Hvordan skal it-ledere og fagfolk arbejde på at vælge og levere den teknologi, der kræves til at levere de store vidunder af kunstig intelligens og maskinindlæring? AI og ML kræver at have mange bevægelige dele på deres rigtige steder, bevæge sig i den rigtige retning for at opfylde det løfte, disse teknologier giver – økosystemer, data, platforme og sidst men ikke mindst mennesker.
< p>
Foto: IBM Media Relations
Er der en måde, hvorpå it-ledere kan være proaktive omkring AI og ML uden at rive og rasle en organisation af mennesker, der ønsker miraklerne fra AI og ML leveret i morgen formiddag? Svaret er ja.
Forfatterne af en nylig rapport fra MIT Sloan Management Review og SAS fortaler for en relativt ny metode til succesfuldt at levere leveringen AI og ML til virksomheder kaldet “ModelOps.” Mens der nu er mange “xOps”, der kommer ind i vores leksikon, såsom MLOps eller AIOps, er ModelOps mere “tankegang end et specifikt sæt værktøjer eller processer, der fokuserer på effektiv operationalisering af alle typer AI og beslutningsmodeller.”
Det er fordi i AI og ML er modeller kernen i sagen, de mekanismer, der dikterer samlingen af algoritmerne og sikrer fortsat forretningsværdi. ModelOps, som er en forkortelse for: modeloperationalisering, “fokuserer på modelens livscyklus og styring; beregnet til at fremskynde rejsen fra udvikling til implementering – i dette tilfælde flytte AI-modeller fra datalogi til IT-organisationen så hurtigt og effektivt som muligt.”
Med hensyn til operationalisering af AI og ML “falder meget tilbage på IT”, ifølge Iain Brown, chef for datalogi for SAS, Storbritannien og Irland, der er citeret i rapporten. “Du har dataforskere, der bygger store innovative ting. Men medmindre de kan implementeres i det økosystem eller den eksisterende infrastruktur – og typisk involverer det it – – er der ingen mening i at gøre det. Datavidenskabssamfundet og AI-hold skal arbejde meget tæt med IT og forretningen, være ledningen til at slutte sig til de to, så der er en klar idé og definition af det problem, der står overfor, en klar vej til produktion. Uden det vil du have uensartede processer og problemer med værdigenerering. “
ModelOps er en måde at hjælpe it-ledere med at bygge bro over dette kløft mellem analyse- og produktionsteams, hvilket gør AI- og ML-drevet livscyklus “gentagelig og bæredygtig”, hedder det i MIT-SAS-rapporten. Det er et trin over MLOps eller AIOps, som “har et snævrere fokus på henholdsvis maskinindlæring og AI-operationalisering”, ModelOps fokuserer på levering og bæredygtighed af forudsigelige analysemodeller, som er kernen i AI og MLs værdi for virksomheden. ModelOps kan gøre en forskel, fortsætter rapportens forfattere, “for uden det er dine AI-projekter meget mere tilbøjelige til at mislykkes fuldstændigt eller tage længere tid, end du gerne vil lancere. Kun omkring halvdelen af alle modeller når det nogensinde til produktion af dem der gør det, tager cirka 90% tre måneder eller længere at implementere. “
At komme til ModelOps for at styre AI og ML involverer it-ledere og fagfolk, der samler fire nøgleelementer i forretningsværdiligning, som beskrevet af rapportens forfattere.
Økosystemer: I disse dage kræver enhver vellykket teknologisk indsats tilslutningsmuligheder og netværkseffekt. ”Et AI-klar økosystem skal være så åbent som muligt, siger rapporten.” Sådanne økosystemer udvikler sig ikke bare naturligt. Ethvert firma, der håber at bruge et økosystem med succes, skal udvikle næste generations integrationsarkitektur for at understøtte det og håndhæve åbne standarder, der let kan vedtages af eksterne parter. “
Data: Gå til vide, hvilke data der er vigtige for indsatsen. “Valider deres tilgængelighed til uddannelse og produktion. Mærk og mærk data til fremtidig brug, selvom du endnu ikke er sikker på, hvad denne brug kan være. Over tid opretter du en virksomhedsopgørelse, der hjælper fremtidige projekter med at køre hurtigere. “
Platforme: Fleksibilitet og modularitet – evnen til at bytte stykker som omstændighed ændrer sig – er nøglen. Rapportens forfattere går ind for at købe over bygning, da mange udbydere allerede har udarbejdet detaljerne i opbygning og implementering af AI- og ML-modeller. “Bestem din skystrategi. Vil du gå sammen med en cloud-tjenesteudbyder? Eller vil du bruge forskellige CSP'er til forskellige initiativer? Eller vil du tage en hybrid tilgang, hvor nogle arbejdsbelastninger kører lokalt og nogle med en CSP?: Nogle store CSP'er tilbyder typisk mere end bare skalerbarhed og lagerplads, såsom at levere værktøjer og biblioteker til at hjælpe med at opbygge algoritmer og hjælpe med at implementere modeller til produktion. “
Personer: Samarbejde er nøglen til vellykket levering af AI og ML, men det er også vigtigt, at folk har en følelse af ejerskab over deres dele af projekterne. “Hvem ejer AI-softwaren og -hardware – AI-teamet eller IT-teamet eller begge dele? Det er her, du får organisatoriske grænser, der skal defineres klart, forstås og koordineres. “Sammen med dataforskere er en gruppe, der er lige så vigtig for ModelOps, dataingeniører, der bringer” betydelig ekspertise i brug af analyse og business intelligence værktøjer, databasesoftware og SQL-datasproget samt evnen til konsekvent at producere rene, etiske data af høj kvalitet. “
Relaterede emner:
Big Data Analytics Digital Transformation CXO Internet af ting Innovation Enterprise-software 