Hoe moeten IT-leiders en -professionals de technologie selecteren en leveren die nodig is om de legendarische wonderen van kunstmatige intelligentie en machine learning te leveren? AI en ML vereisen dat veel bewegende delen op de juiste plaats en in de goede richting bewegen om de belofte waar te maken die deze technologieën brengen: ecosystemen, gegevens, platforms en niet in de laatste plaats mensen.
< p>
Foto: IBM Media Relations
Is er een manier voor IT-leiders om proactief te zijn op het gebied van AI en ML zonder een organisatie van mensen die morgenochtend de wonderen van AI en ML willen laten bezorgen, in de war te brengen en te rammelen? Het antwoord is ja.
De auteurs van een recent rapport van MIT Sloan Management Review en SAS pleiten voor een relatief nieuwe methode om met succes AI en ML aan ondernemingen te leveren, genaamd 'ModelOps'. Hoewel er nu veel “xOps” ons lexicon binnenkomen, zoals MLOps of AIOps, is ModelOps meer “mindset dan een specifieke set tools of processen, gericht op effectieve operationalisering van alle soorten AI en beslissingsmodellen.”
Dat komt omdat in AI en ML modellen de kern van de zaak zijn, de mechanismen die de assemblage van de algoritmen dicteren en blijvende bedrijfswaarde garanderen. ModelOps, wat een afkorting is voor: model operationalization, “focust op de levenscyclus en governance van modellen; bedoeld om de reis van ontwikkeling naar implementatie te versnellen – in dit geval AI-modellen zo snel en effectief van het data science lab naar de IT-organisatie te verplaatsen als mogelijk.”
In termen van het operationaliseren van AI en ML valt “veel terug op IT”, aldus Iain Brown, hoofd data science voor SAS, het VK en Ierland, die in het rapport wordt geciteerd. “Je hebt datawetenschappers die geweldige innovatieve dingen bouwen. Maar tenzij ze kunnen worden ingezet in het ecosysteem of de infrastructuur die bestaat – en meestal is dat met IT – heeft het geen zin om het te doen. De datawetenschapsgemeenschap en AI-teams zouden zeer nauw samenwerken met IT en de business, het kanaal zijn om de twee te verbinden, zodat er een duidelijk idee en definitie is van het probleem waarmee men wordt geconfronteerd, een duidelijke route naar productie.Zonder dat krijg je onsamenhangende processen en problemen met waardegeneratie.”
ModelOps is een manier om IT-leiders te helpen die kloof tussen analyse- en productieteams te overbruggen, waardoor AI en ML-gedreven levenscyclus “herhaalbaar en duurzaam” wordt, stelt het MIT-SAS-rapport. Het is een stap boven MLOps of AIOps, die “respectievelijk een beperktere focus hebben op machine learning en AI-operationalisering”, richt ModelOps zich op de levering en duurzaamheid van voorspellende analysemodellen, die de kern vormen van AI en ML's waarde voor het bedrijf. ModelOps kan een verschil maken, vervolgen de auteurs van het rapport, “omdat zonder dat uw AI-projecten veel meer kans hebben om volledig te mislukken of langer duren dan u zou willen lanceren. Slechts ongeveer de helft van alle modellen haalt ooit de productie, en van degenen die dat wel doen, heeft ongeveer 90% drie maanden of langer nodig om te implementeren.”
Om naar ModelOps te gaan om AI en ML te beheren, moeten IT-leiders en professionals vier belangrijke elementen van de zakelijke waardevergelijking samenbrengen, zoals beschreven door de auteurs van het rapport.
Ecosystemen: Tegenwoordig vereist elke succesvolle technologische inspanning connectiviteit en netwerkvermogen. “Een AI-ready ecosysteem moet zo open mogelijk zijn, stelt het rapport. “Dergelijke ecosystemen evolueren niet zomaar op natuurlijke wijze. Elk bedrijf dat een ecosysteem met succes wil gebruiken, moet een integratiearchitectuur van de volgende generatie ontwikkelen om dit te ondersteunen en open standaarden af te dwingen die gemakkelijk door externe partijen kunnen worden overgenomen.”
Gegevens: Ga naar weten welke gegevens belangrijk zijn voor de inspanning. “Valideer de beschikbaarheid ervan voor training en productie. Label en label gegevens voor toekomstig gebruik, zelfs als u nog niet zeker weet wat dat gebruik zou kunnen zijn. Na verloop van tijd creëer je een bedrijfsinventaris waarmee toekomstige projecten sneller kunnen worden uitgevoerd.”
Platformen: Flexibiliteit en modulariteit – de mogelijkheid om stukken uit te wisselen als de omstandigheden veranderen – zijn de sleutelwoorden. De auteurs van het rapport pleiten voor kopen boven bouwen, aangezien veel providers de details bij het bouwen en implementeren van AI- en ML-modellen al hebben uitgewerkt. “Bepaal je cloudstrategie. Ga je all-in met één cloudserviceprovider? Of ga je verschillende CSP's gebruiken voor verschillende initiatieven? Of ga je voor een hybride aanpak, waarbij sommige workloads on-premises draaien en sommige met een CSP? : Sommige grote CSP's bieden doorgaans meer dan alleen schaalbaarheid en opslagruimte, zoals het leveren van tools en bibliotheken om algoritmen te bouwen en te helpen bij het implementeren van modellen in productie.”
Mensen: Samenwerking is de sleutel tot succesvolle AI- en ML-levering, maar het is ook belangrijk dat mensen het gevoel hebben dat ze eigenaar zijn van hun onderdelen van de projecten. “Wie is de eigenaar van de AI-software en -hardware: het AI-team of het IT-team, of beide? Hier krijg je organisatorische grenzen die duidelijk gedefinieerd, duidelijk begrepen en gecoördineerd moeten worden.” Samen met datawetenschappers is een groep die net zo belangrijk is voor ModelOps data-ingenieurs, die “aanzienlijke expertise inbrengen in het gebruik van analyses en business intelligence tools, databasesoftware en de SQL-gegevenstaal, evenals de mogelijkheid om consistent schone, hoogwaardige, ethische gegevens te produceren.”
Verwante onderwerpen:
Big Data Analytics Digital Transformation CXO Internet of Things Innovatie Enterprise Software 