ผู้นำทางความคิด
รับผลตอบแทน AI ระดับองค์กรที่มากที่สุดด้วย MLOps – Thought Leaders
โดย Victor Thu, รองประธานฝ่ายความสำเร็จและปฏิบัติการของลูกค้า, Datatron.
การสำรวจของ Gartner ในช่วงปลายปี 2020 พบว่า 75% ของผู้ตอบแบบสำรวจวางแผนจะดำเนินการต่อหรือเริ่มโครงการ AI ใหม่ๆ ในช่วงปีถัดไป ในเวลาเดียวกัน นักวิเคราะห์ของ Gartner ยังพบว่าหนึ่งในความท้าทายที่สำคัญที่สุดในการนำโครงการ AI ไปสู่การผลิตคือความไม่สามารถเชื่อมโยงการลงทุนเหล่านั้นกลับไปยังคุณค่าทางธุรกิจ
สิ่งที่น่าสังเกตยิ่งขึ้นคือ มีการประมาณการอย่างกว้างขวางว่าโครงการ AI/ML ส่วนใหญ่จะล้มเหลว และข้อเท็จจริงนี้สามารถทำให้ยากขึ้นในการได้รับการอนุมัติจากผู้บริหารระดับสูงสำหรับการลงทุนเหล่านี้ นี่คือจุดที่ MLOps – Machine Learning Operations – สามารถมีบทบาทสำคัญ
ภูมิทัศน์ปัจจุบันของ ML
การเรียนรู้ของเครื่องจักรมีศักยภาพที่ลึกซึ้งสำหรับองค์กร แต่ความเป็นจริงคือการเข้าถึงศักยภาพเหล่านั้นสามารถมีค่าใช้จ่ายสูงและใช้เวลานาน ดังนั้น ในขณะที่ความสนใจในการนำ ML ไปใช้นั้นสูง แต่การนำไปใช้จริงในระดับการผลิตยังคงต่ำ อุปสรรคหลักในการนำโซลูชันไปสู่การผลิตไม่ใช่คุณภาพของโมเดล แต่เป็นขาดโครงสร้างพื้นฐานที่จะทำให้บริษัทสามารถทำได้
ชีวิตการทำงานของการเรียนรู้ของเครื่องจักรแตกต่างจากชีวิตการทำงานของการพัฒนาซอฟต์แวร์แบบดั้งเดิม ในช่วง 20 ปีที่ผ่านมา ผู้คนส่วนใหญ่เข้าใจแล้วว่าต้องทำอะไรจึงจะนำซอฟต์แวร์แบบดั้งเดิมจากพัฒนาการไปสู่การผลิต พวกเขารู้ว่าต้องใช้การคำนวณ มิดเดิลแวร์ เน็ตเวิร์ก สโตร์เรจ และองค์ประกอบอื่นๆ เพื่อให้แน่ใจว่าแอปพลิเคชันทำงานได้ดี
อย่างไรก็ตาม ส่วนใหญ่พยายามใช้ชีวิตการทำงานของซอฟต์แวร์แบบดั้งเดิม (SDLC) สำหรับชีวิตการทำงานของการเรียนรู้ของเครื่องจักร (MLLC) แต่ ML เป็นการเปลี่ยนแปลงรูปแบบที่สำคัญ การจัดสรรโครงสร้างพื้นฐานมีเอกลักษณ์เฉพาะตัว ภาษาและเฟรมเวิร์กต่างกัน
โมเดลการเรียนรู้ของเครื่องจักรสามารถสร้างได้อย่างรวดเร็วในเวลาเพียงไม่กี่สัปดาห์ แต่กระบวนการนำโมเดลเหล่านี้ไปสู่การผลิตสามารถใช้เวลา 6-9 เดือนเนื่องจากกระบวนการที่แยกจากกัน การไม่เชื่อมต่อระหว่างทีม และการแปลและเขียนสคริปต์โมเดล ML เป็นแอปพลิเคชันที่มีอยู่
ยังยากที่จะตรวจสอบและควบคุมโมเดลการเรียนรู้ของเครื่องจักรหลังจากที่พวกมันเข้าสู่การผลิต ไม่มีการรับประกันว่าโมเดล ML ที่สร้างขึ้นในห้องปฏิบัติการจะทำงานตามที่ตั้งใจไว้ในการผลิต และมีหลายปัจจัยที่อาจเป็นสาเหตุของสิ่งนี้
ประโยชน์ของ MLOps
เมื่อพูดถึงการนำโมเดลการเรียนรู้ของเครื่องจักรไปใช้ในการผลิต มีหลายสิ่งที่สามารถผิดพลาดได้ เมื่อทีม IT/DevOps พยายามที่จะนำโมเดลการเรียนรู้ของเครื่องจักรไปใช้ ทีมเหล่านี้จำเป็นต้องเขียนสคริปต์และทำให้กระบวนการต่างๆ เป็นอัตโนมัติ โมเดลเหล่านี้มักจะถูกอัปเดต และทุกครั้งที่โมเดลถูกอัปเดต กระบวนการทั้งหมดจะถูกทำซ้ำ
เมื่อองค์กรมีโมเดลมากขึ้นและอัปเดตโมเดลเหล่านั้น การติดตามพวกมันจะกลายเป็นปัญหาใหญ่ หนึ่งในปัญหาที่ใหญ่ที่สุดคือเครื่องมือที่พวกเขาใช้ไม่ได้กล่าวถึงปัญหาเรื่องฐานโค้ดและเฟรมเวิร์กที่แยกจากกัน ซึ่งสามารถนำไปสู่ปัญหาได้ ซึ่งจะส่งผลให้สูญเสียเวลาและทรัพยากร รวมถึงปัญหาอื่นๆ ทีมส่วนใหญ่ในปัจจุบันยังต้องดิ้นรนในการติดตามและจัดการรุ่นเมื่ออัปเดตโมเดลของพวกเขา
MLOps ช่วยเชื่อมช่องว่างระหว่างวิทยาศาสตร์ข้อมูลและปฏิบัติการเพื่อจัดการชีวิตการทำงานของ ML ในการผลิต – โดยพื้นฐานแล้วคือการนำหลักการของ DevOps ไปใช้กับการส่งมอบ ML ซึ่งทำให้สามารถเข้าสู่ตลาดได้เร็วขึ้นสำหรับโซลูชัน ML มีการทดลองอย่างรวดเร็ว และมั่นใจในคุณภาพและความน่าเชื่อถือ
โดยใช้โมเดล SDLC แบบดั้งเดิม คุณอาจสามารถนำโมเดล ML 1-2 โมเดลไปใช้ได้ในหนึ่งปี แต่จะมีความเจ็บปวดและไม่มีประสิทธิภาพมาก แต่ด้วย MLOps คุณสามารถขยายขนาดได้ จึงสามารถแก้ไขปัญหาหลายอย่างได้ คุณสามารถใช้โมเดลเหล่านี้เพื่อช่วยในการกำหนดเป้าหมายลูกค้าใหม่ๆ ที่เกี่ยวข้องมากขึ้น ค้นหาและปรับปรุงความไม่มีประสิทธิภาพ คุณสามารถปล่อยการปรับปรุงได้เร็วขึ้น สุดท้ายจะช่วยปรับปรุงประสิทธิภาพการผลิตและผลกำไร
องค์ประกอบของความสำเร็จของ MLOps
MLOps ไม่ใช่กระสุนเงิน คุณยังคงต้องมีพื้นฐานและรู้วิธีการปฏิบัติที่ดีที่สุดเพื่อให้ได้ผล เพื่อให้ประสบความสำเร็จด้วย MLOps คุณต้องมุ่งเน้นไปที่หน้าที่หลักสองประการ ประการแรกคือการเข้าใจบทบาทที่แตกต่างกัน คุณต้องแน่ใจว่าคุณมีทีมงานที่มีความหลากหลายและทักษะที่เหมาะสมอยู่ในตำแหน่ง; อย่าให้นักวิทยาศาสตร์ข้อมูลและวิศวกร ML เป็นคนเดียวกัน ทั้งสองคนจำเป็นต้องมี แต่คุณต้องมีทีมที่มีความหลากหลาย
สิ่งที่สองที่ต้องคำนึงถึงคืออย่าพยายามทำทุกอย่างด้วยตนเอง MLOps ก็ใช้แรงงานมากเช่นกัน โดยต้องการทีมวิศวกร ML จำนวนมาก มันสำคัญที่จะคิดถึงสิ่งที่คุณต้องการและดูเครื่องมือที่มีอยู่เพื่อช่วยให้คุณทำให้แนวทางนี้ง่ายขึ้นและลดจำนวนคนอุทิศที่ต้องการ
การดำเนินการต่อด้วยความมั่นใจ
นักวิเคราะห์ทางอุตสาหกรรมประมาณการว่าโครงการ AI ระดับองค์กรเกือบครึ่งหนึ่งกำลังจะล้มเหลว มีหลายสาเหตุของความล้มเหลว รวมถึงวัฒนธรรมขององค์กร แต่สาเหตุหลักคือการขาดเทคโนโลยีที่เหมาะสมในการสนับสนุนโครงการ MLOps เป็นเครื่องมือที่มีประโยชน์มากสำหรับการช่วยให้องค์กรมีความสำเร็จในโครงการ AI/ML ซึ่งส่งผลให้มี优势ในการแข่งขันทางธุรกิจ
