如何使AI / ML举措计数:优化MLOPS进行生产

人工智能(AI)和机器学习(ML)正在快速发展。与此同时,越来越多的组织正在尝试成为数据驱动,只要了解AI / ML模型将发挥关键作用。随着公司希望以一种更强大的方式回答关键业务问题,这些模型为他们提供了揭示了对人类立即明显的数据中的竞争模式的能力。

AI / ML最普遍的使用情况之一是个性化领域,其中组织需要确定客户的意图等细微功能,这是使用数值数据来定量量化的元素。在任何地方发生个性化,甚至在进入搜索引擎中的单词时甚至发挥作用。在幕后,引擎需要使用AI / ML来确定搜索结果中的图像是否适合于单词,如果它们包括必要的相关属性。

AI / ML运营所面临的挑战

今天,数据科学家建立AI / ML型号相对简单,特别是在开源工具的增殖中。但是,当组织需要部署众多模型时,出现挑战,其中许多需要将在必须彼此协同工作的组中分类。

考虑寻找“跑车”的人作为一个例子。要根据他或她的搜索内容显示相关广告,一个组织需要部署多个模型,然后通过执行A / B测试来生成它们的统计数据来监视其结果,显示哪些统计数据最佳,并且在其中具体情况。然后,他们需要根据分钟的绩效数据和新学习来换掉它们。理想情况下,该模型也将是“可解释的”,这就是说模型将被配置,以便可以以人类术语对用户清楚的模型的内部机制。如果没有这一层可解释性,数据科学家更少的企业用户无法衡量任何单独模型的成功,因此整体AI / ML倡议不能被认为是成功的。

此外,部署多种型号的风险将乘以数据使用实例的数量,以及随着时间的推移不稳定的模型变得不稳定的风险。最后,难以确保每个单独的模型能够始终如一地产生可靠的结果。

为了超越这些挑战,组织需要退后一步,并思考超出多个一次性模型的部署。他们需要考虑模型操作作为核心功能,并为其模型实施操作平台,其中提供模型操作(MLOPS)以及模型治理。

模型运营和治理作为核心基础

与任何主要的承诺一样,最好开始与商业领袖的倡议进行全面方法,因为没有他们的支持,努力必须失败。幸运的是,许多商业领袖正在意识到AI / ML的重要性以及它扮演的角色,但从业务的角度开始至关重要。在整个努力中保持业务和技术团队之间的稳定合作也很重要。

在技​​术方面,谨慎地展示为企业团队提供一些快速获胜。这意味着首先将所有必要的数据一起带到一起,然后部署MLOPS /治理平台以运行一套模型,以解决一些谨慎问题。使用平台中找到的监控和测试功能,下一步是在相对较短的时间段内展示一致的结果。一旦完成,企业应该开始信任AI / ML功能,并且可以扩展该计划。最后,重要的是要沟通,因为模型训练有素,它们仍然在季节性和其他因素导致的数据变化时继续表现良好,通过A / B测试证明。

MLOP /治理平台还应提供有效的模型解释性–辅助商务用户在理解和欣赏模型结果中–由于进一步的AI / ML采用和接受取决于信任,透明度和验证。这提高了业务合作,并聘请业务用户将其想法传达给数据科学团队,以便这些想法可以在良性反馈循环中纳入模型中。

通过MLOPS /治理平台促进的商业和技术利益相关者之间实现无缝协作,对于最大化AI / ML倡议来解决现实世界业务问题的潜力来说是极其强大的。为实现这一目标,业务利益相关者必须教育基于技术的对应物,以及AI / ML倡议的最终目标。反过来,技术利益相关者在正确使用模型时教育他们的业务同事是同样重要的,因为如果业务用户要为目标部署模型而不是其预期用途,则会失败。技术利益相关者还应向业务用户展示不同的功能,例如监控,仪表板,分析报告或使用模型增强其经验的任何其他功能。

MLOPS /治理平台的治理能力应向用户提供鸟瞰的所有生产模型,因此可以立即了解可能培养红旗的模型行为。重要的是要提及许多组织构建具有与全功能MLOPS /治理平台相同的功能的工具。但是,组织不能总是维护自本草工具并保持最新。使用本土解决方案运营模型的公司可能会失去时间和金钱。

MLOPS /治理平台的开发人员通常具有致力于发展平台的各个方面的单独创新团队,包括所有算法和解决问题的方法。 MLOP /治理平台还提供了“Shadow Ai”等先进的功能,其中公司可以在一个完全安全的分期环境中监控模型行为的各个方面,既完全安全的常产论。

基于GUT的决定数据驱动的洞察力

很快,如果他们尚未建立在他们身上,所有数据驱动的举措都将触及AI / ML功能。传统的BI和分析不会消失,但它们肯定会得到AI / ML能力的增强。尽管有许多技术进步,但今天的大多数企业仍然是通过一种形式的“肠道思维”运作。

随着组织的发展,他们需要更广泛更深的洞察力,肯定会由AI / ML提供。直到最近,重点是数据科学家和模型创作过程,但现在,焦点正在转移到负责将所有模型带入生产的ML工程师。今天,对于可预见的未来,重要的是生产中的模型做业务希望他们要做的事情,并且不断学习来提供改进的性能。

关于作者

Lakshmi Randall.是DataTron的产品营销副总裁,是AI Sopels和Scalece的先驱和规模治理。有关更多信息访问 www.datatron.com. or follow them @LakshmiLJ

贡献者

Lakshmi Randall.是全球软件营销领导者,通过创新营销和GTM策略提供快速增长的经过验证的历史记录。类别界定公司的全球领导作用。管理领导的全球职能,如产品营销,解决方案营销,客户营销,销售能力,竞争情报,分析师关系和公共关系等。广泛的经验,驾驶战略组合和产品定位和增长,深入了解市场动态,竞争对手和客户洞察力。

贡献者表达的意见是他们自己的意见。

关于Lakshmi Randall.

Lakshmi Randall.是全球软件营销领导者,通过创新营销和GTM策略提供快速增长的经过验证的历史记录。类别界定公司的全球领导作用。管理领导的全球职能,如产品营销,解决方案营销,客户营销,销售能力,竞争情报,分析师关系和公共关系等。广泛的经验,驾驶战略组合和产品定位和增长,深入了解市场动态,竞争对手和客户洞察力。

查看Lakshmi Randall的所有帖子→