Многие организации начали свой путь машинного обучения несколько лет назад. Последние 4–5 компаний вызвали много шума в области искусственного интеллекта, и многие предприятия решили либо построить, либо купить платформу машинного обучения, чтобы начать этот путь.

Некоторые инженеры машинного обучения начали с файлов pickle, некоторые получили конечные точки, а другие пытались создать основу. Насколько я помню, так все и началось.

Перенесемся в сегодняшний день. Теперь у нас есть множество продуктов, пытающихся решить проблему платформы. Такие продукты, как AWS Sagemaker, Refract от Fosfor, Azure ML Studio, Dataiku и т. д., предлагают отличную основу и потрясающие функции, которые помогут инженерам машинного обучения преуспеть в своем путешествии по науке о данных.

Хотя большинство продуктов решили проблему с платформой, лишь немногие помогают решить проблему внедрения платформы.

Вызов

Взаимодействуя со многими практиками машинного обучения за последние несколько лет, я понял, что эта проблема внедрения остается незамеченной в течение некоторого времени в средних и крупных организациях. Основная причина этого – разнообразие. Разнообразие во всем. Разнообразие языков программирования, разнообразие фреймворков машинного обучения, разнообразие подходов и т. д. Я не говорю, что разнообразие — это плохо. Это не так, но неспособность удовлетворить каждую из этих причин приводит к низкому внедрению платформы.

Но разве это единственный фактор, который следует учитывать? Нет. Есть еще.

Показатель успеха

Если вы все еще читаете это, значит, вы полны решимости улучшить внедрение платформы машинного обучения. Потрясающий! Но прежде чем пытаться что-то улучшить, важно знать, где оно находится сегодня. Вот почему мы начинаем измерять и сообщать о бизнес-показателях.

Эти показатели являются вашей мерой успеха. Ниже приведены некоторые показатели, которые важно отслеживать и которые помогут вам улучшить внедрение платформы.

  1. Принятие пользователями. Эта мера применяется с момента создания или развертывания платформы. Целью остается увеличение пользовательской базы в организации.
  2. Внедрение в бизнес-подразделениях. Бизнес-подразделения, как правило, работают обособленно. Преодоление разрозненности — это ключ к более широкому внедрению вашей платформы. Вы будете удивлены, узнав, сколько существует проектов, о которых другие бизнес-единицы не имеют представления и которые могут выполняться параллельно с использованием другой технологии. Их объединение поможет всем сэкономить время и деньги и увеличить внедрение вашей платформы машинного обучения. Представьте себе горизонтальный персонал, который эффективно занимается этими проектами в масштабе BU, используя платформу.
  3. Количество обработанных запросов (и значение скорости). Этот показатель важен как с точки зрения масштаба, так и с точки зрения ценности для бизнеса. Во многих случаях одна команда создает прототипы, а другая отвечает за их масштабирование. В переходный период многие из этих проектов разваливаются. Если эти команды будут использовать платформу с прочным фундаментом, все проекты увидят свет и будут масштабироваться в соответствии с потребностями бизнеса без каких-либо усилий. Измерение обслуживаемых запросов и их скорость позволит вам продемонстрировать истинную ценность платформы и привести веские доводы в пользу принятия.
  4. Процент пользователей на платформе по сравнению с пользователями вне платформы. Расширение внедрения означает привлечение пользователей к общей платформе. Это приводит к лучшему сотрудничеству и уменьшению дублирующих усилий.

Эти бизнес-показатели помогут вам понять, где вы находитесь и как должны выглядеть ваши цели.

Теперь, когда вы разобрались с метриками, давайте посмотрим, что нужно, чтобы действительно увеличить внедрение платформы машинного обучения.

Действие

Ничего не происходит случайно. Вот несколько проверенных методов, которые вы можете использовать для повышения популярности вашей платформы:

  1. Организуйте учебные лагеря. Все любят учебные лагеря. Это вызывает желание узнать что-то новое и продемонстрировать свои навыки. Это беспроигрышный вариант для всех. Используйте свою платформу машинного обучения для проведения учебного лагеря. Пользователи смогут изучить платформу, и многие решат остаться.
  2. Облегчить (или, по крайней мере, сделать так, чтобы это выглядело просто). Даже если адаптация или начальный процесс сложный, постарайтесь сделать его простым, чтобы новые пользователи не боялись испачкать руки. Затем помогите пользователям ориентироваться на платформе и сами убедитесь, что это на самом деле лучше, чем неплатформенный подход.
  3. Создайте группы спецназа, чтобы помочь с прототипами и быстрыми демонстрационными решениями. Продемонстрируйте, что правильный инструмент и правильный набор навыков могут дать быстрые результаты. Для быстрых побед придут новые пользователи и их команды, а для быстрых побед они останутся.
  4. Простота и гибкость. Платформы машинного обучения должны быть очень удобными для начинающих и бесплатными для экспертов. Сочетание простоты и гибкости — вот что делает платформу потрясающей. Если ваша платформа машинного обучения похожа на эту, сосредоточьтесь на разных персонажах пользователей и покажите то, что они хотят видеть. Для начинающих сосредоточьтесь на простых в использовании функциях обработки данных, автоматическом машинном обучении, автоматическом развертывании моделей, статистике использования моделей и т. д. Для опытных пользователей сосредоточьтесь на различных интегрированных средах разработки, поддерживаемых вашей платформой, различных платформах машинного обучения и функциях, таких как создание собственных модели, варианты развертывания и т. д., чтобы они могли лучше соотноситься.
  5. Создать лучшую команду. Это не то, что можно сделать за неделю или месяцы, но обычно для этого требуется больше времени. Если у вас уже есть платформа машинного обучения, это означает, что вы вложили средства в продукт, и ваши команды должны быть оптимизированы, чтобы максимально эффективно использовать его. Вместо того, чтобы нанимать только инженеров по машинному обучению и специалистов по данным, сосредоточьтесь на найме большего количества инженеров. С этой смесью вы начнете видеть преимущества. Инженеры могут создавать серверную часть приложений Python / Java, и им легко поручить работу по развитию науки о данных. Data Scientist по-прежнему решает, что создавать и как создавать, но фактическая сборка может быть передана инженеру, использующему вашу мощную платформу ML.

Роль надежной платформы

Мощная платформа машинного обучения играет важную роль в вашем путешествии по науке о данных и заслуживает похвалы.

Refract от Fosfor — пример мощной платформы машинного обучения, которая умеет все. Refract поставляется с такими функциями, как обработка данных, автоматическое машинное обучение, настраиваемый контейнер для различных IDE и сред машинного обучения, создание собственной модели, развертывание модели одним щелчком мыши, мониторинг модели и т. д., и это лишь некоторые из них. Продукт предназначен для поддержания баланса между простотой и гибкостью. UI / UX достаточно прост для новичка, чтобы начать работу, и полон интуитивно понятных опций, чтобы опытный специалист по данным чувствовал себя как дома. Подробнее об этом замечательном продукте можно прочитать здесь — https://www.fosfor.com/refract/

Сводка

В этом блоге я рассказал о некоторых способах расширения внедрения платформы машинного обучения. Однако вы не можете заставить людей принять вашу платформу, но вместо этого сделайте ее привлекательной, и пользователи будут тянуться к вашей платформе.