Obtenha o Maior Retorno de Investimento em Inteligência Artificial Empresarial com MLOps – Líderes de Pensamento

Por Victor Thu, vice-presidente de sucesso e operações do cliente, Datatron.

Uma pesquisa realizada pela Gartner no final de 2020 descobriu que 75% dos respondentes planejavam continuar ou iniciar novas iniciativas de IA no ano seguinte. Ao mesmo tempo, os analistas da Gartner também descobriram que uma das principais lutas para mover as iniciativas de IA para a produção é a incapacidade dessas organizações de conectar esses investimentos ao valor empresarial.

O que é mais, estima-se amplamente que a maioria dos projetos de IA/ML fracassará. E esse fato pode tornar ainda mais difícil obter a aprovação dos principais executivos para esses investimentos. É aqui que o MLOps – Operações de Aprendizado de Máquina – pode desempenhar um papel fundamental.

O cenário atual de ML

O aprendizado de máquina oferece possibilidades profundas para as organizações, mas a realidade é que chegar a essas possibilidades pode ser caro e demorado. Então, enquanto o interesse em implementar ML é alto, a implementação real em produção permanece baixa. O principal obstáculo para trazer soluções para a produção não é a qualidade dos modelos, mas sim a falta de infraestrutura para permitir que as empresas o façam.

O ciclo de vida de desenvolvimento de aprendizado de máquina é fundamentalmente diferente do ciclo de vida de desenvolvimento de software tradicional. Nos últimos 20 anos, as pessoas, na maioria das vezes, descobriram o que é necessário para o software tradicional ir do desenvolvimento para a produção. Elas entendem o computador, middleware, rede, armazenamento e outros elementos necessários para garantir que o aplicativo esteja funcionando bem.

Infelizmente, a maioria está tentando usar o mesmo ciclo de vida de desenvolvimento de software (SDLC) para o ciclo de vida de desenvolvimento de aprendizado de máquina (MLLC). No entanto, o ML é uma mudança de paradigma significativa. As alocações de infraestrutura são únicas. As linguagens e estruturas são diferentes.

Os modelos de aprendizado de máquina podem ser criados relativamente rápido em questão de semanas, mas o processo de colocar esses modelos em produção pode levar de seis a nove meses devido a processos isolados, desconexões entre equipes e tradução e script manual de modelos de ML em aplicativos existentes.

Também é difícil monitorar e governar os modelos de aprendizado de máquina uma vez que eles tenham chegado à produção. Não há garantia de que os modelos de ML criados no laboratório funcionarão da maneira como pretendido em produção. E há vários fatores diferentes que podem estar por trás disso.

Os benefícios do MLOps

Quando se trata de implantar modelos de aprendizado de máquina em produção, como mencionado, há muito que pode dar errado. Quando a equipe de TI/DevOps tenta operacionalizar os modelos de aprendizado de máquina, essas equipes precisam criar scripts e automatizar manualmente os diferentes processos. Esses modelos são frequentemente atualizados e, a cada vez que os modelos são atualizados, o processo inteiro é repetido.

Quando uma organização tem mais e mais modelos e as diferentes iterações desses modelos, acompanhar todos eles se torna um grande problema. Um dos principais problemas é que, frequentemente, as ferramentas que estão usando não abordam o problema de diferentes bases de código e estruturas sendo desconexas entre si. Isso pode levar a problemas, o que resulta em desperdício de tempo e recursos, entre outros problemas. A maioria das equipes de hoje também luta para rastrear e controlar a versão à medida que atualizam seus modelos.

O MLOps ajuda a pontuar as divisões entre ciência de dados e operações para gerenciar os ciclos de vida de ML de produção – essencialmente aplicando princípios de DevOps à entrega de ML. Isso permite um tempo de mercado mais rápido para soluções baseadas em ML, uma taxa de experimentação mais rápida e garantia de qualidade e confiabilidade.

Usando modelos de SDLC tradicionais, você pode ser capaz de fazer um ou dois modelos de ML por ano, com grande dor e ineficiência extrema. Mas com o MLOps, você pode dimensionar, então você pode abordar vários problemas. Você pode usar esses modelos para ajudar a direcionar melhor os clientes potenciais, encontrar clientes mais relevantes ou encontrar e melhorar ineficiências. Você é capaz de lançar melhorias muito mais rápido, melhorando assim a produtividade e o lucro.

Os elementos do sucesso do MLOps

O MLOps não é uma bala de prata. Você ainda precisa ter o trabalho de base adequado e conhecer as melhores práticas para que funcione. Para ter sucesso com o MLOps, você precisa se concentrar em duas funções principais. A primeira é entender os diferentes papéis. Você precisa garantir que tenha o conjunto certo e diversificado de habilidades e funcionários; não trate os cientistas de dados e os engenheiros de aprendizado de máquina como um e o mesmo. Ambos são necessários, mas você precisa de uma mistura.

A segunda coisa a lembrar é não tentar fazer tudo sozinho. O MLOps também é trabalhoso, exigindo grandes equipes de engenheiros de ML. É importante pensar no que você precisa e olhar as ferramentas disponíveis para ajudá-lo a simplificar a abordagem e reduzir o número de pessoas dedicadas necessárias.

Avançando com confiança

Os analistas de indústria estimam que quase metade dos projetos de IA empresariais estão destinados a falhar. Há várias razões para esse fracasso, incluindo a cultura de uma organização. Mas uma razão principal é a falta de tecnologia apropriada para apoiar o projeto. O MLOps é uma ferramenta muito útil para ajudar as organizações a alcançar o sucesso em seus projetos de IA/ML, resultando em vantagem competitiva empresarial.