Quattro fattori per il successo con i modelli ML

Di Jason Revelle, CTO, Datatron

Gli esperti, gli analisti e coloro che hanno una diretta esperienza di implementazione cantano le lodi dell’apprendimento automatico (ML), portando a un aumento del numero di imprese che adottano l’ML per una varietà di utilizzi. La sua fama si basa sull’idea che computerizzi la cognizione umana e consenta ulteriori trasformazioni digitali. 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 sembrano soddisfare gli obiettivi di prestazioni e accuratezza. 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.

Tutto questo valore aziendale, tuttavia, si accompagna 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 prevista rispetto a quelli utilizzati per l’addestramento.

Ben presto diventa evidente che questo non è proprio come altri sforzi di ingegneria, e bisogna iniziare a pensare ai challenge 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. È necessario avere la capacità di distribuire in questo modo facilmente e fluidamente fino a quando non si ha il modello desiderato. Nel lungo termine, è molto più efficace ed economico supporre che ci sarà molta sintonizzazione dei 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 rientra nelle politiche di software approvato tradizionali, centrate sull’applicazione.

L’ML cresce e si diversifica rapidamente, vantando un elenco sempre più lungo di fornitori di tecnologie, sia grandi che piccoli. È dato per scontato che l’IT debba mantenere un supporto adeguato, scansioni di sicurezza e controlli per gli ambienti operativi. Tuttavia, si deve essere avvertiti: applicare gli stessi controlli e processi per la governance della tecnologia di hosting operativo o di prodotto all’ML pratica probabilmente ridurrà notevolmente i 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 fornire risultati migliori e 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; tentare 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 con un alto sovraccarico per il trasferimento delle conoscenze tra creatori e operatori, con tempi estesi e sequenziali. Gli specialisti che distribuiscono e supportano i modelli devono comprendere come funziona il modello e i dati, non solo il servizio di triage e gli errori di codice. Il talento giusto, team ibridi composti da specialisti dei dati e operativi, insieme agli strumenti giusti, consentiranno di testare e interpretare non solo se il software è in esecuzione, ma anche quanto sono accurate e spiegabili le risposte.

È anche importante adottare un approccio basato sul successo per l’auditing dei modelli di apprendimento automatico perché sono fallibili. Se si desidera che gli scienziati dei dati dell’azienda abbiano fiducia nelle previsioni del modello di apprendimento automatico anche quando le cose vanno storte (realizzando che ciò accadrà), allora il processo di audit ML dovrebbe essere progettato in modo da consentire ai modelli di apprendimento automatico di essere iterati e migliorati.

4. Pianificare per la scalabilità.

È necessario distribuire strumenti di intelligenza artificiale che abbiano un sistema di distribuzione automatizzato come Kubernetes o Docker Swarm. Ciò aiuterà a raggiungere più obiettivi. Sarà possibile avviare carichi di lavoro di apprendimento automatico in modo dinamico e monitorare le attività in modo automatico attraverso i cluster per errori utilizzando algoritmi di intelligenza artificiale – avvisando gli operatori di eventuali problemi potenziali prima che si verifichino. Sarà anche possibile consolidare i rapporti di analisi da più fonti in un unico cruscotto centralizzato per assicurarsi che i modelli di apprendimento automatico funzionino come previsto.

Padroneggiare la curva di apprendimento

Prima di iniziare un progetto ML, è cruciale comprendere che, sebbene i modelli ML possano offrire enormi vantaggi e efficienze alla vostra organizzazione, possono prendere una vita propria se non gestiti correttamente. È necessario conoscere i rischi e le complessità operative fin dall’inizio, tenendo presente i quattro suggerimenti sopra. Con una solida base in atto, sarà possibile creare e modificare facilmente i modelli ML in modo che servano gli obiettivi aziendali.