Bốn yếu tố thành công với mô hình ML

By Jason Revelle, CTO, Datatron

Chuyên gia, nhà phân tích và những người có kinh nghiệm triển khai thực tế đều ca ngợi machine learning (ML), dẫn đến ngày càng nhiều doanh nghiệp áp dụng ML cho nhiều mục đích khác nhau. Điểm mạnh của nó nằm ở việc nó sẽ tự động hóa nhận thức của con người và thúc đẩy chuyển đổi số. Tuy nhiên, mặc dù ML mang lại nhiều hứa hẹn, nhưng nó cũng có mặt trái: đối với các đội phải quản lý nó trong sản xuất, công việc có thể trở nên khó khăn.

Doanh nghiệp đang triển khai ML cho nhiều nhiệm vụ, chẳng hạn như phân loại rủi ro sức khỏe, xử lý tài liệu, dự đoán giá, phát hiện gian lận, bảo trì phòng ngừa và nhiều hơn nữa. Các đội đào tạo và đánh giá mô hình trên dữ liệu lịch sử cho đến khi chúng似乎 phù hợp với mục tiêu hiệu suất và độ chính xác. Doanh nghiệp rất muốn tận dụng lợi ích cao của ML bằng cách dự đoán, phân loại hoặc kê đơn cho kết quả tương lai – và hành động dựa trên những dự đoán đó.

Tất cả giá trị kinh doanh này, tuy nhiên, đi kèm với chi phí vận hành cao. Khi một mô hình “sẵn sàng”, việc tự động hóa nó thông qua các cơ chế phân phối đáng tin cậy tạo ra sự phức tạp và rủi ro vận hành mà yêu cầu sự cảnh giác. Để làm cho các dự án này hiệu quả và hiệu quả, các đội giao hàng và vận hành phải quản lý toàn diện chu kỳ sống của ML. Dữ liệu phải có sẵn và có chất lượng như mong đợi so với dữ liệu được sử dụng để đào tạo.

Sooner hay later, nó trở nên rõ ràng rằng đây không phải là một nỗ lực kỹ thuật như những nỗ lực khác, và bạn cần bắt đầu suy nghĩ về những thách thức theo cách mới để thực sự trở thành một công ty được hỗ trợ bởi AI. Dưới đây là bốn điều cần xem xét để thành công với machine learning, và đặc biệt là với mô hình ML.

1. Làm thế nào để có thể triển khai nhanh chóng nhiều phiên bản phía sau cảnh

Mô hình machine learning yêu cầu một quá trình lặp lại dựa trên dữ liệu sản xuất thực tế. Đầu tư tập trung để có mục tiêu triển khai có thể chạy và ghi lại kết quả mà không cần hệ thống sản xuất hoặc khách hàng nhìn thấy những kết quả đó. Bạn cần khả năng triển khai theo cách dễ dàng và linh hoạt cho đến khi bạn có mô hình mà bạn thích. Về lâu dài, nó hiệu quả và tiết kiệm hơn nhiều để giả định sẽ có rất nhiều điều chỉnh mô hình, cũng như cần so sánh phiên bản hiện tại với các ứng viên mới hứa hẹn kết quả tốt hơn.

2. Hiểu rằng những gì đội của bạn đang hứa hẹn thường không phù hợp với chính sách “phần mềm được phê duyệt” truyền thống, tập trung vào ứng dụng.

Khi ML phát triển và đa dạng hóa nhanh chóng, nó có một danh sách ngày càng dài các nhà cung cấp công nghệ, cả lớn và nhỏ. Đó là điều hiển nhiên rằng IT cần phải duy trì hỗ trợ thích hợp, quét bảo mật và kiểm soát cho môi trường vận hành của bạn. Nhưng hãy cảnh báo: việc áp dụng cùng một kiểm soát và quy trình cho việc quản lý công nghệ vận hành hoặc sản phẩm cho thực hành ML của bạn có thể sẽ giảm đáng kể lợi nhuận tiềm năng của bạn trước khi bạn thậm chí vượt qua vạch xuất phát.

Cũng quan trọng là lưu ý rằng các nhà khoa học dữ liệu đang có nhu cầu cao. Nó không khó để họ tìm được một công việc khác nếu họ cảm thấy mình đang bị ép buộc phải cung cấp kết quả tốt hơn và tốt hơn mà không thay đổi công nghệ họ sử dụng hoặc cách họ có thể sử dụng nó.

3. Hiểu rằng chu kỳ sống phát triển mô hình ML không giống như chu kỳ sống phát triển phần mềm

Phát triển phần mềm và tạo mô hình ML là những quá trình rất khác nhau; việc cố gắng đối xử với mô hình ML như một phần mềm là một công thức cho thảm họa. Doanh nghiệp coi việc phân phối mô hình như một bản phát hành phần mềm khác sẽ kết thúc với khoảng trống trong các khả năng cắt ngang như giám sát và phân tích, và chi phí cao cho việc chuyển giao kiến thức giữa người tạo và người vận hành, với thời gian kéo dài. Các chuyên gia triển khai và hỗ trợ mô hình của bạn cần hiểu cách mô hình và dữ liệu hoạt động, không chỉ giải quyết sự cố về độ tin cậy và mã lỗi. Tài năng phù hợp, đội ngũ hỗn hợp gồm chuyên gia dữ liệu và vận hành, cùng với công cụ phù hợp sẽ cho phép bạn kiểm tra và giải thích không chỉ phần mềm có thực hiện hay không mà còn độ chính xác và khả năng giải thích của phản hồi.

Cũng quan trọng là phải áp dụng cách tiếp cận dựa trên thành công để kiểm toán mô hình machine learning vì chúng có thể sai. Nếu bạn muốn các nhà khoa học dữ liệu của công ty bạn tin tưởng vào dự đoán mô hình machine learning của họ ngay cả khi mọi thứ đi sai (nhận ra điều này sẽ xảy ra), thì quá trình kiểm toán ML nên được thiết kế theo cách cho phép mô hình machine learning được lặp lại và cải thiện.

4. Lập kế hoạch cho quy mô.

Bạn sẽ cần triển khai các công cụ thông minh có hệ thống triển khai tự động như Kubernetes hoặc Docker Swarm. Điều này sẽ giúp bạn đạt được nhiều mục tiêu. Bạn sẽ có thể khởi động các khối lượng công việc machine learning một cách động và giám sát các nhiệm vụ tự động trên các cụm cho các lỗi sử dụng thuật toán AI – cảnh báo các vận hành viên về bất kỳ vấn đề tiềm ẩn nào trước khi chúng phát sinh. Bạn cũng sẽ có thể hợp nhất các báo cáo phân tích từ nhiều nguồn vào một bảng điều khiển tập trung để đảm bảo rằng các mô hình machine learning đang hoạt động như mong đợi.

Thành thạo đường cong học tập

Trước khi bắt đầu một dự án ML, điều quan trọng là phải hiểu rằng mặc dù mô hình ML có thể mang lại nhiều lợi thế và hiệu quả cho tổ chức của bạn, chúng có thể tự phát triển nếu không được quản lý đúng cách. Hãy biết rủi ro và sự phức tạp vận hành từ đầu, giữ bốn mẹo trên trong tâm trí. Với một nền tảng vững chắc, bạn sẽ có thể tạo và thay đổi dễ dàng mô hình ML của mình để chúng phục vụ mục tiêu kinh doanh của bạn.