran mesin dapat dibuat relatif cepat dalam beberapa minggu, tetapi proses untuk mendapatkan model-model ini ke produksi dapat memakan waktu dari enam hingga sembilan bulan karena proses yang terisolasi, terputus antara tim, dan menerjemahkan serta menskrip model ML ke aplikasi yang ada.

Juga sulit untuk memantau dan mengatur model pembelajaran mesin setelah mereka masuk ke produksi. Tidak ada jaminan bahwa model ML yang dibuat di laboratorium akan berjalan seperti yang diharapkan di produksi. Dan ada beberapa faktor yang berbeda yang dapat menyebabkan hal tersebut.

Manfaat MLOps

Ketika datang ke penerapan model pembelajaran mesin di produksi, seperti yang disebutkan, ada banyak hal yang bisa salah. Ketika IT/DevOps mencoba untuk mengoperasikan model pembelajaran mesin, tim-tim ini perlu menskrip dan mengautomasi proses yang berbeda. Model-model ini sering diperbarui, dan setiap kali model-model diperbarui, proses seluruhnya diulangi.

Ketika sebuah organisasi memiliki lebih dan lebih banyak model dan iterasi yang berbeda dari model-model ini, melacaknya menjadi masalah besar. Salah satu masalah besar adalah bahwa alat yang mereka gunakan tidak menangani masalah kode basis dan kerangka kerja yang terpisah antara satu sama lain. Hal ini dapat menyebabkan masalah, yang menghasilkan pemborosan waktu dan sumber daya, di antara masalah lainnya. Sebagian besar tim saat ini juga berjuang dengan melacak dan memversi ketika mereka memperbarui model mereka.

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

Dengan menggunakan model SDLC tradisional, Anda mungkin dapat mendapatkan satu atau dua model ML selesai dalam setahun, dengan banyak kesulitan dan ketidakefisienan. Tetapi dengan MLOps, Anda dapat menskalakan, sehingga Anda dapat menangani masalah yang berbeda. Anda dapat menggunakan model-model ini untuk membantu menargetkan klien prospek, menemukan pelanggan yang lebih relevan atau menemukan dan memperbaiki ketidakefisienan. Anda dapat mengeluarkan perbaikan lebih cepat, pada akhirnya meningkatkan produktivitas dan keuntungan.

Unsur-unsur Kesuksesan MLOps

MLOps bukanlah peluru perak. Anda masih perlu memiliki landasan yang tepat dan mengetahui praktik terbaik agar dapat bekerja. Untuk sukses dengan MLOps, Anda perlu fokus pada dua tugas utama. Yang pertama adalah memahami peran yang berbeda. Anda perlu memastikan bahwa Anda memiliki keterampilan dan karyawan yang tepat; jangan memperlakukan ilmuwan data dan insinyur pembelajaran mesin sebagai satu dan sama.

Yang kedua adalah jangan mencoba untuk melakukan semuanya sendiri. MLOps juga memerlukan tenaga kerja yang intensif, yang memerlukan tim besar insinyur ML. Penting untuk memikirkan apa yang Anda butuhkan dan melihat alat yang tersedia untuk membantu Anda menyederhanakan pendekatan dan mengalirkan jumlah orang yang didedikasikan yang diperlukan.

Maju dengan Keyakinan

Analisis industri memperkirakan bahwa hampir setengah dari proyek AI perusahaan ditakdirkan untuk gagal. Ada beberapa alasan untuk kegagalan tersebut, termasuk budaya organisasi. Namun, alasan utama 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, yang menghasilkan keuntungan bisnis yang kompetitif.