Pata Mlio Kubwa Zaidi wa AI ya Biashara kwa Buck yako na MLOps - Viongozi wa Mawazo

Na Victor Thu, makamu wa rais wa mafanikio ya wateja na uendeshaji, Datatron.

Utafiti na Gartner mwishoni mwa 2020 iligundua kuwa 75% ya waliohojiwa walipanga kuendelea au kuanzisha mipango mipya ya AI katika mwaka ujao. Wakati huo huo, wachambuzi wa Gartner pia waligundua kuwa moja ya mapambano muhimu zaidi na kuhamisha mipango ya AI katika uzalishaji ni kutokuwa na uwezo kwa mashirika hayo kuunganisha uwekezaji huo kurudi kwa thamani ya biashara.

Zaidi ya hayo, inakadiriwa kuwa miradi mingi ya AI/ML itashindwa. Na ukweli huo unaweza kuifanya iwe ngumu zaidi kupata ununuzi kutoka juu kwenye uwekezaji huu. Hapa ndipo MLOps - Operesheni za Kujifunza kwa Mashine - zinaweza kuchukua jukumu muhimu.

Mandhari ya sasa ya ML

Kujifunza kwa mashine kunatoa uwezekano mkubwa kwa mashirika, lakini ukweli ni kwamba kufikia uwezekano huo kunaweza kuwa ghali na kuchukua muda. Kwa hivyo, ingawa nia ya kutekeleza ML ni kubwa, utekelezaji halisi wa uzalishaji unabaki kuwa mdogo. Kikwazo kikuu cha kuleta suluhu katika uzalishaji si ubora wa miundo, bali ni ukosefu wa miundombinu ili kuruhusu makampuni kufanya hivyo.

Mzunguko wa maisha ya ujifunzaji wa mashine kimsingi ni tofauti na mzunguko wa maisha wa ukuzaji wa programu za kitamaduni. Zaidi ya miaka 20 iliyopita, watu, kwa sehemu kubwa, wamefikiria nini inachukua kwa programu za jadi kutoka kwa maendeleo hadi uzalishaji. Wanaelewa komputa, vifaa vya kati, mitandao, hifadhi na vipengele vingine vinavyohitajika ili kuhakikisha kuwa programu inafanya kazi vizuri.

Kwa bahati mbaya, wengi wanajaribu kutumia kipindi kile kile cha kutengeneza programu (SDLC) kwa mzunguko wa maisha wa ukuzaji wa ujifunzaji wa mashine (MLLC). Walakini, ML ni mabadiliko muhimu ya dhana. Ugawaji wa miundombinu ni wa kipekee. Lugha na mifumo ni tofauti.

Miundo ya kujifunza kwa mashine inaweza kuundwa kwa haraka kiasi katika muda wa wiki chache, lakini mchakato wa kupata miundo hii katika uzalishaji inaweza kuchukua popote kutoka miezi sita hadi tisa kwa sababu ya michakato iliyofunikwa, kutenganisha timu kati ya timu, na kutafsiri na kuandika modeli za ML kwa matumizi yaliyopo. .

Pia ni vigumu kufuatilia na kudhibiti miundo ya mashine ya kujifunza mara tu inapoifanya kuwa ya uzalishaji. Hakuna hakikisho kwamba miundo ya ML iliyoundwa kwenye maabara itaendesha jinsi inavyokusudiwa katika uzalishaji. Na kuna sababu kadhaa tofauti ambazo zinaweza kuwa nyuma yake.

Faida za MLOps

Linapokuja suala la kupeleka miundo ya kujifunza kwa mashine katika uzalishaji, kama ilivyotajwa, kuna mengi ambayo yanaweza kwenda vibaya. Wakati IT/DevOps inapojaribu kutumia miundo ya mashine ya kujifunza, timu hizi zinahitaji kuandika mwenyewe na kufanyia michakato tofauti kiotomatiki. Mifano hizi mara nyingi zinasasishwa, na kila wakati mifano inasasishwa, mchakato mzima unarudiwa.

Wakati shirika lina miundo zaidi na zaidi na marudio tofauti ya miundo hii, ufuatiliaji wao huwa suala kubwa. Mojawapo ya maswala makubwa ni kwamba mara nyingi, zana wanazotumia hazishughulikii shida ya kanuni tofauti na mifumo kutengwa kati ya kila mmoja. Hiyo inaweza kusababisha matatizo, ambayo husababisha kupoteza muda na rasilimali, kati ya masuala mengine. Timu nyingi leo pia zinatatizika kufuatilia na kutengeneza matoleo wanaposasisha miundo yao.

MLOps husaidia kuunganisha mgawanyiko kati ya sayansi ya data na uendeshaji ili kudhibiti mzunguko wa maisha wa uzalishaji wa ML - kimsingi kwa kutumia kanuni za DevOps kwenye uwasilishaji wa ML. Hiyo huwezesha muda wa haraka wa kutafuta suluhu zenye msingi wa ML, kasi ya majaribio ya haraka zaidi, na uhakikisho wa ubora na kutegemewa.

Kwa kutumia vielelezo vya kitamaduni vya SDLC, unaweza kufanya modeli moja au mbili za ML kwa mwaka, kwa maumivu makali na kwa uzembe mkubwa. Lakini kwa MLOps, unaweza kuongeza, ili uweze kushughulikia matatizo mengi. Unaweza kutumia miundo hii ili kusaidia vyema kulenga wateja watarajiwa, kupata wateja wanaofaa zaidi au kutafuta na kuboresha utendakazi. Unaweza kufanya maboresho kwa haraka zaidi, hatimaye kuboresha tija na faida.

Vipengele vya mafanikio ya MLOps

MLOps sio risasi ya fedha. Bado unahitaji kuwa na msingi sahihi na kujua mbinu bora za kufanya kazi. Ili kufanikiwa na MLOps, unahitaji kuzingatia majukumu mawili ya msingi. Ya kwanza ni kuelewa majukumu tofauti. Unahitaji kuhakikisha kuwa unayo seti sahihi, tofauti ya ujuzi na wafanyikazi mahali; usiwachukulie wanasayansi wa data na wahandisi wa kujifunza mashine kama kitu kimoja. Zote mbili ni muhimu, lakini unahitaji mchanganyiko.

Jambo la pili kukumbuka ni usijaribu kufanya DIY yote. MLOps pia ni kazi kubwa, inayohitaji timu kubwa za wahandisi wa ML. Ni muhimu kutafakari unachohitaji na kuangalia zana zinazopatikana ili kukusaidia kurahisisha mbinu na kurahisisha idadi ya watu waliojitolea wanaohitajika.

Kwenda mbele kwa kujiamini

Wachambuzi wa sekta wanakadiria kuwa karibu nusu ya miradi ya AI ya biashara inakusudiwa kushindwa. Kuna sababu kadhaa za kutofaulu kama hiyo, pamoja na tamaduni ya shirika. Lakini sababu kuu ni ukosefu wa teknolojia inayofaa kusaidia mradi huo. MLOps ni zana muhimu sana kwa kusaidia mashirika kupata mafanikio katika miradi yao ya AI/ML, na kusababisha faida shindani ya biashara.