هر رهبر فناوری اطلاعاتی که تلاش کرده است فناوری پیشرفته – مانند هوش مصنوعی / ML، علم داده و اینترنت اشیا – را برای شرکت خود وارد کند، احتمالاً با چالش‌هایی روبرو شده است.
فقط دانستن اینکه از کجا شروع کنید – چه رسد به اینکه چگونه همه چیز را در یک محیط تولید به طور پایدار اجرا کنید – می تواند دشوار باشد. این واقعیت که تنها 8 درصد از شرکت‌ها مدل هوش مصنوعی را در تولید پیاده‌سازی کرده‌اند (طبق گزارش 2019 AI Maturity گارتنر) گواه این موضوع است.
اما نکته اینجاست: تبدیل شدن به بخشی از آن 8 درصد غیرممکن نیست. علاوه بر این، از آنجایی که AI/ML در یک محیط تجاری مزایای بسیار زیادی دارد، ارزش تلاش برای ثابت نگه داشتن آن را دارد. فقط باید بخواهید از شکست های خود و دیگران درس بگیرید.
چگونه عوامل BI مدرن
Domo زمان زیادی را صرف بحث و تعریف «BI مدرن» می‌کند – و دلیل خوبی هم دارد: این پله بعدی در نردبان تحول دیجیتال است، به این معنی که این یک رویکرد مبتنی بر داده است که داده‌های بلادرنگ را در دستان کارکنان کسب‌وکار قرار می‌دهد. پرورش نوآوری، تصمیم گیری بهتر و توانایی حل سریع مسائل پیچیده تر.
این گام مهمی است، عمدتاً به این دلیل که ما دیگر این تجمل را نداریم که تا چرخه بررسی بعدی، ماه آینده یا حتی هفته آینده منتظر بمانیم تا استراتژی‌های تجاری یا ابتکاراتی را که کار نمی‌کنند تنظیم کنیم.
و با افزایش تقاضا برای راه‌حل‌های سریع‌تر، پیچیدگی راه‌حل‌های موجود نیز افزایش یافته است – و بار بیشتری را بر دوش رهبران فناوری اطلاعات قرار داده است تا نوع مناسب داده‌ها را در اختیار کاربران تجاری قرار دهند.
بنابراین چگونه می‌توانید بر چالش‌های پیاده‌سازی مدل AI/ML در تولید غلبه کنید و قدرت واقعی فناوری BI مدرن را تجربه کنید؟ ابتدا به سه دلیل اصلی نگاه می کنیم چرا استقرار آن بسیار دشوار است.
1 – روند متفاوت است
در حالی که AI/ML برای کسب و کار مفهوم جدیدی نیست، توانایی نوآوری و پیاده سازی یک مدل در محیط کسب و کار نسبتاً جدید است. و، متأسفانه، نمی توان به سادگی از شیوه های توسعه سنتی برای مشکلات AI/ML استفاده کرد.
یکی از مشخصه های تعیین کننده فرآیند توسعه هوش مصنوعی، نیاز آن به تکراری بودن است. به دلیل افزایش نیاز به کیفیت داده و حجم داده، و همچنین روابط متقابل بین داده های آموزشی، مدل، و داده های رابط، تکرار برای دستیابی به یک مدل قوی، مقیاس پذیر و قابل استقرار حیاتی است.
اما پذیرفتن این طرز فکر سخت است. اکثر سازمان های فناوری اطلاعات با نرخ ریزش آنها اندازه گیری می شوند. ریزش مساوی با ناکارآمدی است و تکرار اغلب برعکس کاهش ریزش به نظر می رسد. بنابراین، در نگاه اول، رویکردهای تکراری ممکن است با آنچه که AI/ML تولیدی در مورد آن است، متضاد به نظر برسد.
2- مراحل فرآیند همیشه خطی نیستند
روند تحولات مدرن به خوبی تعریف شده است. این مجموعه ای مختصر از مراحل است که در سراسر روش توسعه چابک تکرار می شود و به طور مداوم در تولید به کار می رود.
در توسعه AI/ML، این فرآیند شامل پنج عنصر کلیدی است – دانستن آنچه می‌خواهید به آن برسید. در دسترس بودن داده ها (و AI/ML معمولاً خیلی بیشتر از نرم افزارهای سنتی نیاز دارد). تمایل و توانایی آزمایش با مدل ها؛ بکارگیری مدل انتخابی به شکلی که برای شخصی که از آن استفاده می کند منطقی باشد. و نظارت بر دقت این مدل، اما بسیار متنوع تر از پیشرفت های فعلی است و اغلب به مهارت بیشتری نیز نیاز دارد.
بدتر از آن، بخش‌هایی از فرآیند توسعه AI/ML نه سازگار هستند و نه قابل پیش‌بینی – زیرا اغلب متوجه می‌شویم که وقتی مرحله‌ای را کامل می‌کنیم، چیز جدیدی در مورد داده‌ها یاد می‌گیریم، که ما را ترغیب می‌کند به ابتدا برگردیم و بیایید به آن نگاه کنیم. آن را
تمام مراحل باید به عنوان اجزای در هم تنیده و به هم پیوسته در نظر گرفته شوند تا کل فرآیند به خوبی اجرا شود. و ممکن است برای برخی سرگیجه آور باشد.
3 – تیم های زیادی وجود دارد که باید در نظر گرفته شوند – و آنها باید در صف قرار گیرند
همانطور که گفتم، بخش کلیدی فرآیند توسعه AI/ML این است که بدانید به چه چیزی می‌خواهید برسید. این با تعریف مشکل کسب و کار شروع می شود و با بررسی نحوه پرداختن به آن هدف به طور منظم ادامه می یابد.
با این حال، حتی اگر همه بدانند مشکل چیست، تضمینی نیست که آنها به سمت همان ضربات طبل حرکت کنند. ابتکارات تجاری همیشه با ابتکارات تیم فناوری اطلاعات یا ابتکارات تیم تحلیلی یکسان نیست. و این احتمال وجود دارد که شما نیز سیستم‌ها و ابزارهای فردی داشته باشید که می‌توانند همسوسازی یا ساده‌سازی فرآیند کلی را چالش‌برانگیز کنند.
به عبارت دیگر، فرآیند تولید AI/ML فقط یک مشکل فنی نیست. سازمانی، عملیاتی و استراتژیک نیز هست. و در قلب همه آن داده ها قرار دارد که البته می توانند خوشه ای، مدفون، نامرتب و پر از سوراخ باشند.
رفع موانع ورود
اگرچه موانع تولید AI/ML واقعی هستند، اما شما می تواند برای غلبه بر آنها شما فقط باید آنها را درک کنید و سپس از ابزارها و روش های مناسب استفاده کنید.
دلیل بزرگی که بیش از یک سال پیش به Domo پیوستم این بود که پلتفرم آن بر هر چیزی که تولید AI/ML را دشوار می‌کند، پیشی می‌گیرد.
به عنوان راه حلی که برای کمک به سازمان‌ها برای دستیابی به BI مدرن برای همه طراحی شده است، دارای ویژگی‌هایی است – از جمله 1-2 پانچ پویا MLOps و عملکرد AutoML – که نه تنها به کاهش سه نقطه درد که در بالا توضیح داده شد کمک می‌کند، بلکه افراد باهوش را برای تمرکز بیشتر آزاد می‌کند. در پروژه هایی که جالب هستند و به ارزش تجاری می افزایند.
علاوه بر این، ناکارآمدی‌های مرتبط با تعریف مشکل کسب‌وکار، جمع‌آوری داده‌ها، توسعه مدل، تجسم نتایج، و بسته‌بندی و استقرار در تولید را از طریق قابلیت‌های زیر برطرف می‌کند:
- تسریع مدیریت مدل دانشمندان داده می توانند هشدارهایی را تنظیم کنند که در صورت کاهش دقت مدل های علمی داده های تولید در طول زمان، به کاربران اطلاع دهند. نظارت بر عملکرد مدل و انحراف مدل بسیار مهم است – و باید از طریق راه‌حلی با هشدارهای خودکار، اعلان‌ها و آستانه‌های قابل تنظیم برای استفاده مناسب از مدل‌های استنتاج ارائه‌شده برای استخراج ارزش تجاری و بینش اجرا شود.
- دموکراتیک کردن آماده سازی و نمایه سازی داده ها. برای دستیابی به یک راه حل موثر و پایدار، سرعت، مقیاس و کنترل بسیار مهم است. اتوماسیون و هماهنگ‌سازی خطوط لوله داده و گردش‌های کاری پیچیده برای کاربران تجاری، مانند آماده‌سازی و کاوش داده‌ها، پروفایل داده‌ها و تجمیع‌های تصادفی، در حال تبدیل شدن به ستون‌های کلیدی موفقیت هستند. این چرخه عمر داده ها را تسریع می کند و زمان ارزش گذاری مدل های به کار رفته در تولید را به طور قابل توجهی کوتاه می کند.
- همسویی با فرآیندهای DSML فعلی. قابلیت‌های پیچیده و الگوریتمی را با قابلیت جاسازی کد خام پایتون یا R مستقیماً در پلتفرم داده و خط لوله مدل در حالی که اختیار و کنترل در سطح ردیف را اجرا می‌کنید، برای کسب‌وکار شفاف کنید. نیازی به استفاده از ابزارهای شخص ثالث نیست. همچنین به شما این امکان را می دهد که عملکرد مدل، توضیح پذیری و علت و معلولی را به طور یکپارچه پیگیری و تجسم کنید.
- خودکارسازی اهمیت ویژگی مدل‌های ML را به‌طور خودکار تولید و آزمایش کنید تا بهترین تناسب پیدا شود. قابلیت‌های خود را به نمونه‌سازی سریع در جستجوی پاسخ قابل اعتماد گسترش دهید یا تجزیه و تحلیل حساسیت را در برابر داده‌های واقعی تولید انجام دهید.
صحبت‌های اخیر من در A2.A1 (مستقیماً در زیر این پاراگراف) را تماشا کنید تا درباره این فرآیندهای مهم و نحوه تولید AI/ML از طریق درس‌های شخصی آموخته‌شده، گفتن حکایات و مطالعات موردی قدرتمند بیشتر بدانید.