Obtenha o maior retorno de IA empresarial pelo seu dinheiro com MLOps – líderes de pensamento

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

Uma pesquisa por Gartner no final de 2020 descobriu que 75% dos entrevistados planejavam continuar ou iniciar novas iniciativas de IA no próximo ano. Ao mesmo tempo, os analistas do Gartner também descobriram que uma das lutas mais significativas para levar as iniciativas de IA para a produção é a incapacidade dessas organizações de conectar esses investimentos de volta ao valor comercial.

Além do mais, estima-se amplamente que a maioria dos projetos de IA/ML irá falhar. E esse facto pode tornar ainda mais difícil obter a adesão do topo para estes investimentos. É aqui que os MLOps – Operações de Aprendizado de Máquina – podem 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. Portanto, embora o interesse na implementação do ML seja alto, a implementação real da produção permanece baixa. O principal obstáculo para colocar soluções em produção não é a qualidade dos modelos, mas sim a falta de infraestrutura para permitir que as empresas façam isso.

O ciclo de vida de desenvolvimento para aprendizado de máquina é fundamentalmente diferente do ciclo de vida do desenvolvimento de software tradicional. Nos últimos 20 anos, as pessoas, em sua maioria, descobriram o que é necessário para o software tradicional ir do desenvolvimento à produção. Eles entendem a computação, 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, ML é uma mudança significativa de paradigma. As alocações de infraestrutura são únicas. As linguagens e estruturas são diferentes.

Os modelos de aprendizado de máquina podem ser criados de forma relativamente rápida 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 manual e script de modelos de ML em aplicativos existentes .

Também é difícil monitorar e controlar os modelos de aprendizado de máquina depois que eles entram em produção. Não há garantia de que os modelos de ML criados no laboratório serão executados da maneira pretendida na 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 na produção, conforme mencionado, muita coisa pode dar errado. Quando a TI/DevOps tenta operacionalizar modelos de aprendizado de máquina, essas equipes precisam criar scripts e automatizar manualmente os diferentes processos. Esses modelos são frequentemente atualizados e, cada vez que os modelos são atualizados, todo o processo é repetido.

Quando uma organização tem mais e mais modelos e as diferentes iterações desses modelos, acompanhá-los torna-se um grande problema. Um dos grandes problemas é que, muitas vezes, as ferramentas que eles estão usando não resolvem o problema de diferentes bases de código e estruturas sendo desarticuladas entre si. Isso pode levar a problemas, que resultam em desperdício de tempo e recursos, entre outros problemas. A maioria das equipes hoje também luta com rastreamento e controle de versão à medida que atualizam seus modelos.

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

Usando modelos SDLC tradicionais, você pode conseguir um ou dois modelos de ML por ano, com muita dor e com extrema ineficiência. Mas com MLOps, você pode escalar, para resolver vários problemas. Você pode usar esses modelos para ajudar a direcionar melhor clientes em potencial, encontrar clientes mais relevantes ou encontrar e melhorar ineficiências. Você pode implantar melhorias muito mais rapidamente, melhorando a produtividade e o lucro.

Os elementos do sucesso de MLOps

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

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

Seguindo em frente com confiança

Analistas do setor estimam que quase metade dos projetos corporativos de IA estão fadados ao fracasso. Existem várias razões para tal falha, incluindo a cultura de uma organização. Mas a principal razão é a falta de tecnologia apropriada para apoiar o projeto. O MLOps é uma ferramenta altamente útil para ajudar as organizações a obter sucesso em seus projetos de AI/ML, resultando em vantagem competitiva nos negócios.