Hvordan skal IT-ledere og fagpersoner gå frem for å velge og levere den teknologien som kreves for å levere de store underverkene av kunstig intelligens og maskinlæring? AI og ML krever å ha mange bevegelige deler på sine rette steder, bevege seg i riktig retning, for å oppfylle løftet disse teknologiene gir – økosystemer, data, plattformer og sist, men ikke minst, mennesker.
< p>
Foto: IBM Media Relations
Er det en måte for IT-ledere å være proaktive med hensyn til AI og ML uten å rote og skrangle en organisasjon av mennesker som vil at miraklene til AI og ML skal leveres i morgen? Svaret er ja.
Forfatterne av en fersk rapport fra MIT Sloan Management Review og SAS fortaler en relativt ny metodikk for å lykkes med å levere AI og ML til bedrifter kalt “ModelOps.” Mens det nå er mange “xOps” som kommer inn i leksikonet vårt, for eksempel MLOps eller AIOps, er ModelOps mer “tankesett enn et spesifikt sett med verktøy eller prosesser, med fokus på effektiv operasjonalisering av alle typer AI og beslutningsmodeller.”
Det er fordi i AI og ML er modeller hjertet i saken, mekanismene som dikterer samlingen av algoritmene, og som sikrer fortsatt forretningsverdi. ModelOps, som er en forkortelse for: modelloperasjonalisering, “fokuserer på modellens livssyklus og styring; ment å fremskynde reisen fra utvikling til distribusjon – i dette tilfellet å flytte AI-modeller fra datavitenskapslaboratoriet til IT-organisasjonen så raskt og effektivt som mulig.”
Når det gjelder operasjonalisering av AI og ML, “faller mye tilbake på IT,” ifølge Iain Brown, dataleder for SAS, Storbritannia og Irland, som er sitert i rapporten. “Du har dataforskere som bygger store innovative ting. Men med mindre de kan distribueres i økosystemet eller den infrastrukturen som eksisterer – og vanligvis som involverer IT -, er det ingen vits i å gjøre det. Datavitenskapssamfunnet og AI-teamene bør jobbe veldig tett med IT og virksomheten, være ledningen for å bli med de to, så det er en klar ide og definisjon av problemet som står overfor, en klar vei til produksjon. Uten det vil du ha usammenhengende prosesser og problemer med verdigenerering. “
ModelOps er en måte å hjelpe IT-ledere med å bygge bro over gapet mellom analyse- og produksjonsteam, slik at AI og ML-drevet livssyklus blir “repeterbar og bærekraftig”, heter det i MIT-SAS-rapporten. Det er et trinn over MLOps eller AIOps, som “har et smalere fokus på henholdsvis maskinlæring og AI-operasjonalisering”, ModelOps fokuserer på levering og bærekraft av prediktive analysemodeller, som er kjernen i AI og MLs verdi for virksomheten. ModelOps kan gjøre en forskjell, fortsetter rapportens forfattere, “fordi uten det er det mye mer sannsynlig at AI-prosjektene dine mislykkes helt eller tar lengre tid enn du vil lansere. Bare omtrent halvparten av alle modellene kommer til produksjon, av de som gjør det, tar omtrent 90% tre måneder eller lenger tid å distribuere. av rapportens forfattere.
Økosystemer: I disse dager krever enhver vellykket teknologisk innsats tilkobling og nettverksstrøm. “Et AI-klart økosystem skal være så åpent som mulig, heter det i rapporten.” Slike økosystemer utvikler seg ikke bare naturlig. Ethvert selskap som håper å bruke et økosystem med suksess, må utvikle neste generasjons integrasjonsarkitektur for å støtte det og håndheve åpne standarder som lett kan vedtas av eksterne parter. “
Data: Gå til vet hvilke data som er viktige for innsatsen. “Valider tilgjengeligheten for opplæring og produksjon. Merk og merk data for fremtidig bruk, selv om du ennå ikke er sikker på hva bruken kan være. Over tid vil du opprette en bedriftsbeholdning som vil hjelpe fremtidige prosjekter å kjøre raskere. “
Plattformer: Fleksibilitet og modularitet – muligheten til å bytte ut stykker når omstendighetene endres – er nøkkelen. Rapportens forfattere går inn for å kjøpe over bygging, ettersom mange leverandører allerede har utarbeidet detaljene i å bygge og distribuere AI- og ML-modeller. “Bestem skystrategien din. Vil du gå sammen med en skytjenesteleverandør? Eller vil du bruke forskjellige CSP-er for forskjellige tiltak? Eller vil du ta en hybrid tilnærming, med noen arbeidsmengder som kjører på stedet og noen med en CSP?: Noen store CSP-er tilbyr vanligvis mer enn bare skalerbarhet og lagringsplass, for eksempel å tilby verktøy og biblioteker for å bidra til å bygge algoritmer og hjelpe med å distribuere modeller i produksjon. “
Personer: Samarbeid er nøkkelen til vellykket levering av AI og ML, men det er også viktig at folk har en følelse av eierskap over sine deler av prosjektene. “Hvem eier AI-programvaren og maskinvaren – AI-teamet eller IT-teamet, eller begge deler? Det er her du får organisatoriske grenser som må defineres tydelig, forstås og koordineres. “Sammen med dataforskere er en gruppe som er like viktig for ModelOps dataingeniører, som gir” betydelig kompetanse i bruk av analyse og forretningsinformasjon verktøy, databaseprogramvare og SQL-dataspråk, samt evnen til konsekvent å produsere rene, etiske data av høy kvalitet. “
Relaterte emner:
Big Data Analytics Digital Transformation CXO Internet of Things Innovation Enterprise-programvare 