Четыре фактора успеха с моделями машинного обучения

Джейсон Ревелл, технический директор Datatron

Эксперты, аналитики и те, кто имеет опыт внедрения, хвалят машинное обучение (ML), что приводит к увеличению числа предприятий,采用ющих ML для различных целей. Его слава заключается в идее, что оно компьютерирует человеческое познание и дальнейшее цифровое преобразование. Однако, несмотря на то, что ML несет большую обещание, есть и обратная сторона: для команд, которые должны управлять им в производстве, работа может стать трудной.

Предприятия внедряют ML для выполнения различных задач, таких как классификация рисков для здоровья, обработка документов, прогнозирование цен, обнаружение мошенничества, профилактическое обслуживание и многое другое. Команды обучают и оценивают модели на исторических данных до тех пор, пока они не соответствуют целям производительности и точности. Предприятия стремятся получить высокую ценность от ML, прогнозируя, классифицируя или назначая будущие результаты и действуя на основе этих прогнозов.

Все эта бизнес-ценность, однако, имеет высокую операционную стоимость. Как только модель “готова”, ее автоматизация через надежные механизмы доставки создает операционные сложности и риски, которые требуют бдительности. Чтобы сделать эти проекты эффективными и результативными, команды доставки и эксплуатации должны комплексно управлять жизненным циклом ML. Данные должны быть доступны и соответствовать ожидаемому качеству по сравнению с тем, что использовалось для обучения.

Скоро становится очевидным, что это не совсем похоже на другие инженерные усилия, и вам нужно начать думать о проблемах по-новому, чтобы действительно стать компанией, основанной на искусственном интеллекте. Вот четыре вещи, которые следует учитывать для успеха с машинным обучением, и, в частности, с моделями ML.

1. Как быстро развертывать несколько версий за кулисами

Модели машинного обучения требуют итеративного процесса, основанного на реальных данных производства. Сделайте сосредоточенные инвестиции, чтобы иметь цели развертывания, которые могут запускаться и регистрировать результаты без видимости производства или клиентов. Вам нужно иметь возможность развертывать таким образом легко и гибко, пока у вас нет модели, которую вы хотите. В долгосрочной перспективе это намного более эффективно и экономично, чтобы предположить, что будет много настройки ваших моделей, а также необходимость сравнивать текущие версии с новыми кандидатами, обещающими лучшие результаты.

2. Поймите, что то, что ваша команда обещает, обычно не вписывается в традиционные, ориентированные на приложения “одобренные программные” политики.

ML быстро растет и диверсифицируется, и имеет растущий список технологических поставщиков, как больших, так и малых. Это данность, что ИТ нужно поддерживать надлежащую поддержку, сканирование безопасности и контроль за вашими операционными средами. Но будьте предупреждены: применение одних и тех же контролей и процессов для управления технологией эксплуатации или продукта к вашей практике ML, скорее всего, значительно уменьшит ваш потенциал до того, как вы даже пересекли стартовую черту.

Также важно отметить, что данные ученые находятся в высоком спросе. Им не трудно найти другую работу, если они чувствуют, что их заставляют доставлять лучшие и лучшие результаты без изменения технологии, которую они используют, или того, как они могут ее использовать.

3. Поймите, что жизненный цикл разработки модели ML не является таким же, как жизненный цикл разработки программного обеспечения

Разработка программного обеспечения и создание моделей ML – это очень разные процессы; попытка behandeln последнее как первое – это рецепт катастрофы. Предприятия, которые behandeln доставку модели как просто еще один выпуск программного обеспечения, в итоге получают пробелы в пересекающих возможностях, таких как мониторинг и анализ, и высокую нагрузку для передачи знаний между создателями и операторами, с последовательными, продленными сроками. Специалисты, которые развертывают и поддерживают ваши модели, должны понимать, как работает модель и данные, а не просто устранять неисправности и коды ошибок. Правильный талант, гибридные команды, состоящие из специалистов по данным и операционных специалистов, а также правильные инструменты позволят вам тестировать и интерпретировать не только то, как выполняется программное обеспечение, но и то, насколько точны и объяснимы ответы.

Также важно принять подход, основанный на успехе к аудиту моделей машинного обучения, поскольку они ошибочны. Если вы хотите, чтобы ваши данные ученые доверяли прогнозам моделей машинного обучения даже тогда, когда вещи идут не так (осознав, что это произойдет), то процесс аудита ML должен быть разработан так, чтобы модели ML могли быть итерированы и улучшены.

4. Планируйте масштаб.

Вам нужно развертывать инструменты машинного интеллекта, которые имеют автоматизированную систему развертывания, такую как Kubernetes или Docker Swarm. Это поможет вам достичь нескольких целей. Вы сможете запускать рабочие нагрузки машинного обучения динамически и автоматически отслеживать задачи по кластерам на наличие неисправностей с помощью алгоритмов ИИ – предупреждая операторов о потенциальных проблемах до их возникновения. Вы также сможете консолидировать аналитические отчеты из нескольких источников в один централизованный панель, чтобы убедиться, что модели машинного обучения работают так, как ожидается.

Освоить кривую обучения

Прежде чем начать проект ML, важно понять, что хотя модели ML могут предложить огромные преимущества и эффективность вашей организации, они могут приобрести жизнь свою, если не будут должным образом управляться. Знайте риски и операционные сложности с самого начала, учитывая вышеуказанные четыре совета. С прочной основой вы сможете создавать и легко изменять ваши модели ML, чтобы они служили вашим бизнес-целям.