Η επένδυση στην τεχνητή νοημοσύνη δεν χρειάζεται να είναι ένα άλμα πίστης: Πώς να παρακολουθείτε την απόδοση της επένδυσής σας στο AI

Του Stu Bailey, συνιδρυτή και Chief Enterprise AI Architect στο ModelOp

Φαίνεται ότι πολλοί ηγέτες επιχειρήσεων έχουν υιοθετήσει μια προσέγγιση «Πεδίο των ονείρων» για την απόδοση επένδυσης της τεχνητής νοημοσύνης (AI ROI) — δηλαδή, «Αν το φτιάξουμε, θα έρθουν κέρδη». Αν και είναι άλλο πράγμα να ακολουθείς αυτή την προσέγγιση για μικρότερα πιλοτικά έργα, είναι άλλο όταν σου ζητείται συνεχώς να χρηματοδοτήσεις πρωτοβουλίες με επταψήφιες τιμές.

Καθώς συναντώ ανώτερα στελέχη μεγάλων επιχειρήσεων, έχω εντυπωσιαστεί από το πόσο κοινές είναι οι εμπειρίες τους όσον αφορά τις επενδύσεις τους σε τεχνητή νοημοσύνη. Βασικά, σχεδόν όλοι αγωνίζονται να εξορθολογίσουν αυτές τις οικονομικές αποφάσεις. Έχουν ήδη εγκριθεί όλοι παχυλούς προϋπολογισμούς για τη χρηματοδότηση των ταξιδιών AI του οργανισμού. Παρόλα αυτά, βλέπουν ομάδες να επιστρέφουν και να αναζητούν περισσότερα, και τα νούμερα συνεχώς αυξάνονται.

Οι περισσότεροι μοιράζονται μια γενική αίσθηση ότι τα προγράμματά τους AI προσφέρουν αξία στην επιχείρηση. Θα εξηγήσουν πώς η τεχνητή νοημοσύνη τους βοηθά να αυτοματοποιήσουν τις μη αυτόματες διαδικασίες, να αυξήσουν τα κορυφαία έσοδα ή να αποκτήσουν ανταγωνιστικό πλεονέκτημα. Ωστόσο, λίγοι έχουν απαντήσεις όταν τους κάνω αυτές τις βασικές ερωτήσεις.

• Ποια είναι η απόδοση των επενδύσεών σας σε AI;
• Ποια προγράμματα ανταποκρίνονται στις προσδοκίες σας και ποια όχι;
• Ποια προγράμματα πρέπει να έχουν προτεραιότητα για πρόσθετες επενδύσεις;
• Ποια είναι η έκταση της έκθεσής σας σε κινδύνους συμμόρφωσης με τεχνητή νοημοσύνη;

Πολύ απλά, αυτά τα στελέχη πετάνε στα τυφλά. Αυτό το πρόβλημα γίνεται όλο και πιο έντονο καθώς οι επενδύσεις και οι αναπτύξεις συνεχίζουν να αυξάνονται σε εύρος, και ο επείγων χαρακτήρας να συμβαδίσουμε με τις ανταγωνιστικές απαιτήσεις συνεχίζει να εντείνεται. Επιπλέον, ο ρυθμός ανάπτυξης της τεχνητής νοημοσύνης επιταχύνεται μόνο: Οι ομάδες επιστήμης δεδομένων χρησιμοποιούν μια διευρυνόμενη ποικιλία εργαλείων για να επιταχύνουν την ανάπτυξη και την ανάπτυξη μοντέλων, συχνά χωρίς ορατότητα ή επίβλεψη σε επίπεδο επιχείρησης.

Σε αυτό το πλαίσιο, πολλά στελέχη γνωρίζουν πολύ καλά ότι πρέπει να χειριστούν καλύτερα το AI ROI και να ρισκάρουν προτού δεσμευτούν ακόμη περισσότερα χρήματα. Ωστόσο, για όλες τις επενδύσεις στην τεχνητή νοημοσύνη, αυτή η κρίσιμη ανάγκη δεν έχει ακόμη αντιμετωπιστεί στις περισσότερες εταιρείες.

Σχετικά με την εμφάνιση των MLOps και γιατί πέφτει λίγο

Τα τελευταία χρόνια, οι υπερκλιμακωτές και οι πωλητές επιστήμης δεδομένων έχουν αρχίσει να προσφέρουν δυνατότητες μηχανικής μάθησης (MLOps). Αυτές οι προσφορές μπορούν να βοηθήσουν τους επιστήμονες δεδομένων κατά την ανάπτυξη μοντέλων και να διευκολύνουν ορισμένες από τις προσπάθειες που σχετίζονται με την ανάπτυξη μοντέλων στην παραγωγή. Ωστόσο, ακόμη και με αυτά τα εργαλεία, τα στελέχη εξακολουθούν να στερούνται ουσιαστικά την ορατότητα που χρειάζονται. Η ουσία του θέματος είναι ότι αυτές οι λύσεις λειτουργούν σε επίπεδο τμήματος ή ομάδας, αλλά δεν είναι εξοπλισμένες για να παρέχουν μια ενοποιημένη προβολή σε όλη την επιχείρηση.

Πέντε βήματα για τη δημιουργία ModelOps για την παρακολούθηση της απόδοσης επένδυσης AI

Με αποτελεσματικό ModelOps Οι ομάδες μπορούν πραγματικά να προχωρήσουν πέρα ​​από την πιλοτική τεχνητή νοημοσύνη και να αρχίσουν να παρακολουθούν και να βελτιστοποιούν το AI ROI. Μέσω του ModelOps, όλοι οι εμπλεκόμενοι μπορούν να συμμετέχουν στην παρακολούθηση και την ανάληψη ευθύνης για επενδύσεις σε τεχνητή νοημοσύνη.

Τα ακόλουθα είναι βασικά βήματα που πρέπει να ληφθούν για τη δημιουργία αποτελεσματικών δυνατοτήτων ModelOps.

Βήμα 1: Δημιουργία και επιβολή εταιρικών προτύπων για μοντέλα έτοιμα για παραγωγή.

Η πραγματικότητα είναι ότι σε μια επιχείρηση, μπορεί να υπάρχει ένα ευρύ φάσμα μοντέλων και πολλές ομάδες μπορεί να αναπτύσσουν μοντέλα στην παραγωγή. Είναι σημαντικό να καθοριστούν οι απαιτήσεις και οι διαδικασίες για τη λειτουργία ενός μοντέλου, ανεξάρτητα από τη συγκεκριμένη γλώσσα του μοντέλου, την πλατφόρμα ανάπτυξης, την υποδομή και ούτω καθεξής.

Ακόμη πιο σημαντικό είναι η επιβολή του προτύπου σε ολόκληρο τον οργανισμό με την αυτοματοποίηση που παρέχεται από προηγμένες εταιρικές πλατφόρμες ModelOps. Με αυτόν τον τρόπο, όλες οι εγκρίσεις, οι επικυρώσεις και τα έγγραφα ολοκληρώνονται πριν από την ανάπτυξη των μοντέλων σε περιβάλλοντα παραγωγής και διασφαλίζεται η διακυβέρνηση του μοντέλου μέσω ροών εργασιών με καλά καθορισμένα βήματα για τη διακυβέρνηση και τη διατήρηση του μοντέλου σε όλο τον κύκλο ζωής του μετά την ανάπτυξή του μέχρι την απόσυρσή του.

Βήμα 2: Αποφύγετε το κλείδωμα του προμηθευτή.

Ενώ η κεντρική διακυβέρνηση και η προβολή είναι απαραίτητες, το ίδιο είναι και η καινοτομία. Στο μέγιστο δυνατό βαθμό, οι ομάδες πρέπει να δημιουργήσουν ενιαία, κεντρική προβολή, ενώ ταυτόχρονα δίνουν στις ομάδες σε ολόκληρο τον οργανισμό την ευελιξία να χρησιμοποιούν τις πλατφόρμες και τις τεχνολογίες που ταιριάζουν καλύτερα στους συγκεκριμένους στόχους τους. Για την μακροπρόθεσμη εξυπηρέτηση της επιχείρησης, οι ομάδες πρέπει να δημιουργήσουν δυνατότητες ModelOps που μπορούν να ενσωματωθούν με όλες τις πλατφόρμες και περιβάλλοντα της επιστήμης δεδομένων και της μηχανικής μάθησης του οργανισμού, καθώς και με εταιρικά συστήματα πληροφορικής και επιχειρήσεων.

Βήμα 3: Δημιουργήστε ένα πλήρες, αειθαλές απόθεμα μοντέλων.

Είναι σημαντικό να δημιουργηθεί ένα πλήρες απόθεμα όλων των μοντέλων σε ολόκληρη την επιχείρηση. Αυτό το απόθεμα πρέπει να περιλαμβάνει όλα τα μοντέλα, ανεξάρτητα από τον τύπο, το πλαίσιο και το περιβάλλον εκτέλεσης. Επιπλέον, είναι σημαντικό αυτό το απόθεμα να παραμείνει αειθαλές. Δηλαδή, ενημερώνεται συνεχώς για να αντικατοπτρίζει την τρέχουσα κατάσταση των μοντέλων καθώς προστίθενται και προχωρούν στον κύκλο ζωής τους.

Βήμα 4: Δημιουργήστε έξυπνους και λειτουργικούς πίνακες εργαλείων.

Η ευφυΐα ModelOps πρέπει να είναι ενεργή. Προς το σκοπό αυτό, είναι ζωτικής σημασίας να χρησιμοποιηθούν ταμπλό που παρέχουν ενοποιημένη, με μια ματιά ορατότητα σε όλα τα μοντέλα παραγωγής και τον τρόπο με τον οποίο παρακολουθούν τους βασικούς δείκτες απόδοσης. Αυτό περιλαμβάνει μετρήσεις για τα επιχειρηματικά αποτελέσματα, τη λειτουργική κατάσταση και τον κίνδυνο μοντέλου. Επιπλέον, αυτές οι προβολές θα πρέπει να είναι προσαρμόσιμες, ώστε, για παράδειγμα, οι ηγέτες και οι ομάδες να μπορούν να δουν τα συγκεκριμένα μοντέλα στην αρμοδιότητα τους.

Βήμα 5: Καθιερώστε παρακολούθηση, αυτοματοποιημένη ειδοποίηση και αυτόματη ανάλυση.

Δεδομένης της εξαιρετικά δυναμικής φύσης των μοντέλων, είναι σημαντικό να δημιουργηθούν μηχανισμοί για τη συνεχή επικύρωση της συμμόρφωσης. Οι ομάδες θα πρέπει να είναι σε θέση να ορίζουν πρότυπα τόσο σε επίπεδο επιχείρησης όσο και σε συγκεκριμένο μοντέλο και να δημιουργούν μηχανισμούς παρακολούθησης της συμμόρφωσης. Εάν εντοπιστούν παραβιάσεις στις πολιτικές, θα πρέπει να δημιουργούνται αυτόματα ειδοποιήσεις και ειδοποιήσεις και η διαδρομή επίλυσης θα πρέπει να ξεκινήσει.

συμπέρασμα

Μέσω της δημιουργίας προηγμένων δυνατοτήτων ModelOps, τα ανώτερα στελέχη μπορούν να λάβουν με μια ματιά πληροφορίες για το AI ROI τους. Μπορούν να εντοπίσουν μοντέλα που κινδυνεύουν από μη συμμόρφωση — προτού γίνουν σοβαρές υποχρεώσεις. Με αυτές τις ιδέες, μπορούν να λάβουν πολύ πιο ενημερωμένες αποφάσεις σχετικά με το πού να αυξήσουν τις επενδύσεις και πού όχι. Τελικά, οι ηγέτες μπορούν να διατηρήσουν τις επιχειρήσεις τους να κινούνται γρήγορα, ενώ είναι πιο σίγουροι ότι κινούνται προς τη σωστή κατεύθυνση.