[[344258]]

一項(xiàng)對(duì)行業(yè)領(lǐng)先組織的調(diào)查顯示，絕大多數(shù)(91.6%)的全球組織正在加快其人工智能投資的步伐，其中91.7%的受訪者表示，其投資需要轉(zhuǎn)化為敏捷和有競(jìng)爭(zhēng)力的業(yè)務(wù)。

但是問題在于一旦創(chuàng)建，多達(dá)87%的人工智能模型無法投入生產(chǎn)。即使是這樣，他們也不總是能夠適當(dāng)?shù)毓芾恚噪S著時(shí)間的推移而持續(xù)提供價(jià)值。為了確保組織從其人工智能投資中獲得最大的投資回報(bào)，他們需要機(jī)器學(xué)習(xí)操作(MLOps)。
機(jī)器學(xué)習(xí)操作(MLOps)是技術(shù)和實(shí)踐的組合，提供了可擴(kuò)展且受控制的方式來在生產(chǎn)環(huán)境中部署和管理機(jī)器學(xué)習(xí)模型。借助機(jī)器學(xué)習(xí)操作(MLOps)，組織可以將人工智能項(xiàng)目從出色的科學(xué)實(shí)驗(yàn)轉(zhuǎn)變?yōu)榫哂杏绊懥Φ睦麧欜?qū)動(dòng)程序。
機(jī)器學(xué)習(xí)操作(MLOps)如何提高企業(yè)人工智能投資的價(jià)值——從最初到未來幾年的部署。
縮短生產(chǎn)時(shí)間
盡管數(shù)據(jù)科學(xué)家可以定義他們希望采用人工智能幫助解決、開發(fā)和測(cè)試模型的業(yè)務(wù)問題，但他們通常需要IT部門來部署模型。
這有幾個(gè)問題：首先，IT工作者的技能與數(shù)據(jù)科學(xué)家不同，他們的背景是基礎(chǔ)設(shè)施、應(yīng)用程序監(jiān)控、安全和軟件開發(fā)。在許多情況下，他們不知道模型是什么，也不知道它能做什么。第二，環(huán)境會(huì)發(fā)生變化，模型甚至在投入生產(chǎn)后也需要更新——這是它無法做到的，因?yàn)樗鼈兪褂玫牟僮飨到y(tǒng)和編程語言與數(shù)據(jù)科學(xué)家不同。
機(jī)器學(xué)習(xí)操作(MLOps)可以通過創(chuàng)建一個(gè)集中式樞紐來幫助解決此問題，在該樞紐中，它們可以一起工作以使人工智能正常運(yùn)行。作為一個(gè)自動(dòng)化的過程，機(jī)器學(xué)習(xí)操作(MLOps)自行運(yùn)行，因此數(shù)據(jù)科學(xué)家和IT人員無需擔(dān)心重新編碼語言，不同的操作系統(tǒng)或模型的漂移。與其相反，它只是無縫高效地將模型投入生產(chǎn)，因此可以開始交付業(yè)務(wù)價(jià)值。
監(jiān)控和管理模型
一旦模型投入生產(chǎn)，就需要對(duì)它們進(jìn)行監(jiān)視和適當(dāng)?shù)墓芾?。許多組織沒有意識(shí)到人工智能模型會(huì)隨著時(shí)間的推移而變化，這意味著如果不經(jīng)常更新，他們的預(yù)測(cè)就會(huì)變得不那么準(zhǔn)確。因此，模型監(jiān)視對(duì)于確保它們利用準(zhǔn)確的數(shù)據(jù)并正確執(zhí)行非常重要。如果得不到適當(dāng)?shù)谋O(jiān)控，組織可能會(huì)失去其利益相關(guān)者的信任，甚至?xí)p失收入。
模型治理對(duì)于確保組織最好地使用人工智能技術(shù)同樣重要。隨著組織為關(guān)鍵的面向客戶和業(yè)務(wù)流程應(yīng)用程序開發(fā)模型，對(duì)治理的需求變得至關(guān)重要。生產(chǎn)模型治理的目標(biāo)是通過控制訪問和已建立的更新過程，最大限度地提高成功部署的機(jī)會(huì)，并將風(fēng)險(xiǎn)降至最低。通過限制誰可以更新模型、維護(hù)適當(dāng)?shù)幕顒?dòng)和預(yù)測(cè)日志，以及充分測(cè)試模型，組織可以將風(fēng)險(xiǎn)降至最低，確保法律和法規(guī)的合規(guī)性，并創(chuàng)建一個(gè)可重復(fù)的過程來擴(kuò)大人工智能的采用。
為意外做好準(zhǔn)備
正如人們?cè)谶^去看到的那樣，世界可以快速變化，因此需要適當(dāng)?shù)臉I(yè)務(wù)決策和運(yùn)營。盡管這些異常時(shí)期可能會(huì)使模型混亂，并使諸如消費(fèi)者行為之類的事情難以預(yù)測(cè)，但機(jī)器學(xué)習(xí)操作(MLOps)可以幫助組織獲取這些異常數(shù)據(jù)集，甚至在極端動(dòng)蕩的情況下(例如冠狀病毒疫情)也可以使用它們。
借助機(jī)器學(xué)習(xí)操作(MLOps)，組織可以通過在較新的數(shù)據(jù)集上對(duì)模型進(jìn)行重新訓(xùn)練來“重置”模型，然后迅速將其重新部署到生產(chǎn)環(huán)境中。他們可以提供有關(guān)數(shù)據(jù)漂移的方式和程度的指導(dǎo)，強(qiáng)調(diào)哪些模型不再做出準(zhǔn)確的預(yù)測(cè)。還有其他時(shí)間段的歷史數(shù)據(jù)，例如1973年的石油危機(jī)或颶風(fēng)危機(jī)，這些數(shù)據(jù)可以幫助組織預(yù)測(cè)像冠狀病毒一樣嚴(yán)重危機(jī)的長(zhǎng)期影響。由于疫情的影響每天都在發(fā)展和變化，因此機(jī)器學(xué)習(xí)操作(MLOps)可以同時(shí)保持對(duì)數(shù)據(jù)可能偏差的監(jiān)視，并使用自動(dòng)化功能在數(shù)據(jù)發(fā)生時(shí)立即通知其數(shù)據(jù)和準(zhǔn)確性漂移。這樣，組織就可以快速重新調(diào)整其模型，并獲得與市場(chǎng)保持同步所需的見解。
當(dāng)機(jī)器學(xué)習(xí)操作(MLOps)與其他人工智能工具結(jié)合使用時(shí)，預(yù)測(cè)將變得更加準(zhǔn)確，并且組織可以迅速調(diào)整路線，以滿足不斷變化的消費(fèi)者需求。例如，當(dāng)模型在新數(shù)據(jù)集(如上述數(shù)據(jù)集)上進(jìn)行訓(xùn)練之后，再用于需求預(yù)測(cè)時(shí)，品牌商可以更準(zhǔn)確地預(yù)測(cè)需求，從而確保不會(huì)再次出現(xiàn)洗手液和衛(wèi)生紙等產(chǎn)品短缺的情況。同樣，當(dāng)使用機(jī)器學(xué)習(xí)操作(MLOps)定期監(jiān)視和更新模型時(shí)，組織可以應(yīng)用時(shí)間序列之類的方法來查看對(duì)其業(yè)務(wù)的持久影響，并使用它來解決其他問題集，例如優(yōu)化人員配備水平和管理庫存等。
如今的世界日新月異，組織需要準(zhǔn)確和可信賴的預(yù)測(cè)來幫助他們做出業(yè)務(wù)決策。但是，在大規(guī)模部署和監(jiān)控人工智能模型之前，組織難以做到這一點(diǎn)。通過采用機(jī)器學(xué)習(xí)操作(MLOps)的實(shí)踐和解決方案，組織可以擁有所需的工具來應(yīng)對(duì)這個(gè)前所未有的時(shí)代，同時(shí)最終也可以從其人工智能投資中看到全部?jī)r(jià)值。