สี่ปัจจัยที่ทำให้โมเดล ML ประสบความสำเร็จ

โดย Jason Revelle, CTO, Datatron

ผู้เชี่ยวชาญ นักวิเคราะห์ และผู้ที่มีประสบการณ์ในการนำไปใช้งานจริงต่างชื่นชม machine learning (ML) ซึ่งทำให้จำนวนองค์กรที่นำ ML ไปใช้เพิ่มมากขึ้น ML มีชื่อเสียงในเรื่องการทำให้การคิดของมนุษย์เป็นแบบอัตโนมัติและช่วยให้การเปลี่ยนแปลงดิจิทัลเกิดขึ้นได้ อย่างไรก็ตาม แม้ว่า ML จะมีผลลัพธ์ที่ดี แต่ก็มีจุดด้วยที่ทำให้ทีมที่ต้องจัดการ ML ในการผลิตงานพบปัญหา

องค์กรต่างๆ นำ ML ไปใช้ในการทำงานหลายอย่าง เช่น การจัดประเภทความเสี่ยงด้านสุขภาพ การประมวลผลเอกสาร การคาดการณ์ราคา การตรวจจับการฉ้อโกง การบำรุงรักษาเชิงป้องกัน และอื่นๆ ทีมงานฝึกและประเมินโมเดลโดยใช้ข้อมูลในอดีตจนกว่าจะพบว่าเหมาะสมกับเป้าหมายการทำงานและความแม่นยำ องค์กรต่างๆ ต้องการที่จะเก็บเกี่ยวผลประโยชน์ที่มีค่าจากการคาดการณ์ การจัดประเภท หรือการแนะนำผลลัพธ์ในอนาคต และดำเนินการตามการคาดการณ์เหล่านั้น

คุณค่าทางธุรกิจทั้งหมดนี้มีค่าใช้จ่ายในการดำเนินงานสูง เมื่อโมเดล “พร้อมแล้ว” การทำให้โมเดลทำงานอัตโนมัติผ่านกลไกการนำส่งที่เชื่อถือได้จะสร้างความซับซ้อนและความเสี่ยงในการดำเนินงานที่ต้องการความตื่นตัว เพื่อให้โครงการเหล่านี้มีประสิทธิภาพและประสิทธิผล ทีมงานในการส่งมอบและดำเนินงานจะต้องจัดการวงจรชีวิตของ ML อย่างครอบคลุม ข้อมูลจะต้องพร้อมใช้งานและเป็นไปตามคุณภาพที่คาดหวังเมื่อเทียบกับข้อมูลที่ใช้ในการฝึก

เมื่อเวลาผ่านไป ก็จะเห็นได้ชัดว่าการทำงานนี้ไม่เหมือนกับการทำงานวิศวกรรมอื่นๆ และคุณจำเป็นต้องเริ่มคิดถึงความท้าทายใหม่ๆ เพื่อที่จะ真正เป็นองค์กรที่ใช้ AI ได้จริงๆ มี 4 สิ่งที่ต้องพิจารณาเพื่อความสำเร็จกับ machine learning และเฉพาะกับโมเดล ML

1. วิธีการในการติดตั้งหลายเวอร์ชันอย่างรวดเร็วเบื้องหลัง

โมเดล machine learning ต้องการกระบวนการแบบทำซ้ำที่อาศัยข้อมูลการผลิตจริง ควรลงทุนในการมีเป้าหมายในการติดตั้งที่สามารถทำงานและบันทึกผลลัพธ์โดยไม่ให้ระบบการผลิตหรือลูกค้าเห็นผลลัพธ์เหล่านั้น คุณต้องการความสามารถในการติดตั้งได้อย่างง่ายดายและคล่องตัวจนกว่าคุณจะมีโมเดลที่คุณชอบ ในระยะยาว จะมีประสิทธิภาพและคุ้มค่ามากกว่าถ้าสมมติว่าจะมีการปรับแต่งโมเดลของคุณบ่อยๆ และมีความจำเป็นต้องเปรียบเทียบเวอร์ชันปัจจุบันกับเวอร์ชันใหม่ที่สัญญาว่าจะให้ผลลัพธ์ที่ดีกว่า

2. ทำความเข้าใจว่าสิ่งที่ทีมของคุณสัญญาว่าจะไม่เข้ากับนโยบาย “ซอฟต์แวร์ที่ได้รับการอนุมัติ” แบบดั้งเดิมที่มีศูนย์กลางอยู่ที่แอปพลิเคชัน

ML เติบโตและกระจายตัวเร็ว โดยมีรายชื่อผู้ให้บริการเทคโนโลยีที่ยาวขึ้นเรื่อยๆ ทั้งขนาดใหญ่และเล็ก IT ต้องดูแลการสนับสนุน การสแกนความปลอดภัย และการควบคุมสภาพแวดล้อมการทำงานให้เหมาะสม แต่ต้องระวังว่าการนำการควบคุมและกระบวนการเดียวกับที่ใช้ในการจัดการเทคโนโลยีการทำงานหรือการโฮสต์ผลิตภัณฑ์มาใช้กับการปฏิบัติงาน ML ของคุณอาจจะลดผลตอบแทนของคุณอย่างมากก่อนที่คุณจะเริ่มต้น

ยังสำคัญที่จะทราบว่านักวิทยาศาสตร์ข้อมูลมีความต้องการสูง และไม่ยากที่พวกเขาจะหางานใหม่ได้หากพวกเขารู้สึกว่าถูกกดดันให้ให้ผลลัพธ์ที่ดีขึ้นโดยไม่เปลี่ยนเทคโนโลยีที่ใช้หรือวิธีการใช้งาน

3. ทำความเข้าใจว่าวงจรชีวิตของการพัฒนาโมเดล ML ไม่เหมือนกับวงจรชีวิตของการพัฒนาซอฟต์แวร์

การสร้างซอฟต์แวร์และการสร้างโมเดล ML เป็นกระบวนการที่แตกต่างกัน การพยายามที่จะรักษาโมเดล ML เหมือนกับการปล่อยซอฟต์แวร์เป็นเรื่องที่จะนำไปสู่ความล้มเหลว องค์กรที่รักษาการส่งมอบโมเดลเป็นเพียงการปล่อยซอฟต์แวร์จะมีช่องว่างในความสามารถที่ตัดขวาง เช่น การติดตามและวิเคราะห์ และจะมีค่าใช้จ่ายสูงในการถ่ายทอดความรู้ระหว่างผู้สร้างและผู้ดำเนินการ โดยมีระยะเวลาเรียงซ้อนและยาวนาน ผู้เชี่ยวชาญที่ติดตั้งและสนับสนุนโมเดลของคุณต้องเข้าใจว่าโมเดลและข้อมูลทำงานอย่างไร ไม่ใช่แค่การแก้ไขความน่าเชื่อถือของบริการและรหัสข้อผิดพลาดเท่านั้น ทีมที่มีความสามารถผสมผสานระหว่างผู้เชี่ยวชาญด้านข้อมูลและผู้เชี่ยวชาญด้านการดำเนินงานพร้อมด้วยเครื่องมือที่เหมาะสมจะช่วยให้คุณสามารถทดสอบและตีความไม่เพียงแต่ซอฟต์แวร์ทำงานอย่างไร แต่ยังรวมถึงความแม่นยำและความสามารถในการอธิบายผลลัพธ์ด้วย

ยังสำคัญที่จะนำแนวทาง ความสำเร็จ มาใช้ในการตรวจสอบโมเดล ML เพราะโมเดลเหล่านี้มีข้อผิดพลาด หากคุณต้องการให้นักวิทยาศาสตร์ข้อมูลในบริษัทของคุณเชื่อถือการคาดการณ์ของโมเดล ML แม้ว่าสิ่งต่างๆ จะผิดพลาด (และจะเกิดขึ้น) การตรวจสอบโมเดล ML ควรได้รับการออกแบบเพื่อให้โมเดลเหล่านี้สามารถปรับปรุงและพัฒนาได้

4. วางแผนสำหรับการขยายขนาด

คุณจะต้องติดตั้งเครื่องมืออัจฉริยะที่มีระบบการปรับใช้อัตโนมัติ เช่น Kubernetes หรือ Docker Swarm ซึ่งจะช่วยให้คุณบรรลุวัตถุประสงค์หลายอย่าง คุณจะสามารถเรียกใช้การทำงานของ ML ได้อย่าง 动态และติดตามงานอัตโนมัติข้ามคลัสเตอร์สำหรับการล้มเหลวโดยใช้อัลกอริทึม AI ซึ่งจะเตือนผู้ดำเนินการเกี่ยวกับปัญหาที่อาจเกิดขึ้นก่อนที่จะเกิดขึ้น คุณยังสามารถรวมรายงานการวิเคราะห์จากแหล่งต่างๆ เข้ากับแดชบอร์ดกลางเพื่อให้แน่ใจว่าโมเดล ML ทำงานตามที่คาดหวัง

การเรียนรู้ที่จะเอาชนะความท้าทาย

ก่อนที่จะเริ่มโครงการ ML คุณควรเข้าใจว่าแม้ว่าโมเดล ML จะให้ผลประโยชน์และความэффективที่ยอดเยี่ยมแก่องค์กรของคุณ แต่ก็สามารถมีชีวิตของตนเองได้หากไม่ได้รับการจัดการอย่างเหมาะสม รู้จักความเสี่ยงและความซับซ้อนในการดำเนินงานตั้งแต่เริ่มต้น โดยคำนึงถึงคำแนะนำ 4 ข้อข้างต้น ด้วยรากฐานที่มั่นคง คุณจะสามารถสร้างและปรับเปลี่ยนโมเดล ML ของคุณได้อย่างง่ายดาย เพื่อให้โมเดลเหล่านั้นรองรับเป้าหมายทางธุรกิจของคุณ