Чотири фактори успіху з моделями ML

Від Джейсона Ревелла, технічного директора Datatron

Експерти, аналітики та ті, хто має перший досвід реалізації, хвалять машинне навчання (ML), що призводить до зростання кількості підприємств, які приймають ML для різних цілей. Його слава полягає в ідеї, що воно комп’ютеризує людське сприйняття та进一步启шовує цифрову трансформацію. Однак, хоча ML має великі обіцянки, є і негативний аспект: для команд, які повинні керувати ним у виробництві, робота може стати складною.

Підприємства реалізують ML для виконання різних завдань, таких як класифікація ризиків для здоров’я, обробка документів, передбачення цін, виявлення шахрайства, профілактичний ремонт та інше. Команди тренують і оцінюють моделі на історичних даних до тих пір, поки вони не відповідають цілям продуктивності та точності. Підприємства бажають отримати високоцінні вигоди від ML, передбачаючи, класифікуючи або призначуючи майбутні результати та діючи на основі цих передбачень.

Все це бізнес-цінність, однак, має високу операційну вартість. Як тільки модель “готова”, її автоматизація через надійні механізми доставки створює операційні складності та ризики, які вимагають уваги. Щоб зробити ці проекти ефективними та ефективними, команди доставки та операцій повинні комплексно керувати життєвим циклом ML. Дані повинні бути доступними та мати очікувані якості порівняно з тим, що використовувалося для навчання.

Становиться очевидним, що це не зовсім схоже на інші інженерні зусилля, і вам потрібно почати думати про виклики новими способами, щоб真正 стати компанією, керованою штучним інтелектом. Ось чотири речі, які потрібно враховувати для успіху з машинним навчанням, а саме з моделями ML.

1. Як швидко розгорнути кілька версій поза сценою

Моделі машинного навчання вимагають ітеративного процесу, який залежить від реальних даних виробництва. Зробіть зосереджені інвестиції, щоб мати цілі розгортання, які можуть запускатися та реєструвати результати без участі виробничих систем або клієнтів. Вам потрібно мати можливість розгортати моделі легко та плавно до тих пір, поки у вас не буде моделі, яку ви хочете. У довгостроковій перспективі це набагато ефективніше та економічніше припускати, що буде багато налаштувань ваших моделей, а також необхідність порівнювати поточні версії з новими кандидатами, які обіцяють кращі результати.

2. Порозумітися, що те, що ваша команда обіцяє, зазвичай не відповідає традиційним, орієнтованим на додаток “затвердженим програмним забезпеченням” політикам.

Машинне навчання швидко росте та диверсифікується, і має все більший список технологічних постачальників, великих та малих. Це зрозуміло, що ІТ потрібно підтримувати належну підтримку, сканиування безпеки та контролю для ваших операційних середовищ. Однак варто попередити: застосування тих самих контролю та процесів для керування операційними або продуктовими технологіями для вашої практики ML, ймовірно, суттєво зменшить ваш потенційний прибуток, перш ніж ви навіть перетнуте стартову лінію.

Також важливо відзначити, що дані вчені знаходяться у високому попиті. Не складно їм знайти іншу роботу, якщо вони відчувають, що їх тиснуть, щоб досягти кращих результатів без зміни технологій, які вони використовують, або того, як вони можуть їх використовувати.

3. Порозумітися, що життєвий цикл розробки моделі ML не є таким самим, як життєвий цикл розробки програмного забезпечення

Розробка програмного забезпечення та створення моделей ML – це дуже різні процеси; спроба behandelt останнє як перше – це рецепт катастрофи. Підприємства, які behandelt доставку моделей як ще один випуск програмного забезпечення, закінчуються з пробілами в можливостях, таких як моніторинг та аналіз, та високими витратами на передачу знань між творцями та операторами, з послідовними, тривалими термінами. Спеціалісти, які розгортають та підтримують ваші моделі, повинні розуміти, як працює модель та дані, а не тільки розібратися в надійності служби та кодах помилок. Правильний талант, гібридні команди, що складаються з спеціалістів даних та операційних фахівців, разом з правильними інструментами, дозволять вам тестувати та інтерпретувати не тільки виконання програмного забезпечення, але також точність та пояснюваність відповідей.

Також важливо прийняти підхід, заснований на успіху до аудиту моделей машинного навчання, оскільки вони є помилковими. Якщо ви хочете, щоб ваші дані вчені довіряли передбаченням моделей машинного навчання навіть тоді, коли щось піде не так (усвідомлюючи, що це станеться), то процес аудиту моделей машинного навчання повинен бути розроблений таким чином, щоб дозволяти моделям машинного навчання бути ітерованими та покращуваними.

4. Планувати масштабування.

Вам потрібно розгорнути інструменти машинного інтелекту, які мають автоматизовану систему розгортання, таку як Kubernetes або Docker Swarm. Це допоможе вам досягти кількох цілей. Ви зможете запускати завдання машинного навчання динамічно та моніторити завдання автоматично в кластерах для виявлення помилок за допомогою алгоритмів штучного інтелекту – попереджаючи операторів про будь-які потенційні проблеми, перш ніж вони виникнуть. Ви також зможете консолідувати аналітичні звіти з декількох джерел в один централізований панель, щоб переконатися, що моделі машинного навчання працюють так, як очікувалося.

Освоїти криву навчання

Перед початком проекту ML важливо зрозуміти, що хоча моделі ML можуть пропонувати великі переваги та ефективність для вашої організації, вони можуть стати самостійними, якщо не керувати ними належним чином. Знайте ризики та операційні складності з самого початку, зберігши вище чотири поради на увазі. З солідною основою ви зможете створювати та легко змінювати ваші моделі ML так, щоб вони служили вашим бізнес-цілям.