Provectus CTO su come le aziende possono migliorare l’implementazione dell’IA
Provectus è una società di consulenza e integrazione di sistemi IT specializzata in una sola cosa: AI. Più di recente, la società ha annunciato una partnership con Tecton, che fornisce un feature store per la creazione di modelli AI basati sul software Feast open source.
Secondo i termini di tale alleanza, Provectus si concentrerà sulla semplificazione della distribuzione di Feast sul cloud Amazon Web Services (AWS), oltre ad aiutare a definire interfacce di programmazione di applicazioni (API) comuni e indipendenti dal fornitore per i feature store.
VentureBeat ha incontrato Stepan Pushkarev, CTO di Provectus, per avere un’idea migliore di ciò che serve alle organizzazioni che investono nell’intelligenza artificiale per avere davvero successo.
Questa intervista è stata modificata per brevità e chiarezza.
VentureBeat: qual è il miglior consiglio di IA per le organizzazioni in questo momento?
Stepan Pushkarev : Crea più modelli di machine learning . Se scegli solo un’idea e provi una prova di concetto per il prossimo anno, non raggiungerai mai l’obiettivo. Scegli di dare la priorità a 3-5 casi d’uso e fallo. Dividilo in un team interfunzionale separato che è in grado di eseguire completamente tutto da solo. Da una prospettiva tecnologica, combina tutto il meglio dei fornitori di cloud e dell’open source. Non è necessario acquistare la piattaforma.
VentureBeat: Cosa rende un progetto AI diverso da qualsiasi altro progetto IT?
Pushkarev : Ovviamente, l’IA è un software alla fine della giornata. Ma non è giusto dire che l’IA è lo stesso software; è un nuovo tipo di software. Ha i suoi sapori. Le aziende che tendono a realizzare progetti IT tradizionali molto spesso hanno difficoltà con l’implementazione di progetti di intelligenza artificiale. Dipende molto dalla maturità dell’azienda e dal livello di innovazione e cultura della sperimentazione dell’azienda.
VentureBeat: uno dei problemi culturali con cui le organizzazioni stanno lottando è che il ritmo con cui lavora un team di data science non è sempre in linea con la velocità con cui vengono sviluppate le applicazioni. Come colmare il divario tra queste squadre?
Pushkarev: È una domanda multidimensionale. Non esiste una risposta semplice. Ci sono molti aspetti culturali. Per distribuire i progetti di machine learning più velocemente, è necessaria l’infrastruttura appropriata in modo da poter eseguire gli esperimenti più velocemente. È necessario tenere traccia di questi esperimenti mentre vengono avviati alla produzione. Questo è qualcosa che si sta sviluppando in questo momento. Le aziende spesso non dispongono della giusta infrastruttura di machine learning per funzionare al ritmo che desiderano. Il modo in cui vengono gestiti i progetti di data science è sempre un problema. Potrebbero esserci molti casi, ad esempio, in cui i data scientist vengono inseriti in un silo separato e operano da soli. Ovviamente, quei progetti non vedranno mai la produzione. Di solito consigliamo di avvicinare gli ingegneri dell’apprendimento automatico dei dati all’azienda per incorporarli fondamentalmente nei team di funzionalità o di prodotto in modo che possano avere il contesto completo. Lavorano sugli stessi sprint sulle stesse iterazioni per inviare il software alla produzione.
VentureBeat: Sembra che molti progetti di intelligenza artificiale nel bene o nel male siano stati accelerati dall’inizio della recessione economica causata dalla pandemia COVID-19. Le organizzazioni sono davvero all’altezza di questa sfida?
Pushkarev : Tutti si sono concentrati sulla produttività perché non c’è più possibilità di aspettare. Credo dipenda anche dalla maturità dell’azienda. La cosa più importante è avere una specifica esigenza aziendale e un caso d’uso con un ROI (ritorno sull’investimento) chiaro. Questo è probabilmente il principale fattore trainante per i progetti che vanno in produzione. Se non si dispone di un valido caso d’uso aziendale, rimarrà solo una prova del concetto in molte aziende. Non avrai lo stesso controllo di qualità per quei progetti. Questo è il problema di prima classe nelle imprese.
VentureBeat: le aziende hanno aspettative irrealistiche sull’IA?
Pushkarev: Dobbiamo assolutamente definire le aspettative dei dirigenti aziendali sull’intelligenza artificiale. Per le aziende mature con una cultura dell’innovazione consolidata, sanno cosa vogliono e sanno cosa fanno. L’unica cosa di cui hanno bisogno sono gli strumenti giusti. Tuttavia, per altre imprese, è necessario fare due passi indietro per lavorare sulla strategia e apportare modifiche alla propria struttura organizzativa. I leader definiscono gli obiettivi e danno la priorità ai casi d’uso aziendali e solo allora iniziano a eseguire i progetti pilota. La formazione dei dirigenti si concentra su cosa sia il machine learning (machine learning), cosa ci si potrebbe aspettare dal modello di machine learning. Che tipo di accuratezza aspettarsi? Qual è il ciclo medio di adozione della soluzione di machine learning nell’azienda? Questo è ciò che chiamiamo un campo di addestramento gestionale per l’IA. Durante questo Boot Camp di gestione, parliamo di cose come il budget e il costo totale di proprietà. La struttura dei costi per le soluzioni di machine learning differisce dai progetti IT tradizionali a causa del costo dei dati di alta qualità, del costo della formazione, della riqualificazione, del costo dell’inferenza del machine learning, del costo di nuovi tipi di specialisti, come gli ingegneri del machine learning. Anche la stima della complessità dell’algoritmo di apprendimento automatico nelle prime fasi è fondamentale perché le aziende potrebbero pensare a qualcosa che è nel mondo accademico che non è ancora reale.
VentureBeat: stanno emergendo le migliori pratiche per le operazioni di machine learning?
Pushkarev : Questo è uno degli argomenti più scottanti di questi tempi. Le persone capiscono davvero abbastanza bene questa idea. MLOps è di solito solo fondamentalmente la pipeline tra sperimentazione, sviluppo e produzione.
VentureBeat: Pensi che gli MLOp rimarranno una disciplina separata o diventeranno semplicemente parte delle operazioni IT?
Pushkarev : Alla fine convergeranno. Ma in questo momento, non sono sicuro della sequenza temporale. Ci sono ancora molte lacune.
VentureBeat: quali errori commettono più comunemente le organizzazioni?
Pushkarev : le persone rimangono bloccate in tutte quelle presentazioni di PowerPoint. Questa mancanza di azione è qualcosa che impedisce alle aziende [di muoversi] rapidamente. Il pregiudizio all’azione è molto importante. Le aziende passano solo settimane a organizzare le riunioni.
VentureBeat: C’è la percezione che questi progetti richiedano un integratore di sistemi globale. Cosa rende più interessante lavorare con integratori più piccoli come Provectus?
Pushkarev : Prima di tutto è il nostro obiettivo. Siamo bravi in una cosa che facciamo davvero bene. La capacità di eseguire e avere un tipo di discussione di basso livello insieme a discussioni aziendali a livello macro è qualcosa in cui siamo davvero bravi. Siamo riconosciuti dai nostri partner, come AWS, e, a differenza di altre società di servizi professionali, siamo anche un attivo collaboratore dell’open source, machine learning e progetti di infrastruttura dati. I nostri clienti vanno da startup all’avanguardia a medie e grandi imprese che cercano innovazione attraverso l’AI. Lavoriamo sui problemi più difficili del mondo, [tutto dalla] simulazione della turbolenza nell’esplosione di una supernova alla previsione della domanda. Siamo ugualmente impegnati nella tecnologia, nel business e nella strategia. Possiamo partire dagli obiettivi di business e fornire una soluzione AI funzionante in poche settimane
