Apakah yang boleh dipelajari daripada menganalisis projek AI yang gagal?

Kegagalan projek AI selalunya tiada kaitan dengan masalah besar, tetapi ditentukan oleh butiran kecil. Berhadapan dengan semua kemungkinan yang menarik, syarikat selalunya penuh keyakinan apabila mereka mula-mula melancarkan projek AI. Walau bagaimanapun, masalah praktikal semasa proses pelaksanaan khusus boleh memadamkan semangat ini dengan mudah, menyebabkan projek AI ditangguhkan atau akhirnya gagal. Salah satu masalah biasa yang menyebabkan kegagalan adalah kekurangan pertimbangan organisasi yang tepat terhadap kos jangka panjang projek. Pihak pengurusan hanya mengira kos permulaan projek, tetapi gagal memberi perhatian kepada perbelanjaan penyelenggaraan dan kemas kini yang seterusnya.

Syarikat penyelidikan Cognilytica menjalankan analisis komprehensif terhadap ratusan projek AI yang gagal dan menyedari bahawa banyak organisasi tidak menyedari kesinambungan kitaran hayat projek AI. Organisasi selalunya memperuntukkan belanjawan hanya untuk beberapa lelaran pertama projek, termasuk penyediaan data, pembersihan, latihan model, pelabelan data, penilaian model dan keperluan lelaran, tetapi gagal mengekalkan belanjawan untuk lelaran yang berterusan. Selain itu, organisasi mesti sentiasa memantau pereputan model dan data, melatih semula model mengikut keperluan, dan mempertimbangkan pengembangan dan lelaran selanjutnya pada masa hadapan. Dari masa ke masa, ini pasti akan membawa kepada penyelewengan atau ketidakseimbangan dalam jangkaan pulangan pelaburan organisasi untuk projek AI.

Apakah jenis proses pemikiran yang dilalui oleh semua orang apabila mempertimbangkan kos lelaran berterusan model? Cabaran yang dihadapi kebanyakan organisasi ialah mereka cenderung untuk melihat projek AI sebagai bukti konsep atau aplikasi perintis sekali sahaja, dan tidak mempertimbangkan untuk mengetepikan sebahagian daripada dana, sumber dan tenaga kerja untuk penilaian berterusan dan latihan semula model. Tetapi sebagai projek dipacu data biasa, AI bukanlah pelaburan sekali sahaja. Orang ramai mungkin tidak menyedari bahawa sebaik sahaja model dimasukkan ke dalam pengeluaran, mereka perlu terus memperuntukkan dana, sumber dan tenaga kerja untuk lelaran dan pembangunan model.

Jadi organisasi yang hanya mempertimbangkan kos pembinaan model akan menghadapi pelbagai masalah selepas projek itu dilancarkan. Mengambil kos projek AI dan pulangan pelaburan sebagai contoh, pemilik projek AI perlu memberi perhatian kepada kos untuk menyelenggara model dan berapa banyak sumber yang mereka sanggup melabur dalam penyediaan data dan lelaran model berikutnya.

Satu perkara yang mempunyai persamaan projek AI yang berjaya ialah fungsinya tidak dihantar sekaligus. Sebaliknya, projek yang berjaya melihat penyelesaian AI sebagai kitaran berulang berterusan tanpa titik permulaan dan titik akhir yang jelas. Sama seperti projek keselamatan siber bukan projek sekali sahaja, projek dipacu data seperti AI juga perlu terus beroperasi untuk memastikan ia menyesuaikan diri dengan perubahan realiti dan perubahan data. Malah model yang berfungsi dengan baik pada mulanya mungkin akan gagal secara beransur-ansur dari semasa ke semasa kerana hanyut data dan hanyut model tidak dapat dielakkan. Di samping itu, apabila organisasi itu sendiri berkembang, pengetahuan dan kemahiran profesional, kes penggunaan, model dan data untuk aplikasi AI akan terus dikemas kini dan berubah.

Tambahan pula, ekonomi global dan struktur dunia juga turun naik dalam cara yang tidak dijangka. Akibatnya, mana-mana projek perancangan jangka panjang, termasuk projek AI yang sangat kompleks, sudah semestinya perlu membuat pelarasan sewajarnya. Peruncit pastinya tidak dapat menjangkakan rantaian bekalan dan gangguan pasaran buruh yang telah berlaku sejak dua tahun lalu, begitu juga organisasi tidak dapat menjangka peralihan pantas kepada bekerja dari rumah. Perubahan pantas dalam dunia sebenar dan tingkah laku pengguna pasti akan membawa kepada perubahan dalam data, jadi model juga mesti berubah. Oleh sebab itu, kita perlu memantau dan mengulang model secara berterusan, dengan mengambil kira sepenuhnya hanyut data dan hanyutan model.

Pemikiran tentang lelaran: Metodologi dan Ops ML

Apabila organisasi merancang untuk mengembangkan atau meningkatkan model, ia juga perlu memadankan mekanisme lelaran model asal. Sebagai contoh, jika perniagaan Amerika Utara ingin mengembangkan model ramalan corak pembeliannya ke pasaran lain, perniagaan tersebut perlu meneruskan model dan data untuk menyesuaikan diri dengan keperluan data baharu.

Faktor ini bermakna organisasi mesti terus menyediakan pembiayaan tambahan untuk lelaran bagi memastikan model mengenal pasti sumber data dan faktor utama lain dengan betul. Organisasi yang berjaya dalam AI juga menyedari bahawa mereka perlu mengikuti kaedah berulang dan tangkas yang terbukti secara empirikal untuk berjaya menyelesaikan pengembangan projek AI. Bergantung pada metodologi tangkas dan idea pengurusan projek berpusatkan data, Piawaian Proses Perlombongan Data Merentas Industri (CRISP-DM) dan lain-lain telah mula mempertingkatkan fungsi AI untuk memastikan projek lelaran tidak terlepas langkah utama tertentu.

Dengan pembangunan berterusan pasaran AI, pengurusan operasi model pembelajaran mesin yang muncul dipanggil "ML Ops" juga telah mula dicari. ML Ops memfokuskan pada keseluruhan kitaran hayat pembangunan dan penggunaan model, operasi pembelajaran mesin dan penggunaan. Kaedah dan penyelesaian ML Ops direka untuk membantu organisasi mengurus dan memantau model AI dalam ruang yang terus berkembang. ML Ops juga boleh dikatakan berdiri di atas bahu gergasi, menyerap sepenuhnya idea lelaran/pembangunan berterusan projek berpusatkan pembangunan DevOps dan pengalaman pengurusan DataOps dalam pengurusan set data berskala besar yang sentiasa berubah.

Matlamat ML Ops adalah untuk menyediakan organisasi dengan panduan keterlihatan seperti hanyut model, tadbir urus model dan kawalan versi, dengan itu membantu lelaran projek AI. ML Ops boleh membantu semua orang mengurus masalah ini dengan lebih baik. Walaupun pasaran kini dibanjiri dengan pelbagai alatan ML Ops, ML Ops, seperti DevOps, terutamanya menekankan bahawa organisasi melakukan sesuatu sendiri, dan bukannya membelanjakan wang untuk menyelesaikannya tanpa berfikir. Amalan terbaik Ml Ops merangkumi beberapa aspek seperti tadbir urus model, kawalan versi, penemuan, pemantauan, ketelusan dan keselamatan/lelaran model. Penyelesaian ML Ops juga boleh menyokong berbilang versi model yang sama secara serentak, menyesuaikan tingkah laku mereka mengikut keperluan khusus. Penyelesaian sedemikian juga menjejaki, memantau dan menentukan siapa yang mempunyai akses kepada model yang mana, sambil memastikan tadbir urus yang ketat dan prinsip pengurusan keselamatan.

Memandangkan keperluan sebenar lelaran AI, ML Ops telah mula menjadi bahagian penting dalam keseluruhan pembinaan model dan persekitaran pengurusan. Pada masa hadapan, fungsi ini dijangka semakin menjadi sebahagian daripada set alat AI dan ML keseluruhan, dan secara beransur-ansur memasuki senario aplikasi seperti penyelesaian awan, produk sumber terbuka dan platform pembelajaran mesin ML.

Kegagalan adalah ibu kepada kejayaan

Kejayaan projek ML Ops dan AI tidak dapat dipisahkan daripada sokongan dan bimbingan amalan terbaik. Masalah tidak akan menyebabkan projek AI gagal; ketidakupayaan untuk menyelesaikan masalah dengan tepat adalah punca kegagalan. Organisasi perlu melihat projek AI sebagai proses berulang dan langkah demi langkah, dan meneroka sepenuhnya amalan terbaik yang sesuai dengannya melalui pengurusan projek kognitif untuk kaedah AI (CPMAI) dan alatan ML Ops yang berkembang. Berfikir besar, mulakan kecil dan konsep lelaran berterusan harus dijalankan melalui keseluruhan kitaran hayat projek AI. Kegagalan ini bukanlah pengakhiran cerita, tetapi permulaan yang baru.

Atas ialah kandungan terperinci Apakah yang boleh dipelajari daripada menganalisis projek AI yang gagal?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!