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

Di Victor Thu, vicepresidente del successo e delle operazioni dei clienti, Datatron.

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

C’è di più, è ampiamente stimato che la maggior parte dei progetti di apprendimento automatico fallirà. E questo fatto può rendere ancora più difficile ottenere l’approvazione dei dirigenti per questi investimenti. È qui che MLOps – Machine Learning Operations – può svolgere un ruolo chiave.

Il panorama attuale dell’apprendimento automatico

L’apprendimento automatico offre possibilità profonde per le organizzazioni, ma la realtà è che raggiungere quelle possibilità può essere costoso e lungo. Quindi, mentre l’interesse per l’implementazione dell’apprendimento automatico è alto, l’implementazione effettiva nella produzione rimane bassa. L’ostacolo principale per portare le soluzioni nella 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 dell’apprendimento automatico è fondamentalmente diverso dal ciclo di vita dello sviluppo software tradizionale. Negli ultimi 20 anni, le persone hanno, per lo più, capito cosa serve per far sì che il software tradizionale vada dallo sviluppo alla produzione. Capiscono 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 di sviluppo software (SDLC) per il ciclo di vita di sviluppo dell’apprendimento automatico (MLLC). Tuttavia, l’apprendimento automatico è un cambiamento di paradigma significativo. Le allocazioni di infrastrutture sono uniche. I linguaggi e i framework sono diversi.

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

È anche difficile monitorare e gestire i modelli di apprendimento automatico una volta che sono stati introdotti nella produzione. Non c’è garanzia che i modelli di apprendimento automatico creati in laboratorio funzionino come previsto nella produzione. E ci sono diversi fattori che potrebbero essere alla base di ciò.

I vantaggi di MLOps

Quando si tratta di distribuire modelli di apprendimento automatico nella produzione, come menzionato, c’è molto che può andare storto. Quando IT/DevOps tenta di operazionalizzare i modelli di apprendimento automatico, questi team devono manualmente scriptare e automatizzare 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 e 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 si traducono in perdite di tempo e risorse, tra gli altri problemi. La maggior parte dei team di oggi lotta anche per tenere traccia e versionare mentre aggiornano i loro modelli.

MLOps aiuta a colmare le lacune tra la scienza dei dati e le operazioni per gestire i cicli di vita di produzione dell’apprendimento automatico – essenzialmente applicando i principi di DevOps alla consegna dell’apprendimento automatico. Ciò consente un tempo di mercato più rapido per le soluzioni basate sull’apprendimento automatico, un tasso di sperimentazione più rapido e la garanzia di qualità e affidabilità.

Utilizzando modelli di ciclo di vita di sviluppo software tradizionale, potresti essere in grado di realizzare uno o due modelli di apprendimento automatico all’anno, con grande dolore e con estrema inefficienza. 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 definitiva la produttività e il profitto.

Gli elementi del successo di MLOps

MLOps non è una soluzione miracolosa. 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 apprendimento automatico come la stessa cosa. Entrambi sono necessari, ma hai bisogno di un mix.

La seconda cosa da tenere presente è non cercare di farlo tutto da solo. MLOps è anche intensivo in termini di lavoro, richiedendo grandi team di ingegneri di apprendimento automatico. 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 sono destinati a fallire. Ci sono diversi motivi per tale fallimento, tra cui la cultura di un’organizzazione. Ma un motivo principale è la mancanza di tecnologia adeguata per supportare il progetto. MLOps è uno strumento molto utile per aiutare le organizzazioni a raggiungere il successo nei progetti di intelligenza artificiale/apprendimento automatico, risultando in un vantaggio competitivo aziendale.