Μην απογοητεύετε τους επιστήμονες των δεδομένων σας (αν θέλετε να παραμείνουν)
März 2, 2023Του Stu Bailey, συνιδρυτή και Chief Enterprise AI Architect στο ModelOp
Καθώς μιλάω με επιστήμονες δεδομένων, ειδικά όσοι εργάζονται σε εταιρείες του Global 1000, πολλοί εκφράζουν ανησυχίες για την κατάστασή τους. Από κάποια άποψη, είναι θύματα της δικής τους επιτυχίας: Οι επιστήμονες δεδομένων παράγουν μοντέλα που συνεισφέρουν ουσιαστικά στην επιχείρηση, και έτσι όλο και περισσότερα μοντέλα χρησιμοποιούνται σε εφαρμογές παραγωγής. Αλλά ως αποτέλεσμα, οι επιστήμονες δεδομένων αντιμετωπίζουν πολλές προκλήσεις. Στις συνομιλίες μου, τα ακόλουθα ζητήματα εμφανίζονται πιο συχνά:
- Ο οργανισμός τους δεν έχει ορατότητα στις επιχειρηματικές συνεισφορές που γίνονται από τα μοντέλα που παράγουν
- Ξοδεύουν όλο και περισσότερο χρόνο για να ασχοληθούν με λειτουργικά ζητήματα για τα μοντέλα τους στην παραγωγή
Οι αιτίες και των δύο ζητημάτων είναι πολύ συνεπείς στους περισσότερους οργανισμούς και ως εκ τούτου προσφέρονται για άμεσες λύσεις. Αυτά είναι καλά νέα τόσο για τους επιστήμονες δεδομένων όσο και για τους οργανισμούς στους οποίους εργάζονται – υπό την προϋπόθεση ότι οι οργανισμοί ενεργούν και το κάνουν με κάποια επείγουσα ανάγκη.
„Το You’re Model is Broken – Ας κάνουμε μια συνάντηση!“
Μόλις αναπτυχθεί και αναπτυχθεί στην παραγωγή, Όλα συμπεριλαμβάνονται Τα μοντέλα μπορεί να είναι πολύ ευαίσθητα σε μια σειρά από συνθήκες που μπορεί να θέσουν σε κίνδυνο την αποτελεσματικότητά τους, να μειώσουν την αξία τους και να αυξήσουν τους σχετικούς κινδύνους. Ορισμένα από αυτά τα στοιχεία, όπως η μετατόπιση δεδομένων, σχετίζονται άμεσα με το έργο του επιστήμονα δεδομένων και απαιτούν την τεχνογνωσία του για να αντιμετωπιστούν. Υπάρχουν όμως πολλά άλλα στοιχεία που μπορούν να επηρεάσουν τα μοντέλα στην παραγωγή που έχουν ελάχιστη σχέση με την επιστήμη των δεδομένων. Για παράδειγμα, ένα πρόβλημα με μια διοχέτευση δεδομένων παραγωγής μπορεί να προκαλέσει απόκλιση των εξόδων του μοντέλου από τα αποδεκτά όρια ή ακόμη και να παράγει λανθασμένα συμπεράσματα. Ένα πρόβλημα με την υποδομή IT παραγωγής στην οποία εκτελείται το μοντέλο μπορεί να προκαλέσει προβλήματα απόδοσης. Σε πολλές περιπτώσεις, μπορεί να μην υπάρχει ουσιαστικός ρόλος για τον επιστήμονα δεδομένων στην αντιμετώπιση του προβλήματος. Αυτό όμως δεν τους γλιτώνει από το να εμπλακούν.
Σε πολλούς οργανισμούς, η απάντηση σε ένα πρόβλημα με μια εφαρμογή που βασίζεται στην τεχνητή νοημοσύνη είναι να συγκεντρωθεί μια συνάντηση με εκπροσώπους από την ομάδα δεδομένων, την ομάδα IT, την ομάδα DevOps, την ομάδα συμμόρφωσης – καθώς και την επιστήμη δεδομένων – με την ελπίδα να εντοπιστούν γρήγορα και αντιμετώπιση της βασικής αιτίας. Αυτές οι συναντήσεις συχνά προκαλούν την ιστορία των τυφλών που προσπαθούν να περιγράψουν έναν ελέφαντα: Ο καθένας μπορεί να περιγράψει το μέρος του ελέφαντα που κρατά, αλλά κανείς δεν μπορεί να περιγράψει ολόκληρο το θηρίο. Ως αποτέλεσμα, μπορεί να χαθεί πολύς χρόνος –και να χαθεί αξία– καθώς η ομάδα προσπαθεί να συγκεντρώσει μια πλήρη εικόνα του προβλήματος και να καθορίσει μια λύση.
Δεν έχω συναντήσει ακόμη έναν επιστήμονα δεδομένων που δεν έχει δεσμευτεί να διασφαλίσει ότι το μοντέλο του λειτουργεί αποτελεσματικά και εντός των ορίων του. Αυτό που δεν εκτιμούν είναι να καλούνται σε καταστάσεις στις οποίες τα προβλήματα τελικά δεν είχαν καμία σχέση με το μοντέλο. Γενικά είναι εντάξει να παίζουν ρόλο στην παρακολούθηση των μοντέλων τους που έχουν φτάσει στην παραγωγή, αλλά δεν θέλουν να ξοδεύουν το χρόνο τους κυνηγώντας ζητήματα που δεν έχουν κανένα ρόλο να επιδιορθώσουν.
«Τα μοντέλα μου κάνουν μεγάλες συνεισφορές – Πιστέψτε με»
Οι οργανισμοί έχουν ρίξει εκατομμύρια σε πρωτοβουλίες τεχνητής νοημοσύνης επιδιώκοντας μεγάλες αποδόσεις και για τους πιο ώριμους οργανισμούς οι επενδύσεις τους αποφέρουν σημαντικές αποδόσεις. Αλλά πολλοί οργανισμοί αγωνίζονται να ποσοτικοποιήσουν την αξία που συνεισφέρουν οι πρωτοβουλίες τους. Αυτό είναι όλο και πιο σημαντικό καθώς οι προϋπολογισμοί γίνονται αυστηρότεροι και υπάρχουν περισσότερα έργα τεχνητής νοημοσύνης που ανταγωνίζονται για κεφάλαια. Αυτό επηρεάζει άμεσα τους επιστήμονες δεδομένων, οι οποίοι θέλουν να αναγνωρίζεται η συνεισφορά τους και να ρέουν οι κατάλληλες ανταμοιβές σε αυτούς και στα έργα τους. Φυσικά, η έλλειψη προβολής των συνεισφορών των μοντέλων τεχνητής νοημοσύνης δεν είναι μόνο ένα ζήτημα για τους επιστήμονες δεδομένων: Η αδυναμία ακριβούς αξιολόγησης των συνεισφορών των επιχειρήσεων θέτει σε κίνδυνο όλες τις επιχειρηματικές πρωτοβουλίες τεχνητής νοημοσύνης.
ModelOps to the Rescue
Το ModelOps είναι μια βασική ικανότητα που επιτρέπει στους οργανισμούς να κυβερνούν και να κλιμακώνουν τις πρωτοβουλίες τεχνητής νοημοσύνης τους. Μια αποτελεσματική ικανότητα ModelOps επιτρέπει σε έναν οργανισμό να τυποποιεί και να αυτοματοποιεί τις λειτουργικές διαδικασίες για όλα τα μοντέλα στην παραγωγή, αλλά χωρίς να περιορίζει τους επιστήμονες δεδομένων ή οποιαδήποτε άλλη ομάδα από τη χρήση των καταλληλότερων εργαλείων και υποδομών για κάθε περίπτωση χρήσης. Παρέχει επίσης στην επιχείρηση – ανώτερα στελέχη, προσωπικό πληροφορικής, ομάδες δεδομένων, ομάδες συμμόρφωσης, επιχειρηματικές ομάδες και φυσικά επιστήμονες δεδομένων – επιχειρηματικές μετρήσεις που δείχνουν τις συνεισφορές, το κόστος και την απόδοση επένδυσης (ROI) κάθε μοντέλου παραγωγής.
Οι πιο αποτελεσματικές επιχειρηματικές δυνατότητες ModelOps χτίζονται γύρω από μια πλατφόρμα που είναι ανεξάρτητη από οποιοδήποτε εργαλείο επιστήμης δεδομένων, σύστημα δεδομένων ή υποδομή εκτέλεσης, αλλά μάλλον ενσωματώνεται με οποιοδήποτε εργαλείο και συστήματα χρησιμοποιούνται σε όλη την επιχείρηση, συμπεριλαμβανομένων των εταιρικών συστημάτων για ασφάλεια και διαχείριση πρόσβασης, έκδοση εισιτηρίων , διαχείριση κινδύνων, συμμόρφωση κ.λπ. Η πλατφόρμα ModelOps διατηρεί μια αειθαλής βάση δεδομένων όλων των μοντέλων σε παραγωγή, ανεξάρτητα από την προέλευση ή το περιβάλλον εκτέλεσης, μαζί με όλα τα τεχνουργήματα, συμπεριλαμβανομένων αλγόριθμους, δεδομένα εκπαίδευσης, εγκρίσεις και παρόμοια. Περιλαμβάνει ενεργές οθόνες που ελέγχει συνεχώς την πλήρη γκάμα στατιστικών, δεοντολογικών, επιδόσεων, ασφάλειας, επιχειρηματικών και συμμόρφωσης KPI, και δρομολογεί ζητήματα στους υπεύθυνους και παρακολουθεί την επίλυση – εξαλείφοντας την ανάγκη για «ταξίδια κυνηγιού» για την εύρεση της βασικής αιτίας των προβλημάτων και απελευθερώνοντας τους επιστήμονες δεδομένων και όλους, ώστε να εστιάσουν τον χρόνο τους στις βασικές τους ευθύνες. Μια ώριμη πλατφόρμα ModelOps ενσωματώνεται επίσης με επιχειρηματικά συστήματα για να επιτρέψει την αυτοματοποιημένη δημιουργία μοντέλων επιχειρηματικών μετρήσεων και απόδοσης επένδυσης (ROI).
Για εκείνους τους οργανισμούς που αντιμετωπίζουν απογοήτευση με τις απαιτήσεις διαχείρισης μοντέλων στην παραγωγή και θέλουν να κλιμακώσουν περαιτέρω τις πρωτοβουλίες τους AI – και να διατηρήσουν τους καλύτερους επιστήμονες δεδομένων – υπάρχει μια απάντηση: Εφαρμόστε το ModelOps σήμερα.
