Operasi pembelajaran mesin menawarkan kelincahan, memacu inovasi

Operasi pembelajaran mesin menawarkan kelincahan, memacu inovasi

Banyak organisasi telah mengadopsi pembelajaran mesin (ML) dengan gaya sedikit demi sedikit, membangun atau mencari untuk menemukan perangkat advert hoc, algoritme, instrumen, atau produk dan layanan untuk berfungsi meniadakan keinginan. Teknik ini menjadi sangat besar ketika perusahaan belajar tentang kemampuan ML dan ketika kemampuannya semakin matang, tetapi juga telah menciptakan proses dan komponen yang terkurung, manual, dan tidak standar dalam organisasi. Sebaliknya, hal ini dapat menyebabkan produk dan layanan yang tidak efisien dan rumit yang gagal memenuhi nilai yang dijanjikan—atau inovasi yang terhenti sepenuhnya.

Karena perusahaan ingin meningkatkan fungsi ML di seluruh upaya , mereka memutuskan untuk meningkatkan otomatisasi dan standarisasi instrumen, proses, dan alur kerja. Mereka memutuskan untuk segera menjalankan dan menerapkan perangkat ML, menghabiskan lebih sedikit waktu untuk berlatih secara manual dan memantau perangkat, serta lebih banyak waktu untuk inovasi yang menghasilkan pendapatan dan bermanfaat. Pengembang membutuhkan akses ke file yang dapat memperkuat perangkat ML mereka, untuk bekerja di semua jalur komersial, dan untuk berkolaborasi secara transparan di tumpukan teknologi yang sama. Dengan kata lain, perusahaan memutuskan untuk mengadopsi praktik terbaik untuk operasi pembelajaran mesin (MLOps): tempat tinggal praktik mode alat yang membuat perangkat ML bekerja dengan efektif dan gesit.

Karakteristik utama MLOps adalah mengotomatiskan langkah-langkah yang lebih berulang dalam alur kerja ML ilmuwan file dan insinyur ML, mulai dari mode manekin dan praktik hingga penerapan dan pengoperasian manekin (penyajian manekin). Mengotomatiskan langkah-langkah ini menciptakan kelincahan bagi perusahaan dan pengalaman yang lebih besar bagi pelanggan dan menghentikan prospek, meningkatkan persaingan, kekuatan, dan keandalan ML. Proses otomatis ini juga dapat mengurangi ancaman dan membebaskan pembangun dari proyek hafalan, memungkinkan mereka menghabiskan lebih banyak waktu untuk inovasi. Ini semua berkontribusi pada garis bawah: pandangan dunia 2021 oleh McKinsey kebetulan bahwa perusahaan yang berhasil mengukur AI dapat menambahkan sebanyak 20 persen ke pendapatan mereka sebelum hobi dan pajak (EBIT).

“Tidaklah aneh bagi perusahaan dengan kemampuan ML yang halus untuk menginkubasi berbagai instrumen ML di kantong individu industri,” kata Vincent David, direktur senior untuk pembelajaran mesin di Capital One. “Tapi terus-menerus Anda mulai melihat kesejajaran — program ML melakukan hal yang sama, namun dengan variasi yang cukup banyak. Perusahaan yang memahami cara mengumpulkan sebagian besar investasi mereka dalam ML menyatukan dan meningkatkan kemampuan ML terbaik mereka untuk berfungsi sebagai instrumen dan platform dasar standar yang dapat digunakan semua orang — dan akhirnya mencapai nilai berbeda yang tersedia di pasar.”

Dalam praktiknya, MLOps memerlukan kolaborasi erat antara ilmuwan file, insinyur ML, dan insinyur keandalan disiplin diri (SRE) untuk memastikan reproduktifitas tetap, pemantauan, dan pemeliharaan perangkat ML. Selama beberapa tahun terakhir, Capital One telah mengembangkan praktik paling sederhana MLOps yang disadari di seluruh industri: menyeimbangkan keinginan pengguna, mengadopsi keseluruhan, tumpukan kemampuan berbasis cloud dan platform dasar, memanfaatkan instrumen penawaran awal, dan memastikan tingkat aksesibilitas dan tata kelola yang bagus untuk setiap file dan perangkat.

Rasakan berbagai keinginan pelanggan

Fungsi ML umumnya memiliki dua jenis pelanggan utama—konsultan teknis (ilmuwan file dan insinyur ML) dan konsultan nonteknis (analis industri)—dan sangat penting untuk mencapai keseimbangan antara berbagai keinginan mereka. Konsultan teknis terus-menerus menggunakan kebebasan total untuk menggunakan semua instrumen yang tersedia untuk mengoperasikan perangkat untuk situasi latihan yang diinginkannya. Konsultan nonteknis, di berbagai sisi, menginginkan alat yang ramah pengguna yang memungkinkan mereka untuk mengakses file yang mereka putuskan agar berfungsi dengan baik dalam alur kerja mereka sendiri.

Untuk menjalankan proses dan alur kerja tetap sedangkan menyenangkan setiap tim, David merekomendasikan pertemuan dengan kru pencapaian yang melamar dan konsultan topik di semua situasi latihan yang luas. “Kami mempelajari situasi negatif untuk menyadari masalah, sehingga pelanggan mendapatkan apa yang mereka putuskan untuk menghasilkan uang dari pekerjaan mereka, yaitu, apalagi perusahaan pada umumnya,” katanya. “Kuncinya adalah menentukan bagaimana menjalankan kemampuan yang luar biasa sambil menyeimbangkan banyak keinginan pemangku kepentingan dan industri dalam upaya tersebut.”

Mengadopsi kumpulan kemampuan keseluruhan

Kolaborasi antara tim mode — penting untuk MLOps yang sukses — juga bisa menjadi rumit dan hemat waktu jika tim-tim ini tidak menggunakan tumpukan keterampilan yang sama. Tumpukan teknologi terpadu memungkinkan pengembang untuk menstandarkan, menggunakan kembali suku cadang, elemen, dan instrumen di semua perangkat seperti batu bata Lego. “Itu membuatnya lebih mudah untuk menggabungkan kemampuan yang terhubung sehingga pengembang tidak menghabiskan waktu untuk beralih dari satu model atau sistem ke model lain,” kata David.

Tumpukan cloud-native—dibangun untuk mengambil hal yang benar tentang model cloud komputasi terdistribusi—memungkinkan pengembang untuk menyediakan infrastruktur mandiri berdasarkan permintaan, secara konsisten meningkatkan kemampuan unik dan memperkenalkan produk dan layanan unik. Keputusan Capital One untuk menggunakan all-in di cloud publik secara signifikan berdampak signifikan pada efisiensi pengembang dan kawin lari. Rilis kode untuk produksi sekarang lebih sering terjadi tanpa pemberitahuan, dan platform serta perangkat ML dapat digunakan kembali selama upaya yang lebih luas.

Atur waktu dengan instrumen ML penawaran awal

Instrumen ML penawaran awal (kode dan paket tersedia secara bebas bagi siapa saja untuk digunakan dan diadaptasi) adalah bahan inti dalam membangun fondasi cloud yang spektakuler dan kumpulan teknologi terpadu. Penerapan sistem instrumen penawaran awal yang unik yang tidak diputuskan industri untuk menggunakan sumber daya teknis yang berharga untuk menemukan kembali roda, mempercepat perlombaan di mana tim dapat menyelesaikan dan menggunakan perangkat.

Untuk mengimbangi penggunaan instrumen dan paket penawaran awal, kata David, Capital One juga mengembangkan dan merilis instrumennya sendiri. Misalnya, untuk mengelola aliran file dinamis yang terlalu lebar untuk menampilkan video secara manual, Capital One membuat alat profiling file penawaran awal yang memanfaatkan ML untuk mendeteksi dan melindungi file sensitif seperti memeriksa nomor kartu kredit dan dongeng. Selain itu, Capital One baru-baru ini merilis rubicon-ml perpustakaan penawaran awal, yang membantu memilih dan mengelola model praktik toko dan menjalankan file dalam sistem yang dapat diulang dan dicari. Merilis alatnya sendiri sebagai penawaran awal memastikan bahwa Capital One membangun kemampuan ML yang serbaguna dan dapat digunakan kembali (oleh orang lain, serta semua melalui perusahaannya sendiri) dan memungkinkan perusahaan untuk terhubung dan memberikan kontribusi ke komunitas penawaran awal.

Aktifkan aksesibilitas file sambil memprioritaskan tata kelola

Sistem ML konvensional memerlukan suasana produksi (memproses file dalam waktu yang tepat) dan suasana analitis (pengecer file yang dapat digunakan pelanggan untuk bekerja). Bagi banyak organisasi, waktu antara lingkungan ini merupakan titik kecemasan yang luas. Ketika para ilmuwan dan insinyur file menginginkan akses ke file dengan waktu yang tepat dari lingkungan produksi, penting untuk menerapkan kontrol yang sesuai. setiap lingkungan tanpa mengorbankan integritas tata kelola. “Di dunia yang hebat, grup akan menerapkan integrasi tanpa batas antara penyimpanan file produksi dan lingkungan analitik yang dapat menerapkan kontrol total dan kerangka kerja tata kelola yang dimiliki oleh ilmuwan file, insinyur, dan berbagai pemangku kepentingan yang terkait dengan jalur tata kelola manekin. inginkan,” kata David.

Mengatur dan mengelola sendiri perangkat ML sama pentingnya. Saat mesin belajar dan saat memasukkan file berubah, perangkat cenderung mengalir, yang secara tradisional membutuhkan insinyur untuk menampilkan video dan tepat untuk aliran itu. Praktik MLOps, dengan perbedaan, bantuan mengotomatiskan administrasi dan praktik perangkat dan alur kerja. Perusahaan yang mengadopsi MLOps mungkin dapat menyetujui setiap kasus latihan ML apa yang perlu dipantau, seberapa lama, dan seberapa penting aliran yang diizinkan sebelum pelatihan ulang diperlukan. Ini kemudian akan mengonfigurasi instrumen untuk secara otomatis mendeteksi pemicu dan melatih ulang perangkat pada irama yang sesuai.

Pada hari-hari awal ML, perusahaan bangga dengan kemampuan mereka untuk memfungsikan solusi yang unik dan dipesan lebih dahulu untuk berbagai bagian dari industri. Tetapi sekarang perusahaan yang ingin menskalakan ML dalam sistem yang dikelola secara efektif dan gesit memiliki kemampuan untuk pembaruan terus-menerus ke sumber file, perangkat ML, aspek, saluran pipa, dan berbagai aspek siklus hidup manekin ML. Dengan kemungkinan untuk menyediakan proses yang terstandarisasi, dapat direproduksi, dan dapat diadaptasi di semua lingkungan ML berskala luas, MLOps mungkin dapat meringankan beban sistem ke depan untuk usaha pembelajaran mesin.

Desakan ini diproduksi oleh Insights, lengan desakan khusus dari MIT Technology Review. Ini diubah menjadi pernah tidak ditulis oleh karyawan editorial MIT Technology Review.

Liputan Asli

HOT 🔥  PlayStation 3 VS Xbox 360: Mana yang terbaik?

Baca juga

Bagaimana hidrogen dan listrik dapat membereskan perdagangan yang berat

Bagaimana hidrogen dan listrik dapat membereskan perdagangan yang berat

Teks ini berasal dari The Spark, buletin iklim mingguan MIT Skills Review. Untuk menerimanya di …

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *