Come dovrebbero fare i leader e i professionisti IT per selezionare e fornire la tecnologia necessaria per offrire le meraviglie storiche dell'intelligenza artificiale e dell'apprendimento automatico? L'intelligenza artificiale e il machine learning richiedono la presenza di molte parti mobili al posto giusto, che si muovano nella giusta direzione, per mantenere le promesse offerte da queste tecnologie: ecosistemi, dati, piattaforme e, ultimo ma non meno importante, persone.
< p>
Foto: IBM Media Relations
C'è un modo per i leader IT di essere proattivi su AI e ML senza scompigliare e scuotere un'organizzazione di persone che vogliono i miracoli di AI e ML consegnati domani mattina? La risposta è si.
Gli autori di un recente rapporto del MIT Sloan Management Review e SAS sostengono una metodologia relativamente nuova per portare a termine con successo la consegna di AI e ML alle imprese chiamata “ModelOps”. Mentre molti “xOps” ora entrano nel nostro lessico, come MLOps o AIOps, ModelOps è più “mentalità di un insieme specifico di strumenti o processi, concentrandosi sull'operatività efficace di tutti i tipi di AI e modelli decisionali”.
Questo perché in AI e ML, i modelli sono il cuore della questione, i meccanismi che dettano l'assemblaggio degli algoritmi e assicurano un valore aziendale continuo. ModelOps, che è l'abbreviazione di :model operationization, “si concentra sul ciclo di vita del modello e sulla governance; ha lo scopo di accelerare il viaggio dallo sviluppo alla distribuzione, in questo caso, spostando i modelli di intelligenza artificiale dal laboratorio di data science all'organizzazione IT in modo rapido ed efficace il più possibile.”
In termini di operatività dell'AI e del machine learning, “molto ricade sull'IT”, secondo Iain Brown, capo della scienza dei dati per SAS, Regno Unito e Irlanda, citato nel rapporto. “Ci sono data scientist che stanno costruendo grandi cose innovative. Ma a meno che non possano essere implementati nell'ecosistema o nell'infrastruttura esistente – e in genere ciò coinvolge l'IT – non ha senso farlo. La comunità di data science e i team di intelligenza artificiale dovrebbero lavorare a stretto contatto con l'IT e l'azienda, essendo il tramite per unire i due in modo che ci sia un'idea e una definizione chiare del problema che si sta affrontando, un percorso chiaro verso la produzione. Senza di ciò, avrai processi e problemi disgiunti con la generazione di valore.”
ModelOps è un modo per aiutare i leader IT a colmare il divario tra i team di analisi e produzione, rendendo il ciclo di vita basato su AI e ML “ripetibile e sostenibile”, afferma il rapporto MIT-SAS. È un gradino sopra MLOps o AIOps, che “hanno un focus più ristretto sull'apprendimento automatico e sull'operatività dell'IA, rispettivamente”, ModelOps si concentra sulla consegna e sulla sostenibilità dei modelli di analisi predittiva, che sono il fulcro dell'intelligenza artificiale e del valore di ML per il business. ModelOps può fare la differenza, continuano gli autori del rapporto, “perché senza di esso, i tuoi progetti di intelligenza artificiale hanno molte più probabilità di fallire completamente o richiedere più tempo di quanto vorresti lanciare. Solo circa la metà di tutti i modelli arriva in produzione e di quelli che lo fanno, circa il 90% impiega tre mesi o più per essere implementato.”
Arrivare a ModelOps per gestire AI e ML coinvolge leader e professionisti IT che mettono insieme quattro elementi chiave dell'equazione del valore aziendale, come delineato dagli autori del rapporto.
Ecosistemi: Al giorno d'oggi, ogni impresa tecnologica di successo richiede connettività e potenza di rete. “Un ecosistema pronto per l'intelligenza artificiale dovrebbe essere il più aperto possibile, afferma il rapporto. “Tali ecosistemi non si evolvono semplicemente in modo naturale. Qualsiasi azienda che spera di utilizzare con successo un ecosistema deve sviluppare un'architettura di integrazione di nuova generazione per supportarlo e applicare standard aperti che possono essere facilmente adottati da parti esterne.”
Dati: Vai a sapere quali dati sono importanti per lo sforzo. “Convalida la sua disponibilità per la formazione e la produzione. Contrassegna ed etichetta i dati per un utilizzo futuro, anche se non sei ancora sicuro di quale potrebbe essere l'utilizzo. Nel tempo, creerai un inventario aziendale che aiuterà i progetti futuri a essere eseguiti più velocemente.”
Piattaforme: La flessibilità e la modularità, ovvero la capacità di sostituire i pezzi al variare delle circostanze, sono fondamentali. Gli autori del rapporto sostengono l'acquisto rispetto alla costruzione, poiché molti fornitori hanno già elaborato i dettagli nella creazione e nell'implementazione di modelli di AI e ML. “Determina la tua strategia cloud. Farai tutto con un unico fornitore di servizi cloud? O utilizzerai CSP diversi per iniziative diverse? O adotterai un approccio ibrido, con alcuni carichi di lavoro in esecuzione in locale e altri con un CSP? : Alcuni i principali CSP in genere offrono più della semplice scalabilità e spazio di archiviazione, ad esempio fornendo strumenti e librerie per aiutare a creare algoritmi e assistere con l'implementazione di modelli in produzione.”
Persone: La collaborazione è il chiave per la distribuzione di successo di AI e ML, ma è anche importante che le persone abbiano un senso di proprietà sulle loro parti dei progetti. “Chi possiede il software e l'hardware AI: il team AI o il team IT o entrambi? È qui che si ottengono i confini organizzativi che devono essere chiaramente definiti, compresi chiaramente e coordinati.” Insieme ai data scientist, un gruppo altrettanto importante per ModelOps è costituito dai data engineer, che apportano “una significativa esperienza nell'utilizzo di analisi e business intelligence strumenti, software di database e linguaggio dati SQL, nonché la capacità di produrre costantemente dati puliti, di alta qualità ed etici.”
Argomenti correlati:
Big Data Analytics Digital Transformation CXO Internet of Things Innovation Enterprise Software 