Patru factori pentru succes cu modelele ML

De Jason Revelle, CTO, Datatron

Experții, analiștii și cei cu experiență în implementarea modelelor de învățare automată (ML) laudă beneficiile acestora, ceea ce a determinat o creștere a numărului de întreprinderi care adoptă ML pentru diverse utilizări. Reputația sa se bazează pe ideea că ar putea computeriza cogniția umană și să permită transformarea digitală. Cu toate acestea, deși ML are un potențial uriaș, există și un dezavantaj: pentru echipele care trebuie să le gestioneze în producție, munca poate deveni o sarcină dificilă.

Întreprinderile implementează ML pentru diverse sarcini, cum ar fi clasificarea riscurilor pentru sănătate, procesarea documentelor, previziunea prețurilor, detectarea fraudelor, întreținerea preventivă și multe altele. Echipele instruiesc și evaluează modele pe baza datelor istorice până când acestea par să se potrivească cu țintele de performanță și acuratețe. Întreprinderile sunt interesate să obțină beneficii de valoare ridicată prin previziune, clasificare sau prescriere a rezultatelor viitoare și să acționeze în conformitate cu aceste previziuni.

Toată această valoare comercială, totuși, vine la un cost operațional ridicat. Odată ce un model este “gata”, automatizarea sa prin mecanisme de livrare fiabile creează complexități operaționale și riscuri care necesită vigilență. Pentru a face aceste proiecte eficiente și eficace, echipele de livrare și operaționale trebuie să gestioneze în mod holistic ciclul de viață al ML. Datele trebuie să fie disponibile și să aibă calitatea așteptată în comparație cu cele utilizate pentru instruire.

Curând devine evident că acest lucru nu este deloc similar cu alte eforturi de inginerie, și trebuie să începeți să gândiți în moduri noi despre provocări pentru a deveni cu adevărat o companie bazată pe inteligență artificială. Iată patru lucruri de luat în considerare pentru a avea succes cu învățarea automată, și în special cu modelele ML.

1. Cum să puteți implementa rapid multiple versiuni în spatele scenei

Modelele de învățare automată necesită un proces iterativ care se bazează pe date reale de producție. Faceți investiții concentrate pentru a avea ținte de implementare care pot rula și înregistra rezultate fără ca sistemele de producție sau clienții să vadă aceste rezultate. Aveți nevoie de capacitatea de a implementa în acest mod ușor și fluent până când aveți modelul pe care îl doriți. Pe termen lung, este mult mai eficient și economic să presupuneți că va exista o ajustare considerabilă a modelelor dvs., precum și o nevoie de a compara versiunile actuale cu noi candidați care promit rezultate mai bune.

2. Înțelegeți că ceea ce promite echipa dvs. nu se va potrivi de obicei în politici tradiționale, centrate pe aplicații, de “software aprobat”.

Pe măsură ce ML crește și se diversifică rapid, are o listă în creștere a furnizorilor de tehnologie, atât mari, cât și mici. Este un lucru dat că IT trebuie să mențină suportul corespunzător, scanări de securitate și controale pentru mediile dvs. de operare. Dar fiți avertizați: aplicarea acelorași controale și procese pentru guvernarea tehnologiei de operare sau de găzduire a produselor pentru practica dvs. ML va diminua probabil în mod semnificativ randamentul dvs. potențial înainte de a trece linia de start.

De asemenea, este important de remarcat că oamenii de știință din domeniul datelor sunt foarte solicitati. Nu este dificil pentru ei să găsească un alt loc de muncă dacă simt că sunt presați să ofere rezultate tot mai bune fără a schimba tehnologia pe care o folosesc sau modul în care o pot folosi.

3. Înțelegeți că ciclul de viață al dezvoltării modelului ML nu este același cu cel al ciclului de viață al dezvoltării software.

Dezvoltarea software și crearea modelelor ML sunt procese foarte diferite; încercarea de a trata cel de-al doilea ca și cum ar fi primul este o rețetă pentru dezastru. Întreprinderile care tratează livrarea modelului ca o simplă lansare de software se confruntă cu lacune în capacitățile transversale, cum ar fi monitorizarea și analiza, și au o sarcină ridicată pentru transferul de cunoștințe între creatori și operatori, cu timpi sequențiali și prelungiți. Specialiștii care implementează și susțin modelele dvs. trebuie să înțeleagă modul în care funcționează modelul și datele, și nu doar să rezolve probleme de fiabilitate a serviciului și coduri de eroare. Talentele potrivite, echipe hibride formate din specialiști în date și operaționale, împreună cu instrumentele potrivite, vă vor permite să testați și să interpretați nu numai dacă software-ul este executat, ci și cât de precis și explicabil sunt răspunsurile.

De asemenea, este important să adoptați o abordare bazată pe succes pentru auditarea modelelor de învățare automată, deoarece acestea sunt supuse erorilor. Dacă doriți ca oamenii de știință din domeniul datelor din compania dvs. să aibă încredere în previziunile modelului ML, chiar și atunci când lucrurile merg prost (realizând că acest lucru se va întâmpla), atunci procesul de audit al ML ar trebui să fie proiectat astfel încât să permită modelelor ML să fie iterate și îmbunătățite.

4. Planificați pentru scalare.

Veți avea nevoie de a implementa instrumente de inteligență artificială care au un sistem de implementare automată, cum ar fi Kubernetes sau Docker Swarm. Acest lucru vă va ajuta să atingeți multiple obiective. Veți putea să creați dinamic sarcini de lucru ML și să monitorizați automat sarcinile pe cluster pentru a detecta eșecuri utilizând algoritmi AI – alertând operatorii cu privire la orice probleme potențiale înainte de a apărea. De asemenea, veți putea să consolidați rapoarte de analiză din multiple surse într-un singur panou de control centralizat pentru a vă asigura că modelele ML funcționează așa cum se așteaptă.

Stăpâniți curba de învățare

Înainte de a începe un proiect ML, este esențial să înțelegeți că, deși modelele ML pot oferi avantaje și eficiențe uriașe pentru organizația dvs., ele pot lua o viață proprie dacă nu sunt gestionate corespunzător. Cunoașteți riscurile și complexitățile operaționale de la început, ținând cont de cele patru sfaturi de mai sus. Cu o bază solidă în loc, veți putea crea și modifica ușor modelele ML astfel încât să servească obiectivelor dvs. comerciale.