รับผลตอบแทนสูงสุดจาก Enterprise AI ด้วย MLOps – Thought Leaders

โดย Victor Thu, รองประธานฝ่ายความสำเร็จของลูกค้าและปฏิบัติการ, Datatron.

การสำรวจโดย Gartner ในช่วงปลายปี 2020 พบว่า 75% ของผู้ตอบแบบสำรวจวางแผนจะดำเนินโครงการ AI ใหม่หรือต่อเนื่องในปีหน้า ในขณะเดียวกัน นักวิเคราะห์ของ Gartner ก็พบว่าหนึ่งในความท้าทายที่สำคัญที่สุดในการนำโครงการ AI ไปสู่การผลิตคือความไม่สามารถเชื่อมโยงการลงทุนเหล่านั้นกลับไปยังมูลค่าทางธุรกิจ

สิ่งที่น่าสนใจคือ มีการประมาณการอย่างกว้างขวางว่าโครงการ AI/ML ส่วนใหญ่จะล้มเหลว และสิ่งนี้สามารถทำให้ยากต่อการได้รับการอนุมัติจากผู้บริหารระดับสูงสำหรับการลงทุนเหล่านี้ นี่คือจุดที่ MLOps – Machine Learning Operations – สามารถมีบทบาทสำคัญ

ภูมิทัศน์ ML ปัจจุบัน

การเรียนรู้ของเครื่องจักรมีศักยภาพที่ลึกซึ้งสำหรับองค์กร แต่ความเป็นจริงคือการเข้าถึงศักยภาพเหล่านั้นสามารถมีค่าใช้จ่ายสูงและใช้เวลานาน ดังนั้น แม้ว่าความสนใจในการนำ ML ไปใช้จะสูง แต่การนำไปใช้จริงในระดับการผลิตยังคงต่ำ อุปสรรคหลักในการนำโซลูชันไปสู่การผลิตไม่ใช่คุณภาพของโมเดล แต่เป็นความไม่มี基础设施ที่เหมาะสมเพื่อให้公司สามารถทำได้

วงจรชีวิตการพัฒนาเครื่องเรียนรู้ของเครื่องจักรแตกต่างจากวงจรชีวิตการพัฒนาซอฟต์แวร์แบบดั้งเดิม ในช่วง 20 ปีที่ผ่านมา ผู้คนส่วนใหญ่เข้าใจแล้วว่าต้องทำอะไรจึงจะนำซอฟต์แวร์จากขั้นตอนการพัฒนาไปสู่การผลิตได้ พวกเขารู้ว่าต้องใช้ทรัพยากรคอมพิวเตอร์ มิดเดิลแวร์ เน็ตเวิร์ก สโตร์ และองค์ประกอบอื่นๆ เพื่อให้แน่ใจว่าแอปพลิเคชันทำงานได้ดี

อย่างไม่ดี ส่วนใหญ่พยายามใช้วงจรชีวิตการพัฒนาซอฟต์แวร์แบบดั้งเดิม (SDLC) สำหรับวงจรชีวิตการพัฒนาเครื่องเรียนรู้ของเครื่องจักร (MLLC) แต่ ML เป็นการเปลี่ยนแปลงแนวคิดที่สำคัญ การจัดสรรทรัพยากรมีเอกลักษณ์เฉพาะตัว ภาษาและเฟรมเวิร์กต่างกัน

โมเดลการเรียนรู้ของเครื่องจักรสามารถสร้างได้อย่างรวดเร็วภายในไม่กี่สัปดาห์ แต่กระบวนการนำโมเดลเหล่านั้นไปสู่การผลิตสามารถใช้เวลา 6-9 เดือนเนื่องจากกระบวนการที่แยกจากกัน การไม่เชื่อมต่อระหว่างทีม และการแปลและการเขียนสคริปต์โมเดล ML ไปยังแอปพลิเคชันที่มีอยู่

ยังเป็นเรื่องยากที่จะตรวจสอบและควบคุมโมเดลการเรียนรู้ของเครื่องจักรหลังจากที่พวกมันเข้าสู่การผลิต ไม่มีการรับประกันว่าโมเดล ML ที่สร้างขึ้นในห้องปฏิบัติการจะทำงานตามที่ตั้งใจในระดับการผลิต และมีหลายปัจจัยที่อาจเป็นสาเหตุของสิ่งนี้

ประโยชน์ของ MLOps

เมื่อพูดถึงการนำโมเดลการเรียนรู้ของเครื่องจักรไปใช้ในการผลิต มีหลายสิ่งที่อาจผิดพลาดได้ เมื่อทีม IT/DevOps พยายามที่จะนำโมเดล ML ไปใช้ในการผลิต ทีมเหล่านั้นต้องเขียนสคริปต์และอัตโนมัติกระบวนการต่างๆ โมเดลเหล่านี้มักจะถูกอัปเดต และทุกครั้งที่โมเดลถูกอัปเดต กระบวนการทั้งหมดจะถูกทำซ้ำ

เมื่อองค์กรมีโมเดลและอัปเดตโมเดลมากขึ้น การติดตามพวกมันจะกลายเป็นปัญหาใหญ่ หนึ่งในปัญหาใหญ่คือเครื่องมือที่พวกเขาใช้ไม่ได้กล่าวถึงปัญหาเรื่องโค้ดเบสและเฟรมเวิร์กที่ไม่เชื่อมต่อกัน ซึ่งสามารถนำไปสู่ปัญหาและทำให้สูญเสียเวลาและทรัพยากร

MLOps ช่วยเชื่อมช่องว่างระหว่างวิทยาศาสตร์ข้อมูลและปฏิบัติการเพื่อจัดการวงจรชีวิตการผลิต ML – โดยใช้หลักการ DevOps สำหรับการส่งมอบ ML ซึ่งช่วยให้สามารถนำโซลูชัน ML ไปใช้ได้เร็วขึ้น มีการทดลองมากขึ้น และมั่นใจในคุณภาพและความน่าเชื่อถือ

โดยใช้แบบจำลอง SDLC แบบดั้งเดิม คุณอาจสามารถนำโมเดล ML 1-2 โมเดลไปใช้ได้ในหนึ่งปี แต่ด้วยความยากลำบากและไม่มีประสิทธิภาพมากนัก แต่ด้วย MLOps คุณสามารถขยายได้ และแก้ไขปัญหาหลายประการ คุณสามารถใช้โมเดลเหล่านี้เพื่อช่วยในการกำหนดเป้าหมายลูกค้าใหม่ๆ ค้นหาและปรับปรุงประสิทธิภาพการทำงาน และปล่อยการปรับปรุงออกไปได้เร็วขึ้น สุดท้ายจะช่วยเพิ่มผลผลิตและกำไร

องค์ประกอบของความสำเร็จของ MLOps

MLOps ไม่ใช่ปัจจัยเดียวที่ทำให้สำเร็จ คุณยังคงต้องมีพื้นฐานที่เหมาะสมและรู้วิธีการที่ดีที่สุดในการทำงาน เพื่อให้ประสบความสำเร็จด้วย MLOps คุณต้องมุ่งเน้นไปที่สองหน้าที่หลัก หน้าที่แรกคือการทำความเข้าใจบทบาทต่างๆ คุณต้องแน่ใจว่าคุณมีทีมงานที่มีความหลากหลายและเหมาะสม และไม่ควรปฏิบัติต่อนักวิทยาศาสตร์ข้อมูลและวิศวกร ML เป็นคนเดียวกัน ทั้งสองมีความจำเป็น แต่คุณต้องมีทีมที่มีความหลากหลาย

สิ่งที่สองที่ต้องคำนึงถึงคืออย่าพยายามทำทุกอย่างด้วยตนเอง MLOps ก็ใช้แรงงานมากและต้องการทีมวิศวกร ML จำนวนมาก มันสำคัญที่จะคิดถึงสิ่งที่คุณต้องการและดูเครื่องมือที่มีอยู่เพื่อช่วยให้การนำไปใช้ง่ายขึ้นและลดจำนวนคนในทีมที่จำเป็น

ไปข้างหน้าด้วยความมั่นใจ

นักวิเคราะห์อุตสาหกรรมประมาณการว่าโครงการ AI ขององค์กรเกือบครึ่งหนึ่งจะล้มเหลว มีหลายสาเหตุที่ทำให้ล้มเหลว รวมถึงวัฒนธรรมขององค์กร แต่สาเหตุหลักคือการไม่มีเทคโนโลยีที่เหมาะสมเพื่อสนับสนุนโครงการ MLOps เป็นเครื่องมือที่มีประโยชน์มากในการช่วยให้องค์กรมีความสำเร็จในโครงการ AI/ML ของตน ซึ่งนำไปสู่ความได้เปรียบทางธุรกิจที่แข่งขันได้