Фактически развертывается только около половины всех моделей машинного обучения. Гораздо меньше производят реальную стоимость. Многие первые последователи вложили миллионы, но до сих пор не впечатлены и обескуражены отсутствием прибыли. Для большинства организаций переход «из лаборатории» в «производство» слишком сложен и затратен.

Несмотря на проблемы, сообщество определило проблемные области в процессе, и теперь появляется решение, преодолевающее проблемы ИИ последней мили для масштабирования предприятия: ModelOps.

Платформы ModelOps решают проблемы доставки «последней мили», связанные с развертыванием, управлением и мониторингом моделей ИИ в производственных системах. Это позволяет специалистам по обработке и анализу данных быстро внедрять модели ИИ в производство, а группам разработчиков — легко встраивать эти модели в программные приложения, чтобы быстро превратить любой инструмент в инструмент, работающий на основе ИИ. После развертывания эти инструменты автоматизируют часть мониторинга и управления, необходимую для устранения изменений в производительности на протяжении всего жизненного цикла модели, обеспечивая обнаружение дрейфа модели и возможность переобучения моделей при необходимости.

Они также позволяют корпоративным ИТ-отделам отслеживать использование и производительность ИИ, особенно использование инфраструктуры. Что наиболее важно, в разговор вовлекаются бизнес-лидеры. Инструменты ModelOps обеспечивают прозрачность, объяснимость и другие представления, которые представляют информацию об ИИ в терминах, понятных заинтересованным сторонам бизнеса, что повышает доверие к технологии и способствует дальнейшему внедрению ИИ.

Эта последняя часть, отсутствующая в головоломке, связана с широким распространением ИИ. Суть ИИ заключается в том, чтобы повышать ценность бизнеса за счет лучшего управления данными, принятия решений с более высокой скоростью получения информации, эффективности использования ресурсов и оптимизации. Тем не менее, мы далеки от пика внедрения. Это связано с проблемами в процессе (или его отсутствием) управления моделями ИИ, используемыми в системах с поддержкой ИИ. К счастью, инструменты ModelOps уже меняют правила игры в корпоративном ИИ, сокращая время производства моделей с месяцев до минут. Ключевые заинтересованные стороны из ИТ-подразделений и бизнес-подразделений теперь собрались вместе, чтобы проложить путь к широкому внедрению ИИ и ценности для бизнеса в будущем.

Проблемы в текущем процессе

До недавнего времени не существовало простого способа запустить модели ИИ в производство в масштабе, необходимом для корпоративных программных приложений. Согласно исследованию Gartner, специалистам по данным может потребоваться до девяти месяцев, чтобы создать и внедрить модель машинного обучения или искусственного интеллекта в производство. Далее следует передача команде разработчиков программного обеспечения, процесс, который сегодня полон трений, чтобы заставить модель ИИ работать в производственной среде в масштабе и внедрить ее во внешнее приложение, которое предоставит аналитику хоть какое-то подобие ценности.

Следующая проблема связана с тем, что многие команды, разрабатывающие модели и приложения ИИ, работают в режиме выживания. Они сделают все необходимое, чтобы заставить модели работать. Этот подход является причиной ночных кошмаров для корпоративных ИТ-руководителей и менеджеров программ. Без стандартизированного процесса создания, развертывания и мониторинга этих систем нет прозрачности или доверия к тому, как создаются системы. Это в конечном счете затрудняет внедрение ИИ.

Наиболее пагубным эффектом для многих организаций является негативное влияние на стоимость бизнеса. Организации не видят возврата к лучшему принятию решений на основе данных, экономической эффективности, экономии ресурсов или любым другим преимуществам, которые ИИ обещает предоставить. Отсутствие прозрачности и доверия к тому, как технология разрабатывается и используется, лишь подкрепляет мнение, что ИИ слишком рискован и не стоит вложений.

ModelOps: новый подход

Хотя это может показаться мрачной картиной, благодаря ModelOps у нас светлое будущее. Преодоление этих препятствий станет ключом к успешному развертыванию масштабного ИИ на последней миле. ИИ ничем не отличается от любой другой ранее появляющейся технологии, и нам необходимо применять уроки, извлеченные из прошлого опыта.

  • Признать, что ваша организация пытается достичь, сложно, но возможно. Предоставьте своим специалистам по обработке и анализу данных и командам разработчиков подходящие инструменты, которые помогут решить их болевые точки.
  • Вам нужно будет использовать смешанный подход, когда дело доходит до создания или покупки компонентов для вашего стека технологий ИИ. Существует множество надежных инструментальных решений ModelOps с открытой архитектурой, которые легко интегрируются с существующими инструментами обучения моделей специалистов по данным, что позволяет вашим командам разработчиков продолжать работу с их любимыми языками и инструментами для создания приложений на основе ИИ.

Последний этап процесса изменит, определит и будет стимулировать внедрение ИИ в будущем. Чтобы заставить заинтересованные стороны доверять технологии и брать на себя ответственность, нужно, чтобы они понимали, что происходит под капотом. Опять же, это не сумасшедшая наука, а то, чего не хватает сегодняшнему подходу к внедрению ИИ. Вовлекая заинтересованные стороны в диалог, организации могут создавать процессы для мониторинга и управления системами с поддержкой ИИ так же, как и для любой другой ИТ-системы. Самое главное, создание этой основы сместит акцент с магии за кулисами на получение прибыли и ценности для бизнеса. Чем раньше мы перестанем биться головой о стену о мелочах того, как мы должны строить системы, тем скорее мы получим широкое распространение ИИ. Будущее ИИ светлое. Хотя он начинается с ModelOps, он завершается полным пониманием бизнеса, доверием и верой в технологию. Чтобы двигаться в будущее, нужно делать первые шаги уже сегодня.

Хотите узнать больше о моделях?