Şu yazıyı okuyorsunuz: Veri bilimcilerinizi hayal kırıklığına uğratmayın (eğer kalmalarını istiyorsanız) – Yapay zekaya doğru
Veri bilimcilerle, özellikle de Global 1000 şirketlerinde çalışanlarla konuştuğumda, birçoğu durumlarıyla ilgili endişelerini dile getiriyor. Bir anlamda kendi başarılarının kurbanı oluyorlar: Veri bilimcileri işe ciddi katkılar sağlayan modeller üretiyor ve bu nedenle üretim uygulamalarında giderek daha fazla model kullanılıyor. Ancak sonuç olarak veri bilimcileri çeşitli zorluklarla karşı karşıyadır. Konuşmalarımda en sık aşağıdaki konular gündeme geliyor:
- -Kuruluşunuz ürettiği modellerin işe sağladığı katkılar konusunda görünürlükten yoksundur.
- -Üretimdeki modellerinin operasyonel sorunlarıyla ilgilenmek için giderek daha fazla zaman harcıyorlar
Her iki sorunun nedenleri çoğu kuruluşta oldukça tutarlıdır ve bu nedenle basit çözümlere uygundur. Kuruluşlar acilen harekete geçtiği ve bunu yaptığı sürece, bu hem veri bilimcileri hem de çalıştıkları kuruluşlar için iyi bir haber.
“Modeliniz bozuk. Hadi bir toplantı yapalım!”
Yapay zeka modelleri, geliştirilip üretimde devreye alındıktan sonra etkinliklerini tehlikeye atabilecek, değerlerini azaltabilecek ve ilgili riskleri artırabilecek bir dizi koşula karşı çok hassas olabilir. Veri kayması gibi bu unsurlardan bazıları doğrudan veri bilimcinin işiyle ilgilidir ve bunların ele alınması uzmanlık gerektirir. Ancak üretimdeki modelleri etkileyebilecek, veri bilimiyle pek ilgisi olmayan birçok başka unsur da var. Örneğin, üretim verileri hattındaki bir sorun, model sonuçlarının kabul edilen sınırlardan sapmasına ve hatta hatalı çıkarımlar üretmesine neden olabilir. Modelin üzerinde çalıştığı üretim BT altyapısındaki bir sorun, performans sorunlarına neden olabilir. Çoğu durumda veri bilimcinin sorunun çözümünde önemli bir rolü olmayabilir. Ancak bu onların bu işe karışmasını engellemez.
Pek çok kuruluşta, yapay zeka destekli bir uygulamayla ilgili bir soruna yanıt, veri ekibi, BT ekibi, DevOps ekibi, uyumluluk ekibi ve veri biliminden temsilcilerle bir toplantı düzenlemektir. ve temel nedeni ele alın. Bu toplantılar çoğu zaman bir fili tanımlamaya çalışan kör adamların hikâyesini çağrıştırır: Herkes elindeki filin bir kısmını anlatabilir ama hiç kimse canavarın tamamını anlatamaz. Sonuç olarak, grup sorunun tam bir resmini oluşturmaya ve bir çözüm bulmaya çalışırken çok fazla zaman boşa gidebilir ve değer kaybı yaşanabilir.
Henüz modelinin etkili ve sınırları dahilinde çalıştığından emin olmaya kararlı olmayan bir veri bilimciyle tanışmadım. Takdir etmedikleri şey, sorunların sonuçta modelle hiçbir ilgisinin olmadığı durumlara çağrılmaktır. Üretime ulaşan modellerinin izlenmesinde genellikle rol oynayabilirler, ancak düzeltmede rolleri olmayan sorunların peşinde koşarak zaman kaybetmek istemezler.
“Modellerim büyük katkı sağlıyor inanın”
Kuruluşlar büyük getiri arayışı içinde yapay zeka girişimlerine milyonlarca yatırım yapıyor ve daha olgun kuruluşlar için bu yatırımlar önemli getiriler sağlıyor. Ancak birçok kuruluş, girişimlerinin getirdiği değeri ölçmekte zorlanıyor. Bütçeler sıkılaştıkça ve daha fazla yapay zeka projesi finansman için rekabet ettikçe bu giderek daha önemli hale geliyor. Bu, katkılarının tanınmasını ve kendilerine ve projelerine uygun ödüllerin verilmesini isteyen veri bilimcilerini doğrudan etkiliyor. Elbette yapay zeka modeli katkılarının görünürlüğünün olmaması yalnızca veri bilimcileri için bir sorun değil: iş katkılarının doğru şekilde değerlendirilememesi, tüm kurumsal yapay zeka girişimlerini riske atıyor.
ModelOps kurtarmaya gidiyor
ModelOps, kuruluşların yapay zeka girişimlerini yönetmesine ve ölçeklendirmesine olanak tanıyan temel bir yetenektir. Etkili bir ModelOps yeteneği, bir kuruluşun üretimdeki tüm modeller için operasyonel süreçleri standartlaştırmasına ve otomatikleştirmesine olanak tanır, ancak veri bilimcilerinin veya başka herhangi bir ekibin her kullanım durumu için en uygun araçları ve altyapıyı kullanmasını kısıtlamaz. Ayrıca şirkete (üst düzey yöneticiler, BT personeli, veri ekipleri, uyumluluk ekipleri, iş ekipleri ve tabii ki veri bilimcileri) her üretim modelinin katkılarını, maliyetlerini ve yatırım getirisini gösteren iş ölçümleri sağlar.
En etkili kurumsal ModelOps yetenekleri, herhangi bir veri bilimi aracından, veri sisteminden veya yürütme altyapısından bağımsız olan ancak güvenlik ve erişim yönetimi, biletleme için kurumsal sistemler de dahil olmak üzere kuruluş genelinde kullanılan tüm araç ve sistemlerle entegre olan bir platform etrafında oluşturulmuştur. , risk yönetimi, uyumluluk vb. ModelOps platformu, kaynak veya yürütme ortamından bağımsız olarak üretimdeki tüm modellerin yanı sıra algoritmalar, eğitim verileri, onaylar ve benzerleri dahil tüm yapıların kalıcı bir veritabanını korur. İstatistik, etik, performans, güvenlik, iş ve uyumluluk KPI’larının tamamını sürekli olarak kontrol eden ve sorunları sorumlulara yönlendiren ve çözümü takip eden aktif monitörleri içerir; böylece sorunların temel nedenini bulmak ve özgürleşmek için “av gezileri” ihtiyacını ortadan kaldırır. Veri bilimcilerini ve herkesi, zamanlarını temel sorumluluklarına odaklamaları için eğitin. Olgun bir ModelOps platformu aynı zamanda model iş ölçümlerinin ve yatırım getirisinin otomatik olarak oluşturulmasını sağlamak için iş sistemleriyle de entegre olur.
Üretimdeki modelleri yönetme taleplerinden bıkan ve yapay zeka girişimlerini daha da ölçeklendirmek ve en iyi veri bilimcilerini elinde tutmak isteyen kuruluşlar için bir yanıt var: ModelOps’u bugün uygulayın.
Biyografi: Stu kurucularından Model Op Kurumsal Yapay Zekanın Baş Mimarı olarak görev yapmaktadır. Stu’nun bir teknoloji uzmanı ve girişimci olarak dünyanın en büyük şirketlerine kritik veri yoğunluklu altyapı sağlayan deneyimi, ona büyük, çeşitli şirketlerin yapay zeka ve model odaklı hale gelmesine nasıl yardımcı olabileceği konusunda benzersiz bir bakış açısı sağlıyor.
1994’ten 2000’e kadar Ulusal Veri Madenciliği Merkezi’nin teknik lideri olarak Stu, Tahmine Dayalı Model İşaretleme Dili’nin (PMML) geliştirilmesi de dahil olmak üzere, yüksek performanslı bilgi işlem ve dağıtılmış makine öğrenimi platformlarının geliştirilmesinde önemli roller oynadı. 2000 yılında kategori belirleyici ve pazar lideri Infoblox’u kurdu ve şirket Global 2000’in çoğunluğu da dahil olmak üzere 12.000 şirkete hizmet verecek şekilde büyürken CTO ve baş bilim adamı olarak görev yaptı. Infoblox, büyük işletmelerin uygulaması ve işletmesi için gereken kritik sistem operasyonlarını otomatikleştirir. etkili bir şekilde. İnternet ve Bulut Girişimleri. Infoblox’un başarılı halka arzının ve ardından 2016 yılında Vista Partners tarafından satın alınmasının ardından Stu, yönetişim ve yapay zeka ve model odaklı girişimlerin geniş ölçekte başlatılmasıyla ilgili şu anda belirgin olan zorlukları ele almak için ModelOp’un kurucu ortağı oldu.
Stu, Chicago’daki Illinois Üniversitesi’nden bilgisayar mühendisliği alanında lisans derecesine sahiptir ve dağıtılmış veri sistemleri ve model operasyonlarıyla ilgili otuzdan fazla patentin tanınmış bir mucididir.
