Ottieni il massimo beneficio dall’intelligenza artificiale aziendale con MLOps – Leader di pensiero

Di Victor Thu, vice presidente di customer success e operazioni, Datatron.

Un sondaggio condotto da Gartner alla fine del 2020 ha rilevato che il 75% dei rispondenti intendeva continuare o avviare nuove iniziative di intelligenza artificiale nell’anno successivo. Allo stesso tempo, gli analisti di Gartner hanno anche scoperto che una delle più grandi difficoltà nell’implementazione di iniziative di intelligenza artificiale in produzione è l’incapacità di collegare questi investimenti al valore aziendale.

Ciò che è più, si stima ampiamente che la maggior parte dei progetti di intelligenza artificiale/machine learning fallirà. E questo fatto può rendere ancora più difficile ottenere l’approvazione dei vertici per questi investimenti. È qui che MLOps – Machine Learning Operations – può svolgere un ruolo chiave.

Il panorama attuale dell’ML

Il machine learning offre possibilità profonde per le organizzazioni, ma la realtà è che raggiungere queste possibilità può essere costoso e lungo. Quindi, mentre l’interesse per l’implementazione del machine learning è alto, l’implementazione effettiva in produzione rimane bassa. L’ostacolo principale per portare le soluzioni in produzione non è la qualità dei modelli, ma piuttosto la mancanza di infrastrutture in posto per consentire alle aziende di farlo.

Il ciclo di vita dello sviluppo del machine learning è fondamentalmente diverso dal ciclo di vita dello sviluppo del software tradizionale. Nel corso degli ultimi 20 anni, le persone hanno, per lo più, capito cosa serve per far sì che il software tradizionale vada dallo sviluppo alla produzione. Comprendono il calcolo, il middleware, la rete, l’archiviazione e gli altri elementi necessari per garantire che l’app funzioni correttamente.

Purtroppo, la maggior parte delle persone sta cercando di utilizzare lo stesso ciclo di vita dello sviluppo del software (SDLC) per il ciclo di vita dello sviluppo del machine learning (MLLC). Tuttavia, il machine learning è un cambiamento di paradigma significativo. Le allocazioni delle infrastrutture sono uniche. I linguaggi e i framework sono diversi.

I modelli di machine learning possono essere creati relativamente in fretta in poche settimane, ma il processo di portare questi modelli in produzione può richiedere da sei a nove mesi a causa di processi isolati, disconnessioni tra team e traduzioni manuali e scripting dei modelli di machine learning in applicazioni esistenti.

È anche difficile monitorare e governare i modelli di machine learning una volta che sono stati implementati in produzione. Non c’è garanzia che i modelli di machine learning creati in laboratorio funzionino come previsto in produzione. E ci sono diversi fattori che potrebbero essere alla base di questo.

I vantaggi di MLOps

Quando si tratta di implementare modelli di machine learning in produzione, come menzionato, c’è molto che può andare storto. Quando IT/DevOps tenta di operazionalizzare i modelli di machine learning, questi team devono scrivere e automatizzare manualmente i diversi processi. Questi modelli vengono spesso aggiornati e ogni volta che i modelli vengono aggiornati, l’intero processo viene ripetuto.

Quando un’organizzazione ha più modelli e le diverse iterazioni di questi modelli, tenere traccia di essi diventa un enorme problema. Uno dei grandi problemi è che spesso gli strumenti che stanno utilizzando non affrontano il problema dei diversi codici e framework che sono disgiunti tra loro. Ciò può portare a problemi, che a loro volta portano a sprechi di tempo e risorse, tra gli altri problemi. La maggior parte dei team di oggi lotta anche per tenere traccia e versionare i modelli mentre li aggiornano.

MLOps aiuta a colmare il divario tra la scienza dei dati e le operazioni per gestire i cicli di vita di produzione del machine learning – in sostanza, applicando i principi di DevOps alla consegna del machine learning. Ciò consente un tempo di mercato più rapido per le soluzioni basate sul machine learning, un tasso di sperimentazione più rapido e la garanzia di qualità e affidabilità.

Utilizzando i modelli di SDLC tradizionali, potresti riuscire a realizzare uno o due modelli di machine learning all’anno, con grande fatica e inefficienza estrema. Ma con MLOps, puoi scalare, quindi puoi affrontare più problemi. Puoi utilizzare questi modelli per aiutare a targetizzare meglio i clienti potenziali, trovare clienti più rilevanti o trovare e migliorare le inefficienze. Puoi distribuire miglioramenti molto più velocemente, migliorando in ultima analisi la produttività e il profitto.

Gli elementi del successo di MLOps

MLOps non è una soluzione magica. Devi ancora avere le basi giuste e conoscere le migliori pratiche perché funzioni. Per avere successo con MLOps, devi concentrarti su due compiti principali. Il primo è capire i diversi ruoli. Devi assicurarti di avere il giusto mix di competenze e dipendenti; non trattare gli scienziati dei dati e gli ingegneri di machine learning come una sola cosa. Entrambi sono necessari, ma hai bisogno di un mix.

La seconda cosa da tenere presente è di non cercare di fare tutto da solo. MLOps è anche intensivo in termini di lavoro, richiedendo grandi team di ingegneri di machine learning. È importante pensare a cosa serve e guardare gli strumenti disponibili per aiutarti a semplificare l’approccio e ridurre il numero di persone dedicate necessarie.

Andare avanti con fiducia

Gli analisti di settore stimano che quasi la metà dei progetti di intelligenza artificiale aziendale è destinata a fallire. Ci sono diverse ragioni per questo fallimento, tra cui la cultura di un’organizzazione. Ma una ragione principale è la mancanza di tecnologia appropriata in posto per supportare il progetto. MLOps è uno strumento molto utile per aiutare le organizzazioni a raggiungere il successo nei loro progetti di intelligenza artificiale/machine learning, con un vantaggio competitivo per l’azienda.