Досягнення нового рівня цінності від штучного інтелекту шляхом зосередження на операційній стороні машинного навчання
Манасі Вартак є засновником і генеральним директором Verta, компанії з Пало-Альто, яка надає рішення для операційного штучного інтелекту та керування моделями машинного навчання.
Гетті
Дослідницька компанія Gartner, Inc. підрахувала, що 85% проектів штучного інтелекту (AI) і машинного навчання (ML) не приносять прибутку для бізнесу. Причини, які часто називають для високого відсотка відмов, включають погане визначення обсягу, погані навчальні дані, організаційну інерцію, відсутність змін процесу, повзання місії та недостатнє експериментування.
До цього списку я хотів би додати ще одну причину, через яку я бачив, як багато організацій намагаються досягти користі від своїх проектів ШІ. Компанії часто інвестують значні кошти в створення команд з обробки даних для створення інноваційних моделей машинного навчання. Однак вони не змогли прийняти мислення, команду, процеси та інструменти, необхідні для ефективного та безпечного впровадження цих моделей у виробниче середовище, де вони дійсно можуть принести користь.
Щоб уникнути цієї пастки та отримати більшу користь від штучного інтелекту, ось чотири рекомендації, які допоможуть вашій організації перетворити дивовижні алгоритми ваших спеціалістів із обробки даних у реальний вплив на бізнес.
1. Прийміть програмне мислення.
Моделі ML, безсумнівно, важливі, але розробка коду ML є лише частиною життєвого циклу AI/ML. Збір даних, вилучення функцій, перевірка даних, керування машинними ресурсами та інші дії, суміжні з кодом ML, фактично споживають основну частину часу та ресурсів у життєвому циклі ML.
Щоб досягти успіху, компанії повинні припинити розглядати моделі як самоціль. Справа в тому, що модель – це лише спосіб перетворення даних, записаних у вигляді функції. Коротше кажучи, модель є просто програмною.
Коли розробники програмного забезпечення думають про запуск моделі у виробництво, їх хвилює те, як модель обробляє помилки, чи буде модель робити те, що від неї очікують, чи зможе вона реагувати досить швидко та чи зможе вона ефективно інтегруватися в стек програмного забезпечення організації. .
Прийняття програмного мислення означає відхід від «кустарного» підходу обробки кожної моделі як одноразової до «промислового» підходу, зосередженого на впровадженні інструментів і процесів для ефективного й ефективного запуску моделей у виробництво.
2. Створіть команду ML-платформи.
Оскільки моделі є програмним забезпеченням, компаніям слід звертатися до своїх програмних організацій, коли вони думають про те, як структурувати операційну групу машинного навчання, яка відповідатиме за впровадження моделей у виробництво.
Якщо організація програмного забезпечення має команди розробки продукту, які підтримуються командою платформи прикладних програм (разом із основною групою для керування інфраструктурою), організація AI/ML повинна мати групи науки про дані, які підтримуються інженерною групою ML, а також командою, мандат якої для збирання, керування та моніторингу платформи, яку використовують команди з обробки даних і ML (тобто команда платформи ML, укомплектована інженерами платформи ML).
Інженер ML-платформи — це допоміжна роль — схожа на позицію DevOps, плюс програмне забезпечення, оскільки їм, наприклад, може знадобитися створювати API або підтримувати розробку шаблонів інфраструктури. Поінформованість про дані допомагає, тому що дані дуже переплетені з машинним навчанням. Роль інженера платформи ML також вимагає сильних навичок спілкування, цікавості та налаштованості на співпрацю, оскільки вони працюватимуть із різними командами протягом життєвого циклу ML.
3. Встановіть наскрізні процеси.
Коли компанія все ще перебуває на «кустарній» стадії ML і працює лише з кількома варіантами використання, вона може обійтися спеціальними процесами, розглядаючи кожну модель як одноразову. Однак, оскільки компанія розширює кількість моделей, які запускає у виробництво, їй потрібно стандартизувати свої процеси, щоб забезпечити високий рівень довіри як до самих процесів, так і до моделей, які вона запускає у виробництво.
Це означає встановлення процесів на всьому життєвому циклі моделі, що може бути складним через різноманітні команди, задіяні протягом життєвого циклу. Наприклад, різні групи чи особи, як правило, беруть участь у просуванні моделей від лабораторії до постановки, а потім до виробництва. У результаті для кожного етапу необхідно впроваджувати різні процеси.
Варто ще раз сказати, що процеси повинні бути налагоджені протягом усього життєвого циклу моделі. Так, передачі повинні бути визначені на всьому шляху від експериментів до виробництва. Однак життєвий цикл моделі не закінчується, коли вона запускається у виробництво, і слід також перевірити процедури моніторингу та перенавчання моделей.
4. Створення операційної платформи.
Багато компаній, які досягли успіху з штучним інтелектом/ML, незмінно мають спеціальну платформу для введення в дію моделей з різних причин. Перш за все, обчислювальні робочі навантаження, які система підтримує під час експериментів або навчання, дуже відрізняються від робочих навантажень на етапі введення в дію.
Під час експериментів обмежуючим фактором є те, наскільки швидко ви можете самостійно розкрутити ресурси, щоб ви могли використовувати ваш Scikit-learn або TensorFlow тощо. Коли ви переходите на етап впровадження, ви дбаєте про зовсім інший набір можливостей. Чи є платформа стійкою та доступною? Чи є у нього зв’язки з Datadog або New Relic?
Ось чому навіть компаніям, які мають навчальну платформу, варто розглянути можливість створення операційної платформи. Як правило, сама платформа ML повинна забезпечувати «самообслуговування з огорожею», що дозволяє спеціалістам із обробки даних швидко та безпечно розгортати моделі у виробництві. Інструменти, які потрібні високофункціональній команді МЛ для масштабного керування робочими навантаженнями ШІ, повинні включати, як мінімум:
• Навчальна платформа.
• Операційна платформа AI (або обслуговуюча).
• Платформа даних.
• DevOps для організації всього.
• Система робочого процесу, яка може включати або не включати платформу пакетного прогнозування.
Прийнявши програмне мислення навколо ML і створивши команду, процеси та інструменти для безпечного та ефективного розгортання моделей ML, компанії можуть значно скоротити час, потрібний для впровадження моделей у виробництво, і отримати користь від своїх дослідницьких інновацій.
Впровадження стандартних наскрізних процесів також може покращити керування моделлю та підготувати команди до майбутніх нормативних актів щодо штучного інтелекту, таких як Закон ЄС щодо штучного інтелекту та Американський закон про конфіденційність і захист даних (ADPPA).
Нарешті, ці компанії можуть вивільнити своїх науковців з обробки даних для розробки ще більш інноваційних моделей для надання інтелектуальних продуктів і послуг, зрештою підвищуючи цінність ШІ та вплив на бізнес.
Технологічна рада Forbes — це спільнота для ІТ-директорів, технічних директорів і технічних керівників світового рівня. Чи маю я право?
