Machine Learning в аналитике - это современный и востребованный инструмент, позволяющий извлекать выводы и тренды из больших данных. Эти тренды помогают в принятии эффективных решений в бизнесе, а успех бизнеса - это ваше спокойствие и благополучие как руководителя.
Однако благодаря своей сложности и закрытости ML-модели напоминают современные автомобили, под капотом которых все агрегаты скрыты и затянуты пластиком. Пластик же закреплен специальными гайками нестандартной формы и размеров, чтобы рука человека туда не ступала и что-нибудь не испортила. Но что, если в дороге случится небольшая неприятность, которую автолюбитель мог бы исправить самостоятельно. Например, перетерся шланг подачи воздуха в двигатель, и из-за переизбытка воздуха мотор работает некорректно. Для временного устранения проблемы будет достаточно изоленты, но внутри ни к чему не подобраться. Тогда нужно вызывать эвакуатор, ехать на СТО, тратить время и только потом продолжить свой путь - это неудобно. Так же неудобно, как невозможность изменять аналитическую модель, основанную на машинном обучении.
И это - бизнес-проблема, мы ее осознали и поняли. Вам, как руководителю, не обязательно изучать Machine Learning, чтобы работать и взаимодействовать с его моделями.
Вот что вы можете сказать внутреннему аналитику или подрядчику, который занимается ML-моделью для аналитики в вашем бизнесе:
1. А достаточно ли просто все развернуто?
Еще на этапе построения модели следует понимать, что модель будет улучшаться и подвергаться различным экспериментам. Использование инструментов контейнеризации, таких как Docker, позволяет упаковать модели и все их зависимости в изолированные контейнеры. Это, кстати, позволяет развертывать ML-модель без проблем совместимости. Кроме того, так будет легче ее масштабировать и переносить. Говоря простыми словами, на этапе выбора автомобиля будет полезно запастись инструментами для простого доступа в подкапотное пространство или подобрать автомобиль без пластиковой защиты внутри.
2. API - наше все
Создание надежного API для ML-моделей поможет рядовым пользователям взаимодействовать с ними, отправляя простые запросы и команды, и, получая быстрый результат. По аналогии с автомобилем представьте, что в вашей машине всегда сидит мастер, который готов прийти на помощь и быть вашим проводником в мир технического устройства авто. Вы ему запрос "А можно ли уменьшить шум двигателя?", а он вам сделал дополнительную шумо-вибро изоляцию моторного отсека.
3. Микросервисная архитектура - это просто порядок
Если мы строим отдельные ML-модели под сервисы, это обеспечивает гибкость, масштабируемость и доступность системы. Универсальных автомобилей не существует. Нельзя купить Газель и поехать на трек в надежде обогнать BMW M5. Также бессмысленно использовать M5 для перевозки холодильников. Если перед вами стоит множество различных задач, инструменты должны быть тоже разные, даже если и то и другое называется машиной.
4. Если есть возможность разработать веб-интерфейс в облаке - сделайте
Интуитивно понятное приложение позволит запускать и изменять ML-модели даже пользователям, которые не имеют глубоких знаний в области машинного обучения. Это как возможность иметь робота-механика, перед которым можно с приложения в телефоне поставить задачу по замене масла, и он это сделает.
5. Самое скучное - создание документации и обучение.
Все мы знаем, как иногда скучно было учиться. Представьте, какая скукота эти учебники придумывать. Но четкие инструкции, примеры и демонстрации позволяют пользователям легко разобраться в возможностях моделей и интегрировать их в области своей ответственности в бизнесе. Представьте, что ваш друг попросил вас одолжить ему ваш новый долгожданный автомобиль на месяц по срочному делу. К сожалению, на ходу придумать не нелепую причину отказа не удалось. Сколько десятков тысяч символов вы бы ему написали, объясняя, что там да как работает, чтобы не произошло никаких казусов?
Утопичное техно-будущее, кажется, уже наступило, и вопрос лишь в том, будем ли мы за ним поспевать. Да и ощущение, что конкурент упрощает доступность своих ML-моделей, пока вы бездействуете - это сплошной стресс. Значит ли это, что нужно стремиться к доступности своих аналитических моделей на машинном обучении? Что думаете вы?
#quillis #ML #аналитикаданных