Unternehmen nutzen maschinelles Lernen, um geschäftliche Vorteile zu erzielen

​Wenn Unternehmen zum ersten Mal KI einsetzen und Projekte zum maschinellen Lernen starten, liegt der Fokus oft auf der theoretischen Ebene. Gibt es ein bestimmtes Modell, das die notwendigen Ergebnisse liefern kann? Wie trainiert man dieses Modell? Aber die Tools, mit denen Datenwissenschaftler diese Proof-of-Concepts entwickeln, lassen sich oft nicht gut umsetzen Produktionssysteme. Laut IDC dauert die Bereitstellung einer KI- oder maschinellen Lernlösung daher durchschnittlich mehr als neun Monate.

IDC-Analyst Sriram Subramanian sagte: „Wir nennen es ‚Modellgeschwindigkeit‘, also die Zeit, die ein Modell vom Anfang bis zum Ende benötigt.“

Hier kommt MLOps ins Spiel.“ MLOps (Machine Learning Operations) ist eine Reihe von Best Practices, Frameworks und Tools, die Unternehmen bei der Verwaltung von Daten, Modellen, Bereitstellung, Überwachung und anderen Aspekten der Durchführung eines theoretischen Proof of Concept und der Inbetriebnahme eines KI-Systems unterstützen.

„MLOps können die Modellgeschwindigkeit auf Wochen – manchmal Tage – reduzieren“, sagte Subramanian. „So wie der Einsatz von Entwicklungsvorgängen (DevOps) die durchschnittliche Zeit für die Entwicklung einer Anwendung verkürzen kann, müssen Sie MLOps verwenden.“ Anwendungsfälle. „Das Wertversprechen ist sehr klar“, sagte er.

IDC prognostiziert, dass bis 2024 60 % der Unternehmen MLOps verwenden werden, um ihre Arbeitsabläufe für maschinelles Lernen zu implementieren. Subramanian sagte, dass bei einer Befragung von Unternehmen zu den Herausforderungen, denen sie beim Einsatz von KI und maschinellen Lerntechnologien gegenüberstehen, ein Mangel an MLOps als größtes Hindernis für die Einführung von KI und maschinellen Lerntechnologien in Unternehmen herausgekommen sei, gleich neben den Kosten.

Hier schauen wir uns an, was MLOPs sind, wie sie sich entwickeln und was Unternehmen nutzen und beachten müssen, um diesen neuen Ansatz bei der Implementierung von KI-Technologien optimal zu nutzen.

Die Entwicklung von MLOps

Als Eugenio Zuccarelli vor ein paar Jahren begann, Projekte für maschinelles Lernen zu entwerfen, war MLOps nur eine Sammlung von Best Practices. Seitdem hat Zuccarelli an KI-Projekten bei mehreren Unternehmen gearbeitet, darunter einige im Gesundheitswesen und im Finanzdienstleistungsbereich, und hat im Laufe der Zeit die Entwicklung von MLOps zu einer Vielzahl von Tools und Plattformen miterlebt.

Heute bietet MLOps einen ziemlich leistungsstarken Rahmen für die Implementierung von KI-Technologie, sagte Zuccarelli, jetzt Innovationsdatenwissenschaftler bei CVS Health. Als Beispiel erwähnte Zuccarelli ein früheres Projekt, an dem er gearbeitet hatte, um eine App zu entwickeln, die unerwünschte Folgen wie eine Wiedereinweisung ins Krankenhaus oder das Fortschreiten der Krankheit vorhersagen konnte.

„Wir haben uns Datensätze und Modelle angesehen und mit Ärzten gesprochen, um die Eigenschaften der besten Modelle herauszufinden“, sagte er. „Aber um diese Modelle wirklich nützlich zu machen, müssen wir sie den tatsächlichen Benutzern präsentieren.“

Das bedeutet, eine mobile App zu entwickeln, die zuverlässig, schnell und stabil ist, und über eine API im Backend zu verfügen, die mit maschinellem Lernen verbunden ist Systeme. „Ohne MLOps könnten wir das nicht garantieren“, sagte er.

Sein Team hat mit der H2O MLOps-Plattform und anderen Tools ein Gesundheits-Dashboard für das Modell erstellt. „Sie möchten nicht, dass sich das Modell wesentlich ändert“, sagte er. „Und Sie möchten keine Voreingenommenheit hervorrufen. Mithilfe dieses Gesundheits-Dashboards können wir nachvollziehen, ob Änderungen im System vorgenommen wurden.“ „Es ist sehr schwierig, eine Datei zu ersetzen, ohne die Ausführung der Anwendung zu stoppen“, sagte Zuccarelli. „Selbst wenn das System in Produktion ist, können MLOps-Tools das System mit minimaler Unterbrechung des Systems selbst ersetzen.“ Sie müssen nicht bei jedem Projekt vergeblich wiederkehrende Arbeit leisten. Auch Funktionen zur Datenpipeline-Verwaltung sind für die Implementierung von KI von entscheidender Bedeutung.

„MLOps kommt ins Spiel, wenn wir mehrere Datenquellen haben, die miteinander kommunizieren müssen“, sagte er. „Sie möchten, dass alle Daten, die in Ihr maschinelles Lernmodell einfließen, konsistent und von hoher Qualität sind. Wie man so schön sagt: Müll rein, Müll raus. Wenn die Informationen, die dem Modell zugeführt werden, von schlechter Qualität sind, sind seine Vorhersagen selbst schlecht

Grundlagen von MLOps: Das Ziel verschieben

Aber denken Sie nicht, dass Sie die Kernprinzipien von MLOps ignorieren können, nur weil es jetzt einige Plattformen und Tools gibt. Unternehmen, die gerade erst in diesem Bereich tätig sind, sollten bedenken, dass es bei MLOps im Kern darum geht, eine starke Verbindung zwischen Datenwissenschaft und Datentechnik herzustellen.

„Um sicherzustellen, dass MLOps-Projekte erfolgreich sind, müssen sowohl Dateningenieure als auch Datenwissenschaftler im selben Team sein“, sagte Zuccarelli.

Darüber hinaus sollte die Plattform mit den notwendigen Tools ausgestattet werden, um Voreingenommenheit zu verhindern, Transparenz zu gewährleisten, Erklärbarkeit zu gewährleisten und Ethik zu unterstützen – Tools, die sich noch in der Entwicklung befinden, sagte er. „Es erfordert definitiv viel Arbeit, da dies ein sehr neues Gebiet ist.“

Ohne eine vollständige, schlüsselfertige Lösung müssen Unternehmen alle Aspekte beherrschen, bevor sie KI-Technologie implementieren. Das macht MLOps so effizient. Das bedeute, Fachwissen am Arbeitsplatz zu erlernen, sagte Meagan Gentry, inländische Praxisleiterin des KI-Teams des in Tempe ansässigen Technologieberatungsunternehmens Insight.

MLOps deckt alles von der Datenerfassung, Validierung und Analyse bis hin zur Verwaltung von Maschinenressourcen und der Verfolgung der Modellleistung ab. Einige der Tools, die Unternehmen unterstützen, können vor Ort, in der Cloud oder am Edge bereitgestellt werden. Diese Tools können Open Source oder proprietär sein.

Aber technisches Wissen ist nur ein Teil der Lösung. MLOps greife auch auf agile Methoden aus dem Entwicklungsbetrieb (DevOps) und iterative Entwicklungsprinzipien zurück, sagte Gentry. Darüber hinaus ist Kommunikation wie in Bereichen der agilen Entwicklung von entscheidender Bedeutung.

„Die Kommunikation zwischen allen Charakteren ist entscheidend“, sagte sie. „Kommunikation zwischen Datenwissenschaftlern und Dateningenieuren und Kommunikation mit dem größeren IT-Team.“

Für Unternehmen, die gerade erst anfangen, kann MLOps verwirrend sein. Einige allgemeine Prinzipien sind erkennbar, es gibt Dutzende Anbieter und es gibt noch mehr Open-Source-Toolboxen.

„Es gibt einige Fallstricke“, sagte Helen Ristov, Senior Manager für Unternehmensarchitektur bei Capgemini Americas. „Viele dieser Fallstricke liegen im Entwicklungsprozess. Es gibt keine formellen Richtlinien, wie man sie bei DevOps sieht. Es handelt sich um eine aufstrebende Technologie und die Entwicklung einiger Richtlinien und Strategien wird einige Zeit in Anspruch nehmen.“

Ristov schlug vor dass Unternehmen ihre MLOps-Reise von ihrer Datenplattform aus beginnen. „Vielleicht verfügen sie über mehrere Datensätze, aber sie befinden sich an verschiedenen Orten und in keiner sehr zusammenhängenden Umgebung“, sagte sie.

Sie sagte, dass Unternehmen nicht alle Daten auf eine Plattform verschieben müssen, aber sie benötigen eine Möglichkeit, Daten aus verschiedenen Datenquellen einzubinden, die je nach Anwendung unterschiedlich sein können. Ein Data Lake eignet sich beispielsweise gut für Unternehmen, die kostengünstigen Speicher benötigen und häufig große Mengen an Analysen durchführen.

Sie sagte, dass MLOps-Plattformen normalerweise einige Tools zum Aufbau und zur Verwaltung von Datenpipelines bereitstellen und gleichzeitig verschiedene Versionen von Trainingsdaten aufzeichnen, aber dies sei keine einmalige Lösung.

Dann bietet es auch Modellerstellung, Versionsverwaltung, Protokollierung, Messfunktionssätze und andere Aspekte der Verwaltung des Modells selbst.

„Es ist viel Codierung erforderlich“, sagte Ristov und fügte hinzu, dass die Einrichtung einer MLOps-Plattform Monate dauern kann und dass Plattformanbieter bei der Integrationsarbeit noch viel Arbeit vor sich haben.

„Es gibt viel Wachstum, das in verschiedene Richtungen geht“, sagte sie. „Es werden viele Tools entwickelt, das Ökosystem ist sehr groß und die Leute suchen sich einfach aus, was sie brauchen. MLOps befindet sich noch in einem unausgereiften Stadium. Die meisten Organisationen sind immer noch auf der Suche nach der besten Konfiguration.“ über die MLOps-Landschaft

Subramanian von IDC sagte, dass die Größe des MLOps-Marktes voraussichtlich von etwa 185 Millionen US-Dollar im Jahr 2020 auf etwa 700 Millionen US-Dollar im Jahr 2025 wachsen wird. Er sagte jedoch, dass dies eine ernsthafte Unterschätzung sein könnte, da MLOps-Produkte häufig mit größeren Plattformen gebündelt werden. Die tatsächliche Größe des Marktes könnte bis 2025 2 Milliarden US-Dollar überschreiten, sagte er.

Subramanian sagte, dass MLOps-Anbieter normalerweise in drei Kategorien unterteilt werden. Die erste sind die großen Cloud-Anbieter, darunter Amazon Web Services (AWS), Azure Cloud und Google Cloud. Diese Cloud-Plattformen nutzen MLOps-Funktionen als Dienste.

Dann gibt es einige Anbieter von Plattformen für maschinelles Lernen, wie DataRobot, Dataiku, Iguazio usw.

„Die dritte Kategorie bezeichnet man früher als Datenmanagement-Anbieter“, sagte er. „Unternehmen wie Cloudera, SAS und DataBricks. Ihr Vorteil liegt in den Datenverwaltungsfunktionen und Datenoperationen, und dann erweitern sie um maschinelle Lernfunktionen und schließlich um MLOps-Funktionen

Subramanian sagte, dass alle drei Bereiche davon profitieren.“ Er fügte hinzu, dass der Schlüssel zur Differenzierung von MLOps-Anbietern darin besteht, ob sie die Bereitstellung von Modellen sowohl vor Ort als auch in der Cloud unterstützen können, ob sie vertrauenswürdige und verantwortungsvolle KI implementieren können und ob sie Plug-and-Play bereitstellen können Lösung und ob ihre Lösung leicht erweitert werden kann. „Hier kommen die Unterschiede zwischen den Anbietern ins Spiel“, sagte er.

Laut einer aktuellen IDC-Umfrage ist der Mangel an Möglichkeiten zur Implementierung verantwortungsvoller KI eines der drei größten Hindernisse für den Einsatz von KI und maschinellen Lerntechnologien, gleichauf mit dem Mangel an MLOps selbst an zweiter Stelle.

Sumit Agarwal, Forschungsanalyst für KI und maschinelle Lerntechnologien beim Beratungsunternehmen Gartner, sagte, dies liege vor allem daran, dass es keine Alternative zur Verwendung von MLOps gebe.

„Jede andere Methode ist manuell“, sagte er. „Es gibt also wirklich keine andere Wahl. Wenn Sie skalieren wollen, brauchen Sie Automatisierung. Sie brauchen die Rückverfolgbarkeit Ihres Codes, Ihrer Daten und Ihrer Modelle.“ Die durchschnittliche Zeit vom Proof of Concept bis zur Produktion ist von 9 Monaten auf 7,3 Monate gesunken. „Aber 7,3 Monate sind immer noch ein langer Zyklus“, sagte Agarwal. „Es gibt viele Möglichkeiten für Unternehmen, MLOps zu nutzen.“

Organisationskultur auf MLOps umstellen

Amaresh Tripathy, Global Analytics Practice Leader bei Genpact, MLOps erfordert auch, dass das KI-Team des Unternehmens Änderungen in der Organisationskultur vornimmt .

„Ein gängiges Bild, das Menschen von Datenwissenschaftlern vermittelt wird, ist das eines verrückten Wissenschaftlers, der versucht, eine Nadel im Heuhaufen zu finden“, sagte er. „Ein Datenwissenschaftler ist ein Entdecker und Entdecker, kein Fabrikarbeiter, der am laufenden Band Widgets produziert. Aber das ist es, was man tun muss, wenn man wirklich skalieren will.“

Er sagte, dass Unternehmen dazu neigen, den dafür erforderlichen Aufwand zu unterschätzen .

„Die Leute haben ein besseres Verständnis für Software-Engineering“, sagte er. „Es gibt viele Regeln für die Benutzererfahrung und die Anforderungen. Aber irgendwie glauben die Leute nicht, dass sie den gleichen Prozess durchlaufen müssen, wenn sie ein Modell bereitstellen. Es gibt auch die falsche Vorstellung, dass alle Datenwissenschaftler, die gut in einem Test arbeiten können Umgebung Die Leute werden ein bestimmtes Modell einsetzen und können es auch einsetzen, oder sie können ein paar IT-Kollegen schicken, um die Arbeit zu erledigen.

Unternehmen haben das nicht erkannt können Auswirkungen auf andere Teile des Unternehmens haben und oft zu dramatischen Veränderungen führen.

„Sie können MLOps im Kundendienstzentrum einsetzen, aber die durchschnittliche Reaktionszeit wird sich tatsächlich verlängern, da einige einfache Aufgaben von Maschinen und KI erledigt werden, während Aufgaben, die an Menschen übergeben werden, tatsächlich länger dauern, weil diese Aufgaben umfangreicher sind komplex“, sagte er. „Man muss also neu darüber nachdenken, wie die Arbeit aussehen wird, welche Art von Menschen man braucht und welche Fähigkeiten vorhanden sein sollten.“ Algorithmen, aber das ändert sich schnell. „Wir gehen davon aus, dass in den nächsten fünf Jahren 20 bis 25 % der Entscheidungen von Algorithmen gesteuert werden. Jede von uns untersuchte Statistik zeigt, dass wir uns an einem Wendepunkt in der rasanten Ausbreitung der KI befinden.“ MLOps ist ein Schlüsselelement.

„Hundertprozentig“, sagte er. „Ohne MLOps kann man KI nicht nachhaltig nutzen. MLOps sind der Katalysator für die Ausweitung des Einsatzes von KI im Unternehmen.“

Das obige ist der detaillierte Inhalt vonUnternehmen nutzen maschinelles Lernen, um geschäftliche Vorteile zu erzielen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!