Искусственный интеллект мало связан с традиционной разработкой софта с ее циклами выпуска, поэтому требует необычного подхода к внедрению. Бинь Чжао, ведущий специалист Datatron по данным, рассказал, какие ошибки внедрения ИИ встречаются чаще всего и как их избежать.
Datatron – компания, которая создала единую платформу типового управления, способную объединить все производственные модели машинного обучения, искусственного интеллекта и анализа данных компании в одну систему.
1. ИИ – это не традиционная разработка ПО
Не относитесь к разработке искусственного интеллекта и машинного обучения как к разработке традиционного программного обеспечения. Цикл разработки ИИ и МО занимает гораздо больше времени из-за дополнительных факторов: перевод алгоритмов ИИ в совместимые программные коды, уникальные требования к инфраструктуре, необходимости частых итераций модели и многое другое. Иногда он в пять раз длиннее традиционного разработки ПО.
2. Использование или стандартизация неправильных инструментов
Ошибка в выборе инструментов приводит к задержкам и неэффективности. В большинстве случаев организации могут контролировать типы серверов, которые они покупают, используемые программные инструменты, включаемые зависимости и т. д. В случае с ИИ/МО дело обстоит иначе. Руководителям компаний нужно довериться и позволить своим специалистам по анализу данных использовать предпочитаемые ими инструменты, полагаясь на их мнение о том, что позволит выполнить работу наилучшим образом. В противном случае все эти специалисты просто уйдут.
3. Нехватка опыта у IT/DevOps-сотрудников
DevOps – это совокупность разработки и эксплуатации ПО с целью сокращения времени доставки решений и поддержания хорошего пользовательского опыта с помощью автоматизации (например, CI/CD и мониторинга). Но DevOps-эксперты не знают нюансов работы с МО-моделями.
MLOps – это новый термин, отражающий применение правил DevOps для автоматизации создания, тестирования и развертывания МО-систем. Цель MLOps – объединить разработку и эксплуатацию МО-приложений, облегчив командам более частое развертывание более тонких моделей.
4. Несоответствие набора навыков
Специалистам по анализу данных нужны правильные исходные данные для моделирования. Они прекрасно справляются с раскрытием данных для построения лучших моделей для решения бизнес-задач. Однако это не означает, что они – эксперты во всех тонкостях работы с существующими приложениями и инфраструктурой. Это вызывает трения между специалистами по данным, инженерной командой и руководителями предприятий, что приводит к низкой удовлетворенности работой первых.
Несмотря на высокую квалификацию и подготовку, они вынуждены полагаться на другие команды в вопросах развертывания и производственной эксплуатации, что также означает, что они не могут быстро проводить итерации. А поскольку проекты переходят к инженерной команде, которая не обладает навыками МО, ей легко упустить детали, особенно если модель делает неточные прогнозы.
5. Увлечение романтикой академических ИИ-исследований
Исторически сложилось так, что академические исследования в области искусственного интеллекта сосредоточены на разработке моделей и алгоритмов. Тогда как на итерации и улучшение наборов данных для решения конкретной бизнес-задачи, внедрение модели МО или мониторинг моделей в производстве направлены ограниченные усилия. Создание и внедрение модели для решения реальной проблемы – это гораздо больше, чем разработка самого алгоритма.
Продуманный план для успеха МО
Ввести в эксплуатацию модели МО сложно, но возможно. Использование нового жизненного цикла разработки модели позволит упорядочить процесс ее разработки и эксплуатации. Это поможет специалистам по анализу данных, инженерам и другим заинтересованным командам своевременно принимать эффективные решения и снизить производственные риски. Успешный инструмент управления моделями также поможет стандартизировать процессы, упростить управление и значительно снизить риски общего характера.
Источник: itweek
Какие, на ваш взгляд, ошибки внедрения искусственного интеллекта чаще всего допускают компании?
Об актуальном опыте внедрения современных технологий в российских компаниях вы сможете узнать на ближайших конференциях CFO Russia:
Третья конференция «Цифровизация в строительном бизнесе»
Пятнадцатый форум «Внутренний и внешний электронный документооборот»
Пятая конференция «Автоматизация корпоративного казначейства»
Перейдя по ссылкам, вы сможете подробней ознакомиться с темами, списком докладчиков, и зарегистрироваться.