Fyra faktorer för framgång med ML-modeller

Av Jason Revelle, CTO, Datatron

Experter, analytiker och de som har praktisk erfarenhet av att implementera maskinlärning (ML) berömmer det och det har lett till att allt fler företag antar ML för olika ändamål. Dess rykte bygger på idén att det skulle kunna datorisera mänskligt tänkande och ytterligare möjliggöra digital transformation. Men trots att ML har stora löften, finns det en baksida: för teamen som måste hantera det i produktion, kan arbetet bli en svår uppgift.

Företag implementerar ML för en mängd olika uppgifter, såsom att klassificera hälsorisker, bearbeta dokument, förutsäga priser, upptäcka bedrägeri, förebyggande underhåll och mer. Team tränar och utvärderar modeller på historiska data tills de verkar uppfylla prestanda- och noggrannhetsmål. Företag är angelägna om att skörda de höga värden som ML lovar genom att förutsäga, klassificera eller förskriva framtida resultat – och agera på dessa förutsägelser.

Allt detta affärsvärde kommer dock till en hög operativ kostnad. När en modell är “klar”, skapar dess automatisering genom tillförlitliga leveransmekanismer operativa komplexiteter och risker som kräver vaksamhet. För att göra dessa projekt effektiva och effektiva, måste leverans- och operativteam hantera ML-livscykeln holistiskt. Data måste vara tillgängliga och av den förväntade kvaliteten i jämförelse med vad som användes för utbildning.

Det blir snart uppenbart att detta inte är som andra ingenjörsinsatser, och du måste börja tänka på utmaningarna på nya sätt för att verkligen bli ett AI-drivet företag. Här är fyra saker att överväga för framgång med maskinlärning, och specifikt med ML-modeller.

1. Hur man kan snabbt distribuera flera versioner bakom kulisserna

Maskinlärningsmodeller kräver en iterativ process som är beroende av riktiga produktionsdata. Gör fokuserade investeringar för att ha distributionsmål som kan köras och logga resultat utan att produktionssystem eller kunder ser dessa resultat. Du behöver möjligheten att distribuera på detta sätt lätt och flytande tills du har den modell du gillar. På lång sikt är det mycket mer effektivt och ekonomiskt att anta att det kommer att finnas mycket justering av dina modeller, samt ett behov av att jämföra nuvarande versioner med nya kandidater som lovar bättre resultat.

2. Förstå att vad ditt team lovar vanligtvis inte passar inom traditionella, applikationscentrerade “godkända programvarupolicyer”.

Så snart ML växer och diversifieras, har det en alltmer växande lista över teknikutvecklare, både stora och små. Det är en given att IT måste upprätthålla ordentligt stöd, säkerhetsskanningar och kontroller för era driftsmiljöer. Men varnas: att tillämpa samma kontroller och processer för att styra drifts- eller produktvärdteknik på er ML-praxis kommer troligen att minska era potentiella avkastningar avsevärt innan ni ens har passerat startlinjen.

Det är också viktigt att notera att dataforskare är eftertraktade. Det är inte svårt för dem att hitta ett annat jobb om de känner att de pressas att leverera bättre och bättre resultat utan att ändra den teknik de använder eller hur de kan använda den.

3. Förstå att ML-modellens livscykel inte är densamma som en programvarulivscykel

Programvaruutveckling och skapande av ML-modeller är mycket olika processer; att försöka behandla den senare som den förra är ett recept för katastrof. Företag som behandlar modellleverans som bara en annan programvarurelease slutar med luckor i tvärgående funktioner som övervakning och analys, och höga kostnader för kunskapsöverföring mellan skapare och operatörer, med sekventiella, utdragna tidsplaner. Specialister som distribuerar och stöder era modeller måste förstå hur modellen och data fungerar, inte bara felsöka tjänstens tillförlitlighet och felkoder. Rätt talang, hybridteam bestående av data- och operativspecialister, tillsammans med rätt verktyg, kommer att möjliggöra för er att testa och tolka inte bara om programvaran körs, utan också hur exakt och förklarlig svaren är.

Det är också viktigt att anta en framgångsbaserad ansats till granskning av maskinlärningsmodeller eftersom de är felbara. Om du vill att ditt företags dataforskare ska lita på sina maskinlärningsmodellprediktioner, även när saker och ting går fel (förstå att detta kommer att hända), då bör ML-granskningsprocessen utformas så att maskinlärningsmodeller kan itereras och förbättras.

4. Planera för skala.

Du kommer att behöva distribuera maskinintelligensverktyg som har ett automatiserat distributionsystem som till exempel Kubernetes eller Docker Swarm. Detta kommer att hjälpa dig att uppnå flera mål. Du kommer att kunna starta maskinlärningsarbetsbelastningar dynamiskt och övervaka uppgifter automatiskt över kluster för fel med hjälp av AI-algoritmer – varna operatörer för eventuella potentiella problem innan de uppstår. Du kommer också att kunna konsolidera analyserapporter från flera källor till en centraliserad instrumentpanel för att säkerställa att maskinlärningsmodellerna fungerar som förväntat.

Mästera inlärningskurvan

Innan du påbörjar ett ML-projekt är det avgörande att förstå att ML-modeller kan erbjuda stora fördelar och effektiviteter för ditt företag, men de kan ta på sig ett eget liv om de inte hanteras ordentligt. Känna till riskerna och de operativa komplexiteterna från början, med ovanstående fyra tips i åtanke. Med en solid grund på plats kommer du att kunna skapa och enkelt ändra dina ML-modeller så att de tjänar dina affärsmål, till din organisation, de kan ta på sig ett eget liv om de inte hanteras ordentligt. Känna till riskerna och de operativa komplexiteterna från början, med ovanstående fyra tips i åtanke. Med en solid grund på plats kommer du att kunna skapa och enkelt ändra dina ML-modeller så att de tjänar dina affärsmål.