Wie können Unternehmen mithilfe von MLOps die Produktionseffizienz verbessern, um die KI-Entwicklung zu beschleunigen?

Wenn Unternehmen zum ersten Mal künstliche Intelligenz einsetzen und maschinelle Lernprojekte aufbauen, konzentrieren sie sich oft auf die Theorie. Gibt es also ein Modell, das die notwendigen Ergebnisse liefern kann? Wenn ja, wie bauen und trainieren wir ein solches Modell?

Laut IDC-Daten dauert die Bereitstellung von Lösungen für künstliche Intelligenz oder maschinelles Lernen durchschnittlich mehr als 9 Monate. Vor allem, weil die Tools, die Datenwissenschaftler zum Erstellen dieser Proofs of Concept verwenden, oft nicht gut auf Produktionssysteme übertragen werden können. IDC-Analyst Sriram Subramanian sagte: „Wir nennen die für den F&E-Prozess benötigte Zeit ‚Modellgeschwindigkeit‘, also wie lange es von Anfang bis Ende dauert.“

Unternehmen können MLOps nutzen, um die oben genannten Probleme zu lösen. 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 unterstützen können, die theoretische Konzepte nutzen, um KI-Systeme zu validieren und effektiv zu machen.

Subramanian erklärt weiter: „MLOps reduziert die Modellgeschwindigkeit auf Wochen – manchmal sogar Tage, genau wie der Einsatz von DevOps, um die durchschnittliche Zeit zum Erstellen einer Anwendung zu verkürzen, weshalb Sie MLOps benötigen, um mehr Multiples zu erstellen.“ Modelle, schnellere Innovation und mehr Nutzungsszenarien. „Das Wertversprechen von MLOps ist klar.“

Laut IDC werden bis 2024 60 % der Unternehmen MLOps zur Implementierung ihrer maschinellen Lernabläufe nutzen. Subramanian sagte, als sie die Befragten zu den Herausforderungen bei der Einführung von KI und maschinellem Lernen befragten, sei eines der größten Hindernisse das Fehlen von MLOps gewesen, gleich nach den Kosten.

In diesem Artikel untersuchen wir, was MLOps ist, wie es sich entwickelt hat und was Unternehmen erreichen und beachten müssen, um das Beste aus dieser neuen KI-Betriebsmethode herauszuholen.

Die Entwicklung von MLOps

Als Eugenio Zuccarelli vor ein paar Jahren mit der Entwicklung von Projekten für maschinelles Lernen begann, war MLOps nur eine Reihe von Best Practices. Seitdem hat Zuccarelli an KI-Projekten bei mehreren Unternehmen gearbeitet, darunter im Gesundheitswesen und im Finanzdienstleistungsbereich, und er hat beobachtet, wie sich MLOps im Laufe der Zeit weiterentwickelten und eine Vielzahl von Tools und Plattformen umfassten.

Heute bietet MLOps einen ziemlich leistungsstarken Rahmen für den Betrieb künstlicher Intelligenz, sagte Zuccarelli, jetzt innovativer Datenwissenschaftler bei CVS Health, und erwähnte ein früheres Projekt, an dem er gearbeitet hat, um ein System zu entwickeln, das unerwünschte Ergebnisse wie Wiedereinweisungen oder Krankheiten vorhersagen kann Progression.

„Wir untersuchen Datensätze und Modelle und kommunizieren mit Ärzten, um die Eigenschaften der besten Modelle herauszufinden. Damit diese Modelle jedoch wirklich nützlich sind, müssen Benutzer diese Modelle tatsächlich verwenden.“ Erstellen Sie eine zuverlässige, schnelle und stabile mobile Anwendung. Das Backend verfügt über ein maschinelles Lernsystem, das über eine API verbunden ist. „Ohne MLOps könnten wir dies nicht gewährleisten“, sagte er

Sein Team nutzte die H2O MLOps-Plattform und andere Tools, um ein Gesundheits-Dashboard für das Modell zu erstellen. „Sie möchten auf keinen Fall größere Änderungen am Modell vornehmen und keine Verzerrungen hervorrufen. Mithilfe von MLOps können wir auch erkennen, ob sich das System geändert hat.“ Plattform. Er sagte: „Es ist sehr schwierig, Dateien auszutauschen, ohne die Anwendungsarbeit zu stoppen. MLOps kann das System während der Produktion mit minimalen Auswirkungen auf das System austauschen.“

Er sagte, dass sich die MLOps-Plattform schrittweise weiterentwickelt gesamten Modellentwicklungsprozess, da Unternehmen das Framework nicht für jedes Projekt neu erfinden müssen. Auch Funktionen zur Datenpipeline-Verwaltung sind für die KI-Implementierung von entscheidender Bedeutung.

„Wenn wir über mehrere Datenquellen verfügen, die miteinander kommunizieren müssen, kommt MLOps ins Spiel. Sie möchten, dass alle Daten, die in das maschinelle Lernmodell einfließen, konsistent und von hoher Qualität sind Rein, Müll raus. Wenn die Informationen des Modells schlecht sind, werden auch die Vorhersagen selbst schlecht sein. Die Kernprinzipien von MLOps werden ignoriert. Unternehmen, die neu bei MLOps sind, sollten bedenken, dass es bei MLOps im Kern darum geht, eine starke Verbindung zwischen Data Science und Data Engineering herzustellen.

Zuccarelli sagte: „Um den Erfolg von MLOps-Projekten sicherzustellen, müssen Dateningenieure und Datenwissenschaftler im selben Team arbeiten.“

Darüber hinaus sind Voreingenommenheit zu verhindern, Transparenz zu gewährleisten, Erklärbarkeit bereitzustellen und ethische Plattformen zu unterstützen Die Tools befinden sich noch in der Entwicklung. „In diesem Bereich muss definitiv noch viel getan werden, da es sich um einen sehr neuen Bereich handelt.“ müssen ein gutes Verständnis dafür haben, wie MLOps alle Aspekte der künstlichen Intelligenz effektiv implementieren können. Das bedeute, Fachwissen im Großen und Ganzen aufzubauen, sagte Meagan Gentry, nationale Praxismanagerin für das KI-Team beim Technologieberatungsunternehmen Insight.

MLOps deckt das gesamte Spektrum von der Datenerfassung, -verifizierung und -analyse bis hin zur Verwaltung von Maschinenressourcen und der Verfolgung der Modellleistung ab. Es gibt viele Hilfstools, die lokal, in der Cloud oder am Edge bereitgestellt werden können Open Source und einige sind exklusiv.

Aber die Beherrschung der Technologie ist nur ein Aspekt, MLOps greift auch auf die agilen Methoden von DevOps und die Prinzipien der iterativen Entwicklung zurück, sagte Gentry. Darüber hinaus ist die Kommunikation, wie in jedem agilen Bereich, von entscheidender Bedeutung.

„Die Kommunikation in jeder Rolle ist sehr wichtig, die Kommunikation zwischen Datenwissenschaftlern und Dateningenieuren, die Kommunikation mit DevOps und die Kommunikation mit dem gesamten IT-Team.“

#🎜 🎜#Für Unternehmen, die gerade erst anfangen Allerdings kann MLOps verwirrend sein, es gibt viele allgemeine Prinzipien, Dutzende verwandter Anbieter und sogar viele Open-Source-Tool-Sets.

„Es gibt hier und da alle möglichen Fallstricke“, sagte Helen Ristov, Senior Manager für Unternehmensarchitektur bei Capgemini Americas. „Viele davon befinden sich noch in der Entwicklung und es gibt noch keine formellen Richtlinien. Wie DevOps handelt es sich hierbei um eine aufstrebende Technologie und es wird einige Zeit dauern, bis Richtlinien und zugehörige Richtlinien eingeführt werden.“ #Ristov schlägt vor, dass Unternehmen ihre MLOps-Reise mit einer Datenplattform beginnen sollten. „Vielleicht haben sie Datensätze, aber sie befinden sich an verschiedenen Orten und es gibt keine einheitliche Umgebung.“

Unternehmen müssen nicht alle ihre Daten auf eine Plattform verschieben, sagte sie, aber sie tun es Eine Methode muss Daten aus unterschiedlichen Datenquellen einführen, und unterschiedliche Anwendungen haben unterschiedliche Situationen. Data Lakes sind beispielsweise ideal für Unternehmen, die große Mengen an Analysen mit hoher Frequenz und kostengünstiger Speicherung durchführen. MLOps-Plattformen verfügen oft über Tools zum Aufbau und zur Verwaltung von Datenpipelines und zur Verfolgung verschiedener Versionen von Trainingsdaten, aber dies ist kein einheitlicher Ansatz. Dann gibt es noch andere Aspekte wie Modellerstellung, Versionskontrolle, Protokollierung, Messung von Funktionssätzen, Verwaltung des Modells selbst und mehr.

„Da ist viel Codierung erforderlich“, sagte Ristov. Der Aufbau einer MLOps-Plattform kann Monate dauern, und Plattformanbieter haben bei Integrationen viel zu tun.

„Es gibt noch viel Raum für Entwicklung in diese verschiedenen Richtungen, viele Tools befinden sich noch in der Entwicklung, das Ökosystem ist sehr groß und die Leute wählen einfach aus, was sie brauchen. MLOps steckt noch in der Entwicklung.“ „Adoleszenz“ und die meisten Unternehmensorganisationen sind immer noch auf der Suche nach der idealsten Konfiguration.“ von 185 Millionen US-Dollar im Jahr 2020. Ungefähr 700 Millionen US-Dollar bis 2025, aber dieser Markt dürfte auch deutlich unterbewertet sein, da MLOps-Produkte oft mit größeren Plattformen gebündelt sind. Er sagte, dass die tatsächliche Größe des MLOps-Marktes bis 2025 2 Milliarden US-Dollar überschreiten könnte.

Subramanian sagte, dass MLOps-Anbieter in der Regel in drei Hauptkategorien unterteilt werden: Die erste sind große Cloud-Anbieter wie AWS, Azure und Google Cloud. Solche Anbieter bieten MLOps-Funktionalität als Service an.

Die zweite Kategorie sind Hersteller von Plattformen für maschinelles Lernen, wie DataRobot, Dataiku, Iguazio usw.

„Die dritte Kategorie ist das, was wir früher Datenverwaltungsanbieter nannten, wie Cloudera, SAS, DataBricks usw. Ihre Vorteile liegen in Datenverwaltungsfunktionen und Datenoperationen und erstrecken sich dann auf maschinelle Lernfunktionen , und schließlich die MLOps-Fähigkeiten erweitern.“

Subramanian sagte, dass diese drei Bereiche ein explosives Wachstum gezeigt haben und was MLOps-Anbieter auszeichnen kann, ist, ob sie sowohl lokale Umgebungen als auch Cloud-Bereitstellungsmodelle unterstützen können Ob sie vertrauenswürdige und verantwortungsvolle künstliche Intelligenz implementieren können, ob sie Plug-and-Play-fähig ist und ob sie leicht erweiterbar ist, das ist der Aspekt, der den Unterschied widerspiegelt. ”

Laut einer aktuellen IDC-Umfrage ist der Mangel an verschiedenen Methoden zur Implementierung verantwortungsvoller KI eines der drei größten Hindernisse für die Verbreitung von künstlicher Intelligenz und maschinellem Lernen, gleichauf mit dem Mangel an zweitplatzierten Methoden „Diese Situation ist größtenteils auf die Tatsache zurückzuführen, dass es keine Alternative zur Einführung von MLOps gibt“, sagte Sumit Agarwal, Forschungsanalyst für künstliche Intelligenz und maschinelles Lernen bei Gartner. „Die anderen Methoden sind manuell, es gibt also wirklich keine andere Wahl.“ . Wenn Sie skalieren möchten, benötigen Sie Automatisierung. Sie benötigen Code-, Daten- und Modellrückverfolgbarkeit. „

Laut einer aktuellen Umfrage von Gartner hat sich die durchschnittliche Zeit, die ein Modell vom Proof of Concept bis zur Produktion benötigt, von 9 Monaten auf 7,3 Monate verkürzt. „Aber 7,3 Monate sind immer noch lang.“ Gleichzeitig gibt es für Unternehmen viele Möglichkeiten, MLOps zu nutzen. „

MLOps führt zu Veränderungen in der Unternehmenskultur

Amaresh Tripathy, globaler Analyseleiter bei Genpact, sagte, dass die Implementierung von MLOps auch einen kulturellen Wandel als Unternehmens-KI-Team erfordert 🎜#

„Ein Datenwissenschaftler wirkt oft wie ein verrückter Wissenschaftler, der versucht, die Nadel im Heuhaufen zu finden. Aber in Wirklichkeit sind Datenwissenschaftler Entdecker und Entdecker und keine Fabriken, die Widgets herstellen. „Unternehmen unterschätzen oft den Aufwand, den sie betreiben müssen.

„Die Leute können das Engineering besser verstehen und haben bestimmte Anforderungen an die Benutzererfahrung, aber ich weiß nicht warum, die Leute haben völlig unterschiedliche Bereitstellungsmodelle.“ Man würde annehmen, dass alle Datenwissenschaftler, die gut im Testen von Umgebungen sind, diese Modelle natürlich einsetzen oder ein paar IT-Mitarbeiter schicken können, um sie bereitzustellen, was falsch ist. Die Leute verstehen nicht, was sie brauchen. ”

Viele Unternehmen sind sich der Dominoeffekte, die MLOps auf andere Aspekte des Unternehmens haben können, nicht bewusst, was oft zu großen Veränderungen innerhalb des Unternehmens führt.

„Man kann MLOps in Callcentern einsetzen und die durchschnittliche Reaktionszeit wird sich tatsächlich erhöhen, weil die Handhabung einfacher Dinge Maschinen und der KI überlassen wird und Dinge, die Menschen überlassen werden, tatsächlich länger dauern, weil diese Dinge tendenziell komplexer sind, also.“ Sie müssen überdenken, was diese Jobs sind, welche Art von Leuten Sie brauchen und welche Fähigkeiten diese Leute haben sollten.“ Tripathy sagte, dass heute weniger als 5 % von ihnen in einer Unternehmensorganisation tätig sind. Entscheidungen werden von Algorithmen gesteuert, aber das hier verändert sich rasant. „Wir gehen davon aus, dass in den nächsten fünf Jahren 20 bis 25 % der Entscheidungen von Algorithmen gesteuert werden, und jede Statistik, die wir sehen, zeigt, dass wir uns an einem Wendepunkt in der rasanten Ausbreitung der künstlichen Intelligenz befinden.“

Das glaubt er MLOps ist ein Schlüsselelement. Ohne MLOps können Sie KI nicht konsequent nutzen. MLOps ist der Katalysator für die Skalierung der Unternehmens-KI.

Das obige ist der detaillierte Inhalt vonWie können Unternehmen mithilfe von MLOps die Produktionseffizienz verbessern, um die KI-Entwicklung zu beschleunigen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!