Wie sollten IT-Führungskräfte und -Fachleute bei der Auswahl und Bereitstellung der Technologie vorgehen, die erforderlich ist, um die legendären Wunder der künstlichen Intelligenz und des maschinellen Lernens bereitzustellen? KI und ML erfordern viele bewegliche Teile an den richtigen Stellen, die sich in die richtige Richtung bewegen, um das Versprechen dieser Technologien zu erfüllen – Ökosysteme, Daten, Plattformen und nicht zuletzt Menschen.
< p>
Foto: IBM Media Relations
Gibt es eine Möglichkeit für IT-Führungskräfte, in Bezug auf KI und ML proaktiv zu sein, ohne eine Organisation von Leuten zu verwirren, die die Wunder von KI und ML morgen früh liefern wollen? Die Antwort ist ja.
Die Autoren eines kürzlich veröffentlichten Berichts von MIT Sloan Management Review und SAS befürworten eine relativ neue Methode, um die Bereitstellung von KI und ML für Unternehmen mit dem Namen “ModelOps” erfolgreich zu erreichen. Während viele “xOps” jetzt in unser Lexikon eindringen, wie MLOps oder AIOps, ist ModelOps eher eine “Denkweise als ein bestimmter Satz von Tools oder Prozessen, die sich auf die effektive Operationalisierung aller Arten von KI und Entscheidungsmodellen konzentrieren”.
Das liegt daran, dass in KI und ML Modelle das Herzstück sind, die Mechanismen, die die Zusammenstellung der Algorithmen vorschreiben und den anhaltenden Geschäftswert sicherstellen. ModelOps, kurz für :Model Operationalisierung, „konzentriert sich auf den Modelllebenszyklus und die Governance; soll den Weg von der Entwicklung bis zur Bereitstellung beschleunigen – in diesem Fall so schnell und effektiv KI-Modelle vom Data Science-Labor in die IT-Organisation verlagern wie möglich.”
In Bezug auf die Operationalisierung von KI und ML fällt „viel auf die IT zurück“, so Iain Brown, Leiter Data Science bei SAS, Großbritannien und Irland, der in dem Bericht zitiert wird. „Es gibt Data Scientists, die großartige innovative Dinge entwickeln. Aber es sei denn, sie können im Ökosystem oder in der vorhandenen Infrastruktur eingesetzt werden – und dazu gehört in der Regel die IT –, macht es keinen Sinn. Die Data Science-Community und die KI-Teams sollten sehr eng mit der IT und dem Geschäft zusammenarbeiten und die Verbindung zwischen beiden herstellen, damit es eine klare Vorstellung und Definition des Problems gibt, mit dem es konfrontiert ist, einen klaren Weg zur Produktion. Ohne das werden Sie unzusammenhängende Prozesse und Probleme haben mit Wertschöpfung.”
ModelOps ist eine Möglichkeit, IT-Führungskräften zu helfen, diese Lücke zwischen Analyse- und Produktionsteams zu schließen und den KI- und ML-gesteuerten Lebenszyklus “wiederholbar und nachhaltig” zu machen, heißt es im MIT-SAS-Bericht. Es ist einen Schritt über MLOps oder AIOps, die “einen engeren Fokus auf maschinelles Lernen bzw. KI-Operationalisierung haben”, ModelOps konzentriert sich auf die Bereitstellung und Nachhaltigkeit von Predictive Analytics-Modellen, die den Kern des Werts von KI und ML für das Geschäft darstellen. ModelOps kann einen Unterschied machen, so die Autoren des Berichts weiter, „denn ohne es werden Ihre KI-Projekte viel wahrscheinlicher komplett scheitern oder länger dauern, als Sie gerne starten würden. Nur etwa die Hälfte aller Modelle schaffen es jemals in die Produktion und von denen, die dies tun, benötigen etwa 90 % drei Monate oder länger für die Bereitstellung.”
Um zu ModelOps zu gelangen, um KI und ML zu verwalten, müssen IT-Führungskräfte und -Experten vier Schlüsselelemente der Gleichung für den Geschäftswert zusammenbringen, wie beschrieben von den Autoren des Berichts.
Ökosysteme: Heutzutage erfordert jedes erfolgreiche Technologievorhaben Konnektivität und Netzwerkleistung. „Ein KI-fähiges Ökosystem sollte so offen wie möglich sein“, heißt es in dem Bericht. „Solche Ökosysteme entwickeln sich nicht einfach auf natürliche Weise. Jedes Unternehmen, das ein Ökosystem erfolgreich nutzen möchte, muss eine Integrationsarchitektur der nächsten Generation entwickeln, um es zu unterstützen und offene Standards durchzusetzen, die von externen Parteien leicht übernommen werden können.”
Daten: Get to wissen, welche Daten für den Aufwand wichtig sind. “Validieren Sie deren Verfügbarkeit für Schulung und Produktion. Kennzeichnen und kennzeichnen Sie Daten für die zukünftige Verwendung, auch wenn Sie sich noch nicht sicher sind, wie diese Verwendung aussehen könnte. Im Laufe der Zeit erstellen Sie ein Unternehmensinventar, mit dem zukünftige Projekte schneller ausgeführt werden können.”
Plattformen: Flexibilität und Modularität – die Möglichkeit, Teile bei sich ändernden Umständen auszutauschen – sind der Schlüssel. Die Autoren des Berichts plädieren dafür, zu kaufen statt zu bauen, da viele Anbieter bereits die Details beim Erstellen und Bereitstellen von KI- und ML-Modellen ausgearbeitet haben. “Bestimmen Sie Ihre Cloud-Strategie. Werden Sie mit einem einzigen Cloud-Dienstleister alles in Angriff nehmen? Oder werden Sie verschiedene CSPs für verschiedene Initiativen verwenden? Oder werden Sie einen hybriden Ansatz verfolgen, bei dem einige Workloads lokal und einige mit einem CSP ausgeführt werden? : Einige Große CSPs bieten in der Regel mehr als nur Skalierbarkeit und Speicherplatz, z. B. die Bereitstellung von Tools und Bibliotheken zum Erstellen von Algorithmen und die Unterstützung bei der Bereitstellung von Modellen in der Produktion.”
Menschen: Zusammenarbeit ist das Schlüssel zu einer erfolgreichen Bereitstellung von KI und ML, aber es ist auch wichtig, dass die Leute ein Gefühl der Eigenverantwortung für ihre Teile der Projekte haben. “Wem gehört die KI-Software und -Hardware – das KI-Team oder das IT-Team oder beides? Hier erhalten Sie organisatorische Grenzen, die klar definiert, klar verstanden und koordiniert werden müssen.” Neben Data Scientists sind Data Engineers eine ebenso wichtige Gruppe für ModelOps, die “erhebliche Expertise im Einsatz von Analytics und Business Intelligence” mitbringen Tools, Datenbanksoftware und die Datensprache SQL sowie die Fähigkeit, konsistent saubere, qualitativ hochwertige und ethische Daten zu produzieren.”
Verwandte Themen:
Big Data Analytics Digital Transformation CXO Internet of Things Innovation Unternehmenssoftware 