Obțineți cel mai mare beneficiu al inteligenței artificiale pentru întreprinderi 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 constatat 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, de asemenea, 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 și învățare automată vor eșua. Și acest fapt poate face și mai greu să obțineți aprobarea de la vârf pentru aceste investiții. Aici intervine MLOps – Operațiunile de învățare automată.

Peisajul actual al învățării automate

Învățarea automată 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 învățării automate este ridicat, implementarea reală în producție rămâne scăzută. Principala barieră pentru aducerea soluțiilor în producție nu este calitatea modelului, ci mai degrabă lipsa infrastructurii pentru a permite companiilor să o facă.

Ciclul de viață al dezvoltării învățării automate este fundamental diferit de ciclul de viață al dezvoltării software tradiționale. 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 utilizeze același ciclu de viață al dezvoltării software (SDLC) pentru ciclul de viață al dezvoltării învățării automate (MLLC). Cu toate acestea, învățarea automată reprezintă o schimbare semnificativă de paradigmă. Alocările de infrastructură sunt unice. Limbajele și cadrurile sunt diferite.

Modelele de învățare automată 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 învățare automată în aplicații existente.

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

Beneficiile MLOps

Atunci când vine vorba de implementarea modelelor de învățare automată în producție, așa cum s-a menționat, există multe lucruri care pot merge prost. Când IT/DevOps încearcă să operaționalizeze modelele de învățare automată, 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 utilizează nu abordează problema codurilor și cadrului disjuncte între ele. Acest lucru poate duce la probleme, ceea ce rezultă în irosirea timpului și a resurselor, printre alte probleme. Majoritatea echipelor de astăzi se luptă, de asemenea, cu urmărirea și versionarea în timp ce actualizează modelele lor.

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

Utilizând modelele tradiționale de ciclu de viață al software-ului, s-ar putea să puteți finaliza unul sau două modele de învățare automată pe an, cu multă durere și ineficiență extremă. Dar cu MLOps, puteți scala, astfel încât puteți aborda mai multe probleme. Puteți utiliza aceste modele pentru a ajuta la o mai bună țintire a clienților potențiali, pentru a găsi clienți mai relevanți sau pentru a găsi și a îmbunătăți ineficiențele. Puteți să implementați îmbunătățiri mult mai rapid, îmbunătățind, în cele din urmă, productivitatea și profitul.

Elementele succesului MLOps

MLOps nu este o soluție magică. Încă trebuie să aveți o bază solidă și să cunoașteți cele mai bune practici pentru ca aceasta să funcționeze. Pentru a reuși cu MLOps, trebuie să vă concentrați pe două sarcini principale. Prima constă în înțelegerea diferitelor roluri. Trebuie să vă asigurați că aveți setul potrivit și divers de abilități și angajați; nu tratați oamenii de știință și inginerii de învățare automată ca fiind una și aceeași. Ambele sunt necesare, dar aveți nevoie de un amestec.

A doua lucru de care trebuie să țineți cont este să nu încercați să faceți totul singuri. MLOps este, de asemenea, solicitant din punct de vedere al forței de muncă, necesitând echipe mari de ingineri de învățare automată. Este important să gândiți ce aveți nevoie și să examinați instrumentele disponibile pentru a simplifica abordarea și a reduce numărul de persoane dedicate necesare.

Înainte cu încredere

Analiștii de industrie estimează că aproape jumătate din proiectele de inteligență artificială pentru întreprinderi sunt condamnate să eșueze. Există mai multe motive pentru un astfel de eșec, inclusiv cultura organizației. 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 și învățare automată, rezultând într-un avantaj competitiv de afaceri.