Статья в партнерстве с ModelOp

Неслучайно компании инвестируют в ИИ на беспрецедентных объемах в то время, когда они испытывают огромное давление с целью внедрения инноваций. Модели искусственного интеллекта, разработанные специалистами по обработке данных, дают предприятиям новую информацию, позволяют использовать новые и более эффективные способы работы и помогают определять возможности для снижения затрат и внедрения новых прибыльных продуктов и услуг.

Возможности использования ИИ растут почти ежедневно, поэтому важно не ограничивать инновации. К сожалению, многие организации делают именно это, привязываясь к проприетарным инструментам и решениям. Это может сковывать ученых и ИТ-специалистов по мере появления новых инноваций и приводит к более высоким затратам, чем открытая среда, поддерживающая разработку и управление лучшими в своем классе моделями ИИ. В этой статье представлены рекомендации по тому, как избежать проприетарной блокировки в корпоративном ИИ, и почему это важно.

Эволюция искусственного интеллекта похожа на аналитику, но различия более важны

ИИ вырос из анализа данных, который позже превратился в бизнес-аналитику и бизнес-аналитику. В ранней аналитике доминировало несколько проприетарных решений, которые имели ограниченную экосистему инновационных компаний, разрабатывающих дополнительные инструменты и технологии для улучшения платформы поставщика. Это замедлило внедрение аналитики.

Для сравнения: рынок искусственного интеллекта - это Дикий Запад. Сотни компаний, от самых известных в сфере технологий до невероятно инновационных стартапов, предлагают решения для каждого этапа ИИ и жизненного цикла модели ИИ. Предприятиям не нужно использовать те же ограниченные инструменты и методы, что и их конкуренты, и они пользуются этим. Согласно отчету Состояние ModelOps на 2021 год, в 2021 году 81% компаний, оказывающих финансовые услуги, использовали более одного инструмента разработки моделей искусственного интеллекта, а 42% использовали как минимум пять. Это даже не считая инструментов и решений, используемых на других этапах ИИ и жизненного цикла модели.

Многие инструменты ориентированы на разработку моделей для конкретной цели (например, обнаружение мошенничества, помощь в совершении покупок) или среды выполнения (например, собственного оборудования или AWS и других гипероблачных сервисов). Наличие множества специализированных, лучших в своем классе вариантов разработки моделей, доступных для специалистов по обработке данных, расширило спектр возможных и ценных вариантов использования, что помогло расширить использование ИИ в организациях.

Ни один инструмент не является лучшим для всего жизненного цикла модели ИИ

Блокировка ИИ возникает, когда организации полагаются на тот же инструмент, который они использовали для создания моделей, чтобы запускать их и управлять ими в производственной среде. Возможно, это было нормально на заре аналитики, когда модели и операции с ними были более прозрачными, но сейчас модели стали слишком сложными. Требования и инструменты для разработки модели сильно отличаются от требований и инструментов для работы с моделью. Модели в производстве должны взаимодействовать со многими другими системами, включая бизнес-приложения, структуры управления рисками, ИТ-системы, средства управления информационной безопасностью и многое другое.

Инструменты разработки моделей предназначены для специалистов по обработке данных, чтобы упростить создание модели. Решения для операций с моделями предназначены для ИТ-отдела, чтобы эффективно и действенно управлять операциями всех моделей предприятия на протяжении их жизненного цикла.

Процессы, задачи и пользователи меняются, когда модель переходит от разработки к производству, не говоря уже о необходимости сдержек и противовесов между средой разработки и производственной средой и операциями.

Основы эффективной разработки моделей:

  • Анализ и подготовка данных для использования в модели на основе желаемых результатов модели
  • Разработка или кодирование модели и проведение экспериментов
  • Тестирование модели с различными наборами данных и выбор модели для использования

Основы эффективных модельных операций:

  • Доступность всей модели инвентаря предприятия, независимо от типа модели, использования или места запуска
  • Автоматизация процессов для непрерывной работы и управления каждой моделью на протяжении всего ее жизненного цикла
  • Корпоративный взгляд на состояние и статус всех моделей и их вклад в бизнес

Отсутствие возможностей, специфичных для разработки моделей и операций с ними, подвергает ваше предприятие повышенному риску проблем с производительностью искусственного интеллекта, чрезмерному простою модели для устранения неполадок и переобучения и, возможно, может открыть дверь для принятия ненадежных решений наряду с проблемами нормативно-правового соответствия.

Так не должно быть. Существуют решения для управления операциями моделей (ModelOps), которые не зависят от технологий, поэтому они могут поддерживать все инструменты разработки и среды выполнения, которые может захотеть использовать ваша группа специалистов по анализу данных. Чем меньше инструментов управления вам понадобится, тем проще будет масштабировать, согласовывать и управлять вашей программой искусственного интеллекта.

Гибкость помогает выиграть войну талантов

Не секрет, что специалисты по данным очень востребованы. Представьте, что вы опытный специалист по обработке данных, который обдумывает некоторые из высокооплачиваемых вакансий, которые рекрутеры представляют вам каждую неделю. На какую из следующих позиций вы бы с большей вероятностью ответили?

«Специалист по данным, имеющий опыт работы с [конкретным языком программирования ИИ], необходим для создания и поддержки моделей, работающих в [конкретной ИТ-инфраструктуре]». или

«Используйте свои любимые инструменты и среду разработки, чтобы открывать новые горизонты с искусственным интеллектом в нашей отрасли».

Ваша организация не должна упускать шанс нанять кого-то со специальными желанными навыками, потому что вы не могли приспособиться к опыту, который изначально сделал этого человека ценным.

Облако не принесет большей ясности

Существует мнение, что по мере взросления ИИ его экосистема будет истончаться, и в конечном итоге большинство моделей ИИ будут работать в облаке. Таким образом, считается, что предприятие может удовлетворить свои потребности в управлении операциями с помощью модели искусственного интеллекта с помощью решения, разработанного для предпочитаемой облачной среды или с ее помощью. На самом деле, это не сегодня и, вероятно, никогда не будет. Гибридные мультиоблачные среды являются нормой для ИИ: 58% компаний, предоставляющих финансовые услуги, запускают хотя бы некоторые из своих моделей ИИ в AWS, но 58% также используют модели в Google Cloud Platform (GCP), 27% - в Azure. и 48% реализуют свои модели искусственного интеллекта [1]. Эти цифры составляют более 100%, что означает, что предприятия используют гибридную инфраструктуру и запускают модели в разных местах, выбирая лучшую среду для реализации каждой конкретной модели. Такой подход также следует применять для управления операциями модели. Использование решения AI ModelOps, оптимизированного для одной облачной платформы, создает классические проблемы с привязкой к поставщику. Эта блокировка создает проблемы для любой области бизнес-операций; а для искусственного интеллекта он может накладывать дорогостоящие и ненужные ограничения на то, что ИИ может сделать для предприятия.

Ваши инновации и усилия в области ИИ слишком важны, чтобы доверять одному решению, среде выполнения или ограниченному набору поставщиков. Вы не управляете своими ИТ-системами или бизнес-приложениями с помощью тех же инструментов, которые использовались для их разработки - почему бы не применить тот же подход к ИИ? Предприятиям необходимо открыться, чтобы воспользоваться всеми возможностями, которые открываются благодаря зрелости и развитию ИИ. Разработайте операционную платформу моделей ИИ, которая может поддерживать широкий спектр инструментов и будущих достижений, предоставит вашим командам по обработке и анализу данных свободу для инноваций, а вашим ИТ-командам - ​​возможность эффективно и эффективно управлять всеми моделями ИИ в масштабах всего предприятия. независимо от того, как они были разработаны, для чего они используются или где они используются.

[1] Corinium Intelligence и ModelOp Отчет о состоянии ModelOps в 2021 году 14 апреля 2021 года.