Quattro fattori per il successo con i modelli ML

By Jason Revelle, CTO, Datatron

Gli esperti, gli analisti e coloro che hanno una esperienza diretta di implementazione cantano le lodi dell’apprendimento automatico (ML), portando a un aumento del numero di imprese che adottano ML per una varietà di utilizzi. La sua fama si basa sull’idea che computerizzi la cognizione umana e consenta ulteriormente la trasformazione digitale. Tuttavia, anche se l’ML porta grandi promesse, c’è un lato negativo: per i team che devono gestirlo in produzione, il lavoro può diventare un difficile sforzo.

Le imprese stanno implementando l’ML per una miriade di compiti, come la classificazione dei rischi per la salute, l’elaborazione dei documenti, la previsione dei prezzi, la rilevazione delle frodi, la manutenzione preventiva e altro ancora. I team addestrano e valutano i modelli sui dati storici fino a quando non sembrano soddisfare gli obiettivi di prestazioni e precisione. Le imprese sono ansiose di raccogliere i benefici ad alto valore che l’ML promette prevedendo, classificando o prescrivendo risultati futuri – e agendo su quelle previsioni.

Tuttavia, tutto questo valore aziendale arriva a un alto costo operativo. Una volta che un modello è “pronto”, la sua automazione attraverso meccanismi di consegna affidabili crea complessità operative e rischi che richiedono vigilanza. Per rendere questi progetti efficienti ed efficaci, i team di consegna e operativi devono gestire in modo olistico il ciclo di vita dell’ML. I dati devono essere disponibili e della qualità attesa rispetto a quelli utilizzati per l’addestramento.

Presto diventa evidente che questo non è proprio come altri sforzi di ingegneria, e devi iniziare a pensare alle sfide in modi nuovi per diventare veramente un’azienda alimentata dall’intelligenza artificiale. Ecco quattro cose da considerare per il successo con l’apprendimento automatico, e in particolare con i modelli ML.

1. Come essere in grado di distribuire rapidamente molteplici versioni dietro le quinte

I modelli di apprendimento automatico richiedono un processo iterativo basato sui dati di produzione reali. Effettuare investimenti mirati per avere obiettivi di distribuzione che possano eseguire e registrare i risultati senza che i sistemi di produzione o i clienti vedano quei risultati. Devi avere la capacità di distribuire in questo modo facilmente e fluidamente fino a quando non hai il modello che ti piace. Nel lungo termine, è molto più efficace ed economico supporre che ci sarà molta sintonizzazione dei tuoi modelli, nonché la necessità di confrontare le versioni attuali con nuovi candidati che promettono risultati migliori.

2. Comprendere che ciò che il tuo team promette di solito non si adatta alle politiche tradizionali “software approvato” centrato sull’applicazione.

Poiché l’ML cresce e si diversifica rapidamente, vanta un elenco in continua espansione di fornitori di tecnologie, sia grandi che piccoli. È scontato che il reparto IT debba mantenere un supporto adeguato, scansioni di sicurezza e controlli per i tuoi ambienti operativi. Ma stai attento: applicare gli stessi controlli e processi per la governance della tecnologia di hosting operativo o di prodotto alla tua pratica ML probabilmente ridurrà notevolmente i tuoi potenziali ritorni prima ancora di aver attraversato la linea di partenza.

È anche importante notare che gli scienziati dei dati sono molto richiesti. Non è difficile per loro trovare un altro lavoro se si sentono pressati per consegnare risultati sempre migliori senza cambiare la tecnologia che utilizzano o come possono utilizzarla.

3. Comprendere che il ciclo di vita dello sviluppo del modello ML non è lo stesso del ciclo di vita dello sviluppo del software

Lo sviluppo del software e la creazione di modelli ML sono processi molto diversi; cercare di trattare il secondo come il primo è una ricetta per il disastro. Le imprese che trattano la consegna del modello come un’altra release del software finiscono con lacune nelle capacità trasversali come il monitoraggio e l’analisi, e un alto sovraccarico per il trasferimento delle conoscenze tra creatori e operatori, con tempi lunghi e sequenziali. Gli specialisti che distribuiscono e supportano i tuoi modelli devono capire come funziona il modello e i dati, non solo il triage della affidabilità del servizio e dei codici di errore. Il talento giusto, team ibridi composti da specialisti dei dati e operativi, insieme agli strumenti giusti, ti consentiranno di testare e interpretare non solo se il software viene eseguito, ma anche quanto sono accurate e spiegabili le risposte.

È anche importante adottare un approccio basato sul successo all’audit dei modelli di apprendimento automatico perché sono fallibili. Se vuoi che i tuoi scienziati dei dati si fidino delle previsioni del modello di apprendimento automatico anche quando le cose vanno storte (realizzando che ciò accadrà), allora il processo di audit del modello ML dovrebbe essere progettato in modo da consentire ai modelli di apprendimento automatico di essere iterati e migliorati.

4. Pianifica per la scala.

Dovrai distribuire strumenti di intelligenza macchina che hanno un sistema di distribuzione automatizzato come Kubernetes o Docker Swarm. Ciò ti aiuterà a raggiungere più obiettivi. Potrai avviare dinamicamente i carichi di lavoro di apprendimento automatico e monitorare automaticamente le attività per errori utilizzando algoritmi di intelligenza artificiale – avvisando gli operatori di eventuali problemi potenziali prima che si verifichino. Potrai anche consolidare i rapporti di analisi da più fonti in un unico cruscotto centrale per assicurarti che i modelli di apprendimento automatico funzionino come previsto.

Padroneggia la curva di apprendimento

Prima di iniziare un progetto ML, è fondamentale capire che, sebbene i modelli ML possano offrire enormi vantaggi e efficienze alla tua organizzazione, possono prendere vita propria se non gestiti correttamente. Conosci i rischi e le complessità operative fin dall’inizio, tenendo presente i quattro suggerimenti sopra. Con una solida base, sarai in grado di creare e modificare facilmente i tuoi modelli ML in modo che servano ai tuoi obiettivi aziendali.