Ottieni il massimo vantaggio dall’intelligenza artificiale aziendale con MLOps – Thought Leaders
Un sondaggio di Gartner alla fine del 2020 ha rilevato che il 75% degli intervistati prevede di continuare o avviare nuove iniziative di intelligenza artificiale nel prossimo anno. Allo stesso tempo, gli analisti di Gartner hanno anche scoperto che una delle difficoltà più significative nel trasferire le iniziative di intelligenza artificiale nella produzione è l’incapacità per quelle organizzazioni di riconnettere quegli investimenti al valore aziendale.
Inoltre, è ampiamente stimato che la maggior parte dei progetti AI/ML fallirà. E questo fatto può rendere ancora più difficile ottenere il buy-in dall’alto su questi investimenti. È qui che MLOps – Machine Learning Operations – può svolgere un ruolo chiave.
L’attuale panorama ML
L’apprendimento automatico offre profonde possibilità per le organizzazioni, ma la realtà è che arrivare a tali possibilità può essere costoso e richiedere molto tempo. Quindi, mentre l’interesse per l’implementazione del machine learning è elevato, l’effettiva implementazione della produzione rimane bassa. L’ostacolo principale nel portare le soluzioni in produzione non è la qualità dei modelli, ma piuttosto la mancanza di infrastrutture in atto per consentire alle aziende di farlo.
Il ciclo di vita dello sviluppo per l’apprendimento automatico è fondamentalmente diverso dal ciclo di vita dello sviluppo software tradizionale. Negli ultimi 20 anni, le persone hanno, per la maggior parte, capito cosa serve per il software tradizionale per passare dallo sviluppo alla produzione. Comprendono il calcolo, il middleware, il networking, l’archiviazione e altri elementi necessari per garantire il corretto funzionamento dell’app.
Sfortunatamente, la maggior parte sta cercando di utilizzare lo stesso ciclo di vita di sviluppo software (SDLC) per il ciclo di vita di sviluppo di machine learning (MLLC). Tuttavia, il machine learning rappresenta un significativo cambiamento di paradigma. Le allocazioni dell’infrastruttura sono uniche. I linguaggi e le strutture sono diversi.
I modelli di machine learning possono essere creati in modo relativamente rapido in poche settimane, ma il processo di produzione di questi modelli può richiedere da sei a nove mesi a causa di processi in silos, disconnessioni tra i team e traduzione manuale e scripting di modelli ML nell’applicazione esistente
È anche difficile monitorare e governare i modelli di machine learning una volta che sono entrati in produzione. Non c’è alcuna garanzia che i modelli ML creati in laboratorio funzioneranno nel modo in cui sono previsti in produzione. E ci sono diversi fattori che potrebbero essere alla base di ciò.
I vantaggi di MLOps
Quando si tratta di distribuire modelli di machine learning in produzione, come accennato, ci sono molte cose che possono andare storte. Quando l’IT/DevOps tenta di rendere operativi i modelli di apprendimento automatico, questi team devono creare manualmente script e automatizzare i diversi processi. Questi modelli vengono spesso aggiornati e ogni volta che i modelli vengono aggiornati, l’intero processo viene ripetuto.
Quando un’organizzazione ha sempre più modelli e le diverse iterazioni di questi modelli, tenerne traccia diventa un grosso problema. Uno dei grandi problemi è che spesso gli strumenti che utilizzano non affrontano il problema dei diversi codebase e framework disgiunti tra loro. Ciò può portare a problemi, che si traducono in una perdita di tempo e risorse, tra le altre cose. La maggior parte dei team oggi ha anche difficoltà con il monitoraggio e il controllo delle versioni mentre aggiorna i propri modelli.
MLOps aiuta a colmare le divisioni tra data science e operazioni per gestire i cicli di vita del machine learning di produzione, applicando essenzialmente i principi DevOps alla distribuzione del machine learning . Ciò consente un time-to-market più rapido per le soluzioni basate su ML, una velocità di sperimentazione più rapida e la garanzia di qualità e affidabilità.
Utilizzando i modelli SDLC tradizionali, potresti essere in grado di eseguire uno o due modelli ML all’anno, con grande dolore e con estrema inefficienza. Ma con MLOps puoi scalare, in modo da poter affrontare più problemi. Puoi utilizzare questi modelli per indirizzare meglio i potenziali clienti, trovare clienti più pertinenti o trovare e migliorare le inefficienze. Sei in grado di implementare miglioramenti molto più velocemente, migliorando in definitiva la produttività e il profitto.
Gli elementi del successo di MLOps
MLOps non è un proiettile d’argento. Hai ancora bisogno di avere le basi adeguate e conoscere le migliori pratiche per farlo funzionare. Per avere successo con MLOps, devi concentrarti su due compiti principali. Il primo è capire i diversi ruoli. È necessario assicurarsi di disporre del giusto e diversificato insieme di competenze e dipendenti in atto; non trattare gli scienziati dei dati e gli ingegneri dell’apprendimento automatico come una cosa sola. Entrambi sono necessari, ma hai bisogno di un mix.
La seconda cosa da tenere a mente è non provare a fare tutto il fai-da-te. MLOps è anche ad alta intensità di lavoro, che richiede grandi team di ingegneri ML. È importante pensare a ciò di cui hai bisogno e esaminare gli strumenti disponibili per aiutarti a semplificare l’approccio e ottimizzare il numero di persone dedicate necessarie.
Andare avanti con fiducia
Gli analisti del settore stimano che quasi la metà dei progetti di AI aziendali sono destinati a fallire. Ci sono diverse ragioni per tale fallimento, inclusa la cultura di un’organizzazione. Ma una delle ragioni principali è la mancanza di una tecnologia adeguata in atto per supportare il progetto. MLOps è uno strumento molto utile per aiutare le organizzazioni a raggiungere il successo nei loro progetti AI/ML, con conseguente vantaggio competitivo sul business.
