Obțineți cel mai mare avantaj din inteligența artificială a întreprinderilor cu MLOps – Lideri de gândire

De Victor Thu, vicepreședinte al succesului și operațiunilor clienților, Datatron.

Un sondaj realizat de Gartner la sfârșitul anului 2020 a arătat că 75% dintre respondenți plănuiau să continue sau să înceapă noi inițiative de inteligență artificială în anul următor. În același timp, analiștii Gartner au constatat că una dintre cele mai semnificative lupte cu implementarea inițiativelor de inteligență artificială în producție este incapacitatea organizațiilor de a conecta aceste investiții la valoarea afacerii.

Mai mult, se estimează pe scară largă că majoritatea proiectelor de inteligență artificială/machine learning vor eșua. Și acest fapt poate face și mai greu să obțineți aprobarea conducerii pentru aceste investiții. Aici intervine MLOps – Operațiunile de machine learning – care poate juca un rol cheie.

Peisajul actual al machine learning-ului

Machine learning-ul oferă posibilități profunde pentru organizații, dar realitatea este că ajungerea la aceste posibilități poate fi scumpă și consumatoare de timp. Așadar, în timp ce interesul pentru implementarea machine learning-ului este ridicat, implementarea reală în producție rămâne scăzută. Principalul obstacol în ceea ce privește aducerea soluțiilor în producție nu este calitatea modelelor, ci mai degrabă lipsa infrastructurii necesare pentru a permite companiilor să o facă.

Ciclul de viață al dezvoltării machine learning-ului este fundamental diferit de ciclul de viață al dezvoltării software-ului tradițional. În ultimii 20 de ani, oamenii au înțeles, în mare măsură, ce este necesar pentru ca software-ul tradițional să treacă de la dezvoltare la producție. Ei înțeleg computarea, middleware-ul, rețelele, stocarea și alte elemente necesare pentru a asigura că aplicația rulează bine.

Din nefericire, majoritatea încearcă să folosească același ciclu de viață al dezvoltării software-ului (SDLC) pentru ciclul de viață al dezvoltării machine learning-ului (MLLC). Cu toate acestea, machine learning-ul reprezintă o schimbare semnificativă de paradigmă. Alocările de infrastructură sunt unice. Limbajele și cadrele sunt diferite.

Modelele de machine learning pot fi create relativ rapid, într-o perioadă de câteva săptămâni, dar procesul de a le aduce în producție poate dura între șase și nouă luni, din cauza proceselor izolate, a deconectărilor dintre echipe și a traducerii și scriptării manuale a modelelor de machine learning în aplicații existente.

De asemenea, este dificil să monitorizați și să guvernați modelele de machine learning odată ce acestea au intrat în producție. Nu există nicio garanție că modelele de machine learning create în laborator vor funcționa așa cum sunt intenționate în producție. Și există mai multe factori care ar putea sta în spatele acestui lucru.

Beneficiile MLOps

Atunci când vine vorba de implementarea modelelor de machine learning în producție, așa cum s-a menționat, există multe lucruri care pot merge prost. Când IT/DevOps încearcă să operaționalizeze modelele de machine learning, aceste echipe trebuie să scripteze și să automatizeze manual procesele diferite. Aceste modele sunt adesea actualizate, și de fiecare dată când modelele sunt actualizate, întregul proces este repetat.

Când o organizație are mai multe modele și diferite iterații ale acestor modele, urmărirea lor devine o problemă uriașă. Una dintre cele mai mari probleme este că, adesea, instrumentele pe care le folosesc nu abordează problema codurilor și cadrelor disjuncte între ele. Acest lucru poate duce la probleme, care rezultă în irosirea timpului și a resurselor, printre alte probleme. Majoritatea echipelor de astăzi se luptă, de asemenea, cu urmărirea și versionarea modelelor pe măsură ce le actualizează.

MLOps ajută la punerea podurilor dintre știința datelor și operațiuni pentru a gestiona ciclurile de viață ale producției de machine learning – aplicând, în esență, principiile DevOps pentru livrarea machine learning-ului. Acest lucru permite o perioadă de timp mai scurtă pentru a ajunge pe piață cu soluții bazate pe machine learning, o rată mai rapidă de experimentare și asigurarea calității și a fiabilității.

Folosind modelele tradiționale de ciclu de viață al software-ului, s-ar putea să puteți finaliza unul sau două modele de machine learning pe an, cu o mare durere și ineficiență. Dar cu MLOps, puteți scala, astfel încât puteți aborda mai multe probleme. Puteți utiliza aceste modele pentru a ajuta la vizarea mai bună a clienților potențiali, pentru a găsi clienți mai relevanți sau pentru a găsi și a îmbunătăți ineficiențele. Sunteți capabili să lansați îmbunătățiri mult mai rapid, ceea ce, în cele din urmă, îmbunătățește productivitatea și profitul.

Elementele succesului MLOps

MLOps nu este o soluție magică. Încă trebuie să aveți o bază adecvată și să cunoașteți cele mai bune practici pentru ca aceasta să funcționeze. Pentru a reuși cu MLOps, trebuie să vă concentrați pe două îndatoriri principale. Primul este înțelegerea diferitelor roluri. Trebuie să vă asigurați că aveți setul potrivit și divers de abilități și angajați; nu tratați oamenii de știință din domeniul datelor și inginerii de machine learning ca fiind una și aceeași. Ambele sunt necesare, dar aveți nevoie de un amestec.

Cel de-al doilea lucru de care trebuie să țineți cont este să nu încercați să faceți totul singuri. MLOps este, de asemenea, intensiv din punct de vedere al forței de muncă, necesitând echipe mari de ingineri de machine learning. Este important să vă gândiți la ce aveți nevoie și să examinați instrumentele disponibile pentru a vă ajuta să simplificați abordarea și să reduceți numărul de persoane dedicate necesare.

Înainte cu încredere

Analiștii de industrie estimează că aproape jumătate din proiectele de inteligență artificială ale întreprinderilor sunt condamnate să eșueze. Există mai multe motive pentru un astfel de eșec, inclusiv cultura unei organizații. Dar un motiv principal este lipsa tehnologiei adecvate pentru a sprijini proiectul. MLOps este un instrument foarte util pentru a ajuta organizațiile să obțină succes în proiectele lor de inteligență artificială/machine learning, ceea ce duce la un avantaj competitiv de afaceri.