Пару недель назад в Лондоне впервые с доковидных времен отпраздновали AI Summit, одно из крупнейших в мире мероприятий, посвященных ИИ в бизнесе. Саммит состоял из серии докладов, дискуссий и демонстрационных мероприятий, направленных на развитие экосистемы корпоративного ИИ. своими словами:

[Саммит ИИ — это] двухдневная конференция, на которой собираются самые дальновидные технологи и бизнес-профессионалы для беспрецедентного праздника обучения, общения и понимания того, как использование ИИ меняет нашу жизнь и ваши организации.

Мой опыт

Я посетил два летних дня саммита вместе с другими коллегами по науке о данных из Deloitte Ventures. Площадка была заполнена профессионалами в области искусственного интеллекта из крупных компаний, а также из очень интересных стартапов со всего континента. Переговоры и демонстрации происходили повсюду, некоторые из них одновременно, так что нужно было быть избирательным, потому что невозможно было присутствовать на всех. Очень похоже на то, когда вы находитесь на музыкальном фестивале и должны решить, какие выступления посетить.

Темы презентаций сильно различались, хотя большинство из них были сосредоточены на применении ИИ в производстве: MLOps, продуктизация, новые готовые к использованию технологии или текущие проблемы отрасли.

Я взглянул на повестку дня, составил свое расписание и поехал.

3 моих лучших выступления

Вот моя подборка моих любимых выступлений, тех, которые показались мне более проницательными и вдохновляющими:

Самое полезное:
«Секрет внедрения моделей ИИ в производство», Бен Диас, директор по данным и аналитике easyJet.

Бен рассказал, как они подходят к науке о данных в easyJet и как они могут внедрять свои решения DS в производство и извлекать из них выгоду с первого дня. Он даже обрисовал в общих чертах их операционную модель для проектов DS, что я нахожу чрезвычайно проницательным.

Общей проблемой для многих компаний является то, что их прототипы DS никогда не попадают в производство. Возможно, вы слышали, что около 87% проектов DS никогда не увидят свет, хотя эта цифра спорна. В любом случае: внедрить DS в производство сложно, и помните, что ценность создается только в производстве.

Бен поделился с нами своим рецептом на easyJet, и вот основные идеи:

  • Не создавайте прототипы, создавайте MVP. Я не мог не согласиться с этим. Прототипы хороши в мире консалтинга, где результаты могут быть разными. В разработке продукта вы начинаете с минимально жизнеспособного продукта, а затем начинаете итерацию, как только можете.
  • Начните с бизнес-задачи, а не с решения ИИ. Бизнес-проблема — это то, что вы хотите решить, и вы должны создать глубокое понимание этого. Только после этого можно приступить к разработке решения. Если вы пойдете наоборот, используя фантастическую технологию машинного обучения, которая может быть для чего-то полезна, ваше решение, скорее всего, обречено вечно лежать на полке.
  • Протестируйте свое решение в ближайшее время и убедитесь, что оно действительно может приносить пользу. Опять же, ценность создается только тогда, когда ваше решение работает.

Кстати, он получил награду «ИИ-новатор года» среди +100 номинаций. Поздравляю Бен!

Лучший технический вопрос:
«Федеративное обучение: новое определение ИИ в масштабе», Уолтер Ривьера, технический руководитель Intel.

Этот просто взорвал мой разум. Я слышал и раньше о федеративном обучении (FL), однако думал, что это довольно экспериментальная технология, используемая в основном учеными. Но вроде уже нет.

Для разработки решения ML вам нужны две вещи: алгоритмы и данные. Если вы разрабатываете алгоритмы, вам нужны данные для их питания. Общей проблемой в индустрии искусственного интеллекта является доступ к данным. Из-за ограничений конфиденциальности или нормативных требований передача данных в алгоритмы может оказаться очень сложной или даже невозможной. Затем данные хранятся в хранилищах, и из них нельзя создать ценность, потому что они просто недоступны — проблема хранилища данных. FL решает проблему хранилища данных, инвертируя процесс: приведение алгоритмов к данным. Копии модели распределяются по узлам, локально обучаются на очень разных наборах данных, а затем объединяются в центральном узле без ущерба для производительности модели, защищая как данные (поскольку они никогда не покидают узлы), так и алгоритмы (через шифрование). ). Особенно подходящим вариантом использования является здравоохранение, где обмен конфиденциальными данными пациентов вызывает серьезную озабоченность.

Эта технология далека от простой, и Уолтер показал, как Intel развивает ее, одновременно решая множество проблем, таких как использование шифрования при хранении, передача и обработка для защиты как данных, и интеллектуальная собственность алгоритма. Уолтер представил библиотеку с открытым исходным кодом, разработанную в Intel для экспериментов с FL, openFL. Посмотрите здесь.

Вы можете найти больше информации о FL в Интернете или в этой серии видеороликов самого Уолтера. Я лично считаю, что это революционная технология, которая вскоре станет стандартом в таких отраслях, как IoT, здравоохранение, носимые устройства или домашняя техника, и это лишь некоторые из них.

Очень познавательный вопрос:
«Создание корпоративных приложений NLP — от данных к модели и к производству», Милош Русич, соучредитель deepset GmbH.

Как уже упоминалось выше, создание ценных решений машинного обучения является сложной задачей. Иногда к проблеме подходят неправильно (начиная с решения, а не с проблемы). Иногда у нас недостаточно данных или доступа к ним. А иногда продукты поздно попадают в цикл обратной связи — они развертываются слишком поздно. Как только я это прочитал:

«Если вас не смущает первая версия вашего продукта, значит, вы запустили его слишком поздно».
Рейд Хоффман.

Милош из Deepset — компании, разрабатывающей решения НЛП в больших масштабах — относится к этому очень серьезно, и во время своего выступления он рассказал, как они строят свои решения НЛП, думая в первую очередь о рабочих процессах. Его рецепт создания решений машинного обучения следующий:

  1. Начните с воронки. Да, модель оставить на потом. В первую очередь вам нужны конвейеры для разработки, обучения и развертывания — т. е. итерации — быстро,
  2. Перебирать модели
  3. Создавайте и постоянно оценивайте вместе с конечными пользователями также в демонстрационном режиме,
  4. После запуска: отслеживайте и будьте готовы повторить снова — все зависит от ценности, созданной в процессе производства.

Конечно, ключевым фактором успеха в этой модели является наличие надежных знаний и инфраструктуры MLOps. Вечеринка MLOps началась, дорогие мои, присоединяйтесь не опоздать!

Заключение и выводы

В целом конференция была очень полезной и познавательной. Я действительно считаю, что профессионалам в области искусственного интеллекта полезно посещать встречи такого типа, поскольку они дают уникальный обзор отрасли в целом — общие проблемы, конкретные решения, новые инструменты, передовые технологии и сети.
Здесь. некоторые из моих выводов и основных выводов:

  • Для инженеров DS и ML постоянно создаются новые инструменты, помогающие им в рабочих процессах, как с открытым исходным кодом, так и коммерческие. Важно продолжать изучать их, так как некоторые из них могут быть полезны для интеграции в наши рабочие процессы для повышения производительности.
  • MLOps нацелен на автоматизацию и систематизацию инженерных задач машинного обучения, таких как обучение, развертывание, тестирование и мониторинг моделей. Стратегия MLOps необходима для быстрой итерации и надежного и быстрого развертывания продуктов. Это довольно новая область, и, как и в любой новой области, практически все учатся этому. Убедитесь, что не пропустите!
  • По мере развития отрасли появляются новые вызовы. Меня поразило (и обнадежило) то, что мы все — от крупных компаний до стартапов — сталкиваемся с очень похожими проблемами. Возможность увидеть из первых рук, как другие решают их, действительно ценна и является отличным источником идей.
  • Некоторые новые технологии и методы машинного обучения могут изменить правила игры, и подобные мероприятия дают уникальную возможность узнать о них из первых рук. Необходимо следить за новыми технологиями, поскольку они могут открыть большие конкурентные преимущества в недалеком будущем.

Надеюсь, вы найдете эти идеи полезными, и, пожалуйста, не стесняйтесь оставлять комментарии со своим мнением.

Увидимся в следующем году!