Οι λειτουργίες μηχανικής μάθησης προσφέρουν ευελιξία, ωθούν την καινοτομία

Η κύρια λειτουργία των MLOps είναι να αυτοματοποιούν τα πιο επαναλαμβανόμενα βήματα στις ροές εργασίας ML των επιστημόνων δεδομένων και των μηχανικών ML, από την ανάπτυξη και την εκπαίδευση μοντέλων έως την ανάπτυξη και λειτουργία μοντέλων (υπηρεσία μοντέλων). Η αυτοματοποίηση αυτών των βημάτων δημιουργεί ευελιξία για τις επιχειρήσεις και καλύτερες εμπειρίες για τους χρήστες και τους τελικούς πελάτες, αυξάνοντας την ταχύτητα, την ισχύ και την αξιοπιστία της ML. Αυτές οι αυτοματοποιημένες διεργασίες μπορούν επίσης να μειώσουν τον κίνδυνο και να απαλλάξουν τους προγραμματιστές από επικίνδυνες εργασίες, επιτρέποντάς τους να αφιερώνουν περισσότερο χρόνο στην καινοτομία. Όλα αυτά αθροίζονται στην ουσία: μια παγκόσμια μελέτη του 2021 από τη McKinsey διαπίστωσε ότι οι εταιρείες που κλιμακώνουν επιτυχώς την τεχνητή νοημοσύνη μπορούν να προσθέσουν έως και 20 τοις εκατό στα κέρδη προ τόκων και φόρων (EBIT).

«Δεν είναι ασυνήθιστο για εταιρείες με εξελιγμένες δυνατότητες ML να επωάζουν διαφορετικά εργαλεία ML σε μεμονωμένες τσέπες της επιχείρησης», δήλωσε ο Vincent David, ανώτερος διευθυντής μηχανικής μάθησης στο Capital One. «Αλλά συχνά αρχίζετε να βλέπετε παραλληλισμούς—συστήματα ML που κάνουν παρόμοια πράγματα αλλά με μια ελαφρώς διαφορετική τροπή. Οι εταιρείες που ανακαλύπτουν πώς να αξιοποιήσουν στο έπακρο τις επενδύσεις τους σε ML συνδυάζουν και υπερκαλύπτουν τις καλύτερες δυνατότητές τους ML για να δημιουργήσουν τυποποιημένα, βασικά εργαλεία και πλατφόρμες που μπορούν να χρησιμοποιήσουν όλοι – και τελικά να δημιουργήσουν διαφοροποιημένη αξία στην αγορά».

Στην πράξη, τα MLOps απαιτούν στενή συνεργασία μεταξύ επιστημόνων δεδομένων, μηχανικών ML και μηχανικών αξιοπιστίας τοποθεσιών (SREs) για να διασφαλιστεί η συνεπής επαναληψιμότητα, παρακολούθηση και συντήρηση των μοντέλων ML. Τα τελευταία χρόνια, η Capital One έχει αναπτύξει βέλτιστες πρακτικές MLO που εφαρμόζονται σε όλους τους κλάδους: εξισορρόπηση των αναγκών των χρηστών, υιοθέτηση μιας κοινής στοίβας τεχνολογίας που βασίζεται στο cloud και βασικές πλατφόρμες, αξιοποίηση εργαλείων ανοιχτού κώδικα και διασφάλιση του σωστού επιπέδου διαθεσιμότητας και διακυβέρνησης για τόσο δεδομένα όσο και μοντέλα.

Κατανοήστε τις διαφορετικές ανάγκες διαφορετικών χρηστών

Οι εφαρμογές ML έχουν γενικά δύο βασικούς τύπους χρηστών – τεχνικούς εμπειρογνώμονες (επιστήμονες δεδομένων και μηχανικοί ML) και μη τεχνικούς εμπειρογνώμονες (επιχειρηματικούς αναλυτές) – και είναι σημαντικό να επιτευχθεί μια ισορροπία μεταξύ των διαφορετικών αναγκών τους. Οι τεχνικοί εμπειρογνώμονες προτιμούν συχνά την πλήρη ελευθερία να χρησιμοποιούν όλα τα διαθέσιμα εργαλεία για την κατασκευή μοντέλων για τις περιπτώσεις χρήσης για την οποία προορίζονται. Οι μη τεχνικοί ειδικοί, από την άλλη πλευρά, χρειάζονται εύχρηστα εργαλεία που τους επιτρέπουν να έχουν πρόσβαση στα δεδομένα που χρειάζονται για να δημιουργήσουν αξία στις δικές τους ροές εργασίας.

Για τη δημιουργία συνεπών διαδικασιών και ροών εργασίας ικανοποιώντας ταυτόχρονα και τις δύο ομάδες, ο David συνιστά συνάντηση με την ομάδα σχεδιασμού εφαρμογών και ειδικούς σε θέματα σε διάφορες περιπτώσεις χρήσης. «Εξετάζουμε συγκεκριμένες περιπτώσεις για να κατανοήσουμε τα ζητήματα, ώστε οι χρήστες να παίρνουν ό,τι χρειάζονται για να ωφελήσουν την εργασία τους ειδικότερα, αλλά και την εταιρεία γενικότερα», λέει. “Το κλειδί είναι να ανακαλύψουμε πώς να δημιουργήσουμε τις σωστές δυνατότητες, ενώ παράλληλα εξισορροπούμε τα διάφορα ενδιαφερόμενα μέρη και τις επιχειρηματικές ανάγκες εντός της επιχείρησης.”

Υιοθετήστε μια κοινή στοίβα τεχνολογίας

Η συνεργασία μεταξύ των ομάδων ανάπτυξης – κρίσιμης σημασίας για επιτυχημένα MLO – μπορεί να είναι δύσκολη και χρονοβόρα εάν αυτές οι ομάδες δεν χρησιμοποιούν την ίδια στοίβα τεχνολογίας. Μια ενοποιημένη στοίβα τεχνολογίας επιτρέπει στους προγραμματιστές να τυποποιούν, να επαναχρησιμοποιούν εξαρτήματα, λειτουργίες και εργαλεία σε μοντέλα όπως τα τουβλάκια Lego. “Κάνει ευκολότερο τον συνδυασμό σχετικών λειτουργιών, ώστε οι προγραμματιστές να μην χάνουν χρόνο μεταβαίνοντας από ένα μοντέλο ή σύστημα σε άλλο”, λέει ο David.

Μια στοίβα που βασίζεται σε σύννεφο —που έχει δημιουργηθεί για να εκμεταλλεύεται το μοντέλο του κατανεμημένου υπολογισμού στο cloud— επιτρέπει στους προγραμματιστές να αυτοεξυπηρετούνται υποδομές κατά παραγγελία, να εκμεταλλεύονται συνεχώς νέες δυνατότητες και να εισάγουν νέες υπηρεσίες. Η απόφαση της Capital One να κάνει all-in στο δημόσιο cloud είχε σημαντικό αντίκτυπο στην αποτελεσματικότητα και την ταχύτητα των προγραμματιστών. Οι εκδόσεις κώδικα στην παραγωγή γίνονται τώρα πολύ πιο γρήγορα και οι πλατφόρμες και τα μοντέλα ML μπορούν να επαναχρησιμοποιηθούν σε όλη την ευρύτερη επιχείρηση.

Εξοικονομήστε χρόνο με εργαλεία ανοιχτού κώδικα ML

Τα εργαλεία ανοιχτού κώδικα ML (κώδικας και προγράμματα είναι ελεύθερα διαθέσιμα σε οποιονδήποτε για χρήση και προσαρμογή) είναι βασικά συστατικά για τη δημιουργία μιας ισχυρής βάσης cloud και ενοποιημένης στοίβας τεχνολογίας. Η χρήση υπαρχόντων εργαλείων ανοιχτού κώδικα σημαίνει ότι η επιχείρηση δεν χρειάζεται να ξοδεύει πολύτιμους τεχνικούς πόρους για την επανεφεύρεση του τροχού, αυξάνοντας τον ρυθμό με τον οποίο οι ομάδες μπορούν να δημιουργήσουν και να αναπτύξουν μοντέλα.

Leave a Comment