Hur ska IT-ledare och yrkesverksamma arbeta för att välja och leverera den teknik som krävs för att leverera de stora underverk av artificiell intelligens och maskininlärning? AI och ML kräver att man har många rörliga delar på rätt plats, i rätt riktning, för att uppfylla det löfte som dessa tekniker ger – ekosystem, data, plattformar och sist men inte minst människor.
< p>
Foto: IBM Media Relations
Finns det ett sätt för IT-ledare att vara proaktiva när det gäller AI och ML utan att krångla och skramla en organisation av människor som vill att underverk av AI och ML ska levereras imorgon morgon? Svaret är ja.
Författarna till en ny rapport från MIT Sloan Management Review och SAS förespråkar en relativt ny metod för att framgångsrikt kunna leverera leverans AI och ML till företag som kallas “ModelOps.” Medan det nu finns många “xOps” som kommer in i vårt lexikon, som MLOps eller AIOps, är ModelOps mer “tänkesätt än en specifik uppsättning verktyg eller processer, med fokus på effektiv operationalisering av alla typer av AI och beslutsmodeller.”
Det beror på att i AI och ML är modeller kärnan i saken, de mekanismer som dikterar sammansättningen av algoritmerna och säkerställer fortsatt affärsvärde. ModelOps, som är en förkortning för: modelloperation, “fokuserar på modellens livscykel och styrning, avsedd att påskynda resan från utveckling till distribution – i det här fallet, flytta AI-modeller från datalaboratoriet till IT-organisationen så snabbt och effektivt som möjligt.”
När det gäller operationell AI och ML “faller mycket tillbaka på IT”, enligt Iain Brown, chef för datavetenskap för SAS, Storbritannien och Irland, som citeras i rapporten. “Du har datavetare som bygger stora innovativa saker. Men såvida de inte kan distribueras i det ekosystem eller den infrastruktur som finns – och typiskt som involverar IT – det finns ingen mening med att göra det. Datavetenskapssamhället och AI-team bör arbeta mycket nära med IT och verksamheten, vara ledningen för att gå med i de två så det finns en tydlig idé och definition av det problem som står inför, en tydlig väg till produktion. med värdeskapande. “
ModelOps är ett sätt att hjälpa IT-ledare att överbrygga klyftan mellan analys- och produktionsteam, vilket gör AI och ML-driven livscykel “repeterbar och hållbar”, säger MIT-SAS-rapporten. Det är ett steg ovanför MLOps eller AIOps, som “har ett snävare fokus på maskininlärning respektive AI-operationalisering”, ModelOps fokuserar på leverans och hållbarhet av prediktiva analysmodeller, som är kärnan i AI och ML: s värde för verksamheten. ModelOps kan göra skillnad, fortsätter rapportens författare, “för utan det är det mycket mer troligt att dina AI-projekt misslyckas helt eller tar längre tid än du vill lansera. Endast ungefär hälften av alla modeller kommer någonsin till produktion av dem som gör det tar cirka 90% att distribuera tre månader eller längre. “
Att komma till ModelOps för att hantera AI och ML innebär att IT-ledare och yrkesverksamma drar samman fyra nyckelelement i affärsvärdeekvationen, som beskrivs av rapportens författare.
Ekosystem: Dessa dagar kräver alla framgångsrika tekniska ansträngningar anslutning och nätverksström. ”Ett AI-redo ekosystem bör vara så öppet som möjligt, säger rapporten.” Sådana ekosystem utvecklas inte bara naturligt. Alla företag som hoppas kunna använda ett ekosystem framgångsrikt måste utveckla nästa generations integrationsarkitektur för att stödja det och genomdriva öppna standarder som lätt kan antas av externa parter. “
Data: Gå till vet vilka data som är viktiga för ansträngningen. “Validera tillgängligheten för utbildning och produktion. Tagga och märk data för framtida användning, även om du ännu inte är säker på vad användningen kan vara. Med tiden skapar du ett företagsinventering som hjälper framtida projekt att springa snabbare. “
Plattformar: Flexibilitet och modularitet – förmågan att byta ut delar när omständigheter förändras – är nyckeln. Rapportens författare förespråkar köp över byggnad, eftersom många leverantörer redan har utarbetat detaljerna för att bygga och distribuera AI- och ML-modeller. “Bestäm din molnstrategi. Kommer du att gå in med en enda molntjänstleverantör? Eller kommer du att använda olika CSP för olika initiativ? Eller kommer du att ta en hybridstrategi, med vissa arbetsbelastningar som körs lokalt och andra med en CSP?: Vissa stora CSP: er erbjuder vanligtvis mer än bara skalbarhet och lagringsutrymme, som att tillhandahålla verktyg och bibliotek för att hjälpa till att bygga algoritmer och hjälpa till med att distribuera modeller till produktion. “
Människor: Samarbete är nyckeln till framgångsrik AI- och ML-leverans, men det är också viktigt att människor har en känsla av ägande över sina delar av projekten. “Vem äger AI-programvaran och hårdvaran – AI-teamet eller IT-teamet, eller båda? Det är här du får organisatoriska gränser som måste definieras tydligt, tydligt förstås och samordnas. ”Tillsammans med dataforskare är en grupp som är lika viktig för ModelOps dataingenjörer som ger” betydande expertis i att använda analys och affärsinformation verktyg, databasprogramvara och SQL-dataspråk, samt förmågan att konsekvent producera rena, etiska data av hög kvalitet. “
Relaterade ämnen:
Big Data Analytics Digital Transformation CXO Internet of Things Innovation Enterprise Software 