Quatro fatores para o sucesso com modelos de ML

Por Jason Revelle, CTO, Datatron

Especialistas, analistas e aqueles com experiência prática em implementação elogiam a aprendizagem de máquina (ML), levando a um número crescente de empresas a adotar a ML para uma variedade de usos. Sua fama se deve à ideia de que ela computadorizaria a cognição humana e permitiria uma transformação digital ainda maior. No entanto, embora a ML tenha um grande potencial, há um lado negativo: para as equipes que devem gerenciá-la em produção, o trabalho pode se tornar uma tarefa difícil.

As empresas estão implementando a ML para uma variedade de tarefas, como classificar riscos à saúde, processar documentos, prever preços, detectar fraude, manutenção preventiva e muito mais. As equipes treinam e avaliam modelos em dados históricos até que eles atendam aos alvos de desempenho e precisão. As empresas estão ansiosas para colher os benefícios de alto valor que a ML promete, prevendo, classificando ou prescrevendo resultados futuros – e agindo com base nessas previsões.

Todo esse valor comercial, no entanto, vem com um alto custo operacional. Uma vez que um modelo está “pronto”, sua automação por meio de mecanismos de entrega confiáveis cria complexidades operacionais e riscos que exigem vigilância. Para tornar esses projetos eficientes e eficazes, as equipes de entrega e operacionais devem gerenciar holisticamente o ciclo de vida da ML. Os dados devem estar disponíveis e ter a qualidade esperada em comparação com o que foi usado para treinamento.

Logo se torna aparente que isso não é exatamente como outros esforços de engenharia, e você precisa começar a pensar sobre os desafios de uma maneira diferente para realmente se tornar uma empresa impulsionada por IA. Aqui estão quatro coisas a considerar para o sucesso com a aprendizagem de máquina, e especificamente com modelos de ML.

1. Como ser capaz de implantar rapidamente múltiplas versões nos bastidores

Modelos de aprendizagem de máquina exigem um processo iterativo que depende de dados de produção reais. Faça investimentos focados para ter alvos de implantação que possam executar e registrar resultados sem que os sistemas de produção ou os clientes vejam esses resultados. Você precisa da capacidade de implantar dessa forma facilmente e fluidamente até que você tenha o modelo que goste. A longo prazo, é muito mais eficaz e econômico supor que haverá muitos ajustes nos seus modelos, bem como a necessidade de comparar versões atuais com novos candidatos que prometem melhores resultados.

2. Entenda que o que sua equipe está prometendo normalmente não se encaixará em políticas de software aprovado tradicionais, centradas em aplicativos.

À medida que a ML cresce e se diversifica rapidamente, ela tem uma lista cada vez maior de fornecedores de tecnologia, tanto grandes quanto pequenos. É um dado que a TI precisa manter o suporte adequado, varreduras de segurança e controles para os ambientes de operação. Mas seja avisado: aplicar os mesmos controles e processos para governar a tecnologia de hospedagem de operação ou produto para a sua prática de ML provavelmente diminuirá significativamente os seus retornos potenciais antes mesmo de você cruzar a linha de partida.

Também é importante notar que os cientistas de dados estão em alta demanda. Não é difícil para eles encontrar outro emprego se eles se sentirem pressionados a entregar resultados melhores e melhores sem mudar a tecnologia que usam ou como eles podem usá-la.

3. Entenda que o ciclo de vida do desenvolvimento do modelo de ML não é o mesmo que o ciclo de vida do desenvolvimento de software

O desenvolvimento de software e a criação de modelos de ML são processos muito diferentes; tentar tratar o último como o primeiro é uma receita para o desastre. As empresas que tratam a entrega de modelos como apenas outro lançamento de software acabam com lacunas em capacidades transversais, como monitoramento e análise, e alta sobrecarga para a transferência de conhecimento entre criadores e operadores, com prazos estendidos e sequenciais. Especialistas que implantam e suportam os seus modelos precisam entender como o modelo e os dados funcionam, e não apenas triar a confiabilidade do serviço e códigos de erro. O talento certo, equipes híbridas compostas por especialistas em dados e operacionais, juntamente com as ferramentas certas, permitirão que você teste e interprete não apenas se o software está sendo executado, mas também como as respostas são precisas e explicáveis.

Também é importante adotar uma abordagem baseada no sucesso para auditoria de modelos de aprendizagem de máquina, pois eles são falíveis. Se você quiser que os cientistas de dados da sua empresa confiem nas previsões do modelo de ML, mesmo quando as coisas dão errado (percebendo que isso acontecerá), então o processo de auditoria de ML deve ser projetado de uma forma que permita que os modelos de ML sejam iterados e melhorados.

4. Planeje para a escala.

Você precisará implantar ferramentas de inteligência de máquina que tenham um sistema de implantação automatizado, como Kubernetes ou Docker Swarm. Isso ajudará a alcançar vários objetivos. Você poderá iniciar dinamicamente cargas de trabalho de aprendizagem de máquina e monitorar tarefas automaticamente em clusters para falhas usando algoritmos de IA – alertando operadores de qualquer problema potencial antes que eles ocorram. Você também poderá consolidar relatórios de análise de várias fontes em um painel centralizado para garantir que os modelos de ML estejam funcionando como esperado.

Domine a curva de aprendizado

Antes de começar um projeto de ML, é crucial entender que, embora os modelos de ML possam oferecer vantagens e eficiências tremendas para a sua organização, eles podem tomar conta de si mesmos se não forem gerenciados corretamente. Conheça os riscos e as complexidades operacionais desde o início, mantendo em mente as quatro dicas acima. Com uma base sólida estabelecida, você poderá criar e alterar facilmente os seus modelos de ML para que eles atendam aos objetivos comerciais.