Jannah Theme License is not validated, Go to the theme options page to validate the license, You need a single license for each domain name.
اخبار

قوة MLOps لتوسيع نطاق الذكاء الاصطناعي عبر المؤسسة


هذه المقالة جزء من إصدار خاص لـ VB. اقرأ السلسلة الكاملة هنا: السعي وراء السكينة: تطبيق الذكاء الاصطناعي على نطاق واسع.

إن القول بأنه من الصعب تحقيق الذكاء الاصطناعي على نطاق واسع عبر المؤسسة سيكون أمرًا بخسًا.

ما يقدر بـ 54٪ إلى 90٪ من نماذج التعلم الآلي (ML) لا تدخل حيز الإنتاج بدءًا من البرامج التجريبية الأولية لأسباب تتراوح من مشكلات البيانات والخوارزميات ، إلى تحديد حالة العمل ، إلى الحصول على موافقة المسؤولين التنفيذيين ، وإدارة التغيير التحديات.

في الواقع ، يعد الترويج لنموذج ML في الإنتاج إنجازًا مهمًا حتى بالنسبة للمؤسسات الأكثر تقدمًا التي يعمل بها متخصصو ML والذكاء الاصطناعي (AI) وعلماء البيانات.

حاولت فرق Enterprise DevOps وفرق تكنولوجيا المعلومات تعديل تدفقات عمل تكنولوجيا المعلومات القديمة وأدواتها لزيادة احتمالات ترقية نموذج ما إلى مرحلة الإنتاج ، ولكنها حققت نجاحًا محدودًا. يتمثل أحد التحديات الأساسية في أن مطوري تعلم الآلة يحتاجون إلى عمليات سير عمل وأدوات جديدة تتناسب بشكل أفضل مع نهجهم التكراري لنماذج الترميز واختبارها وإعادة إطلاقها.

قوة MLOps

وهنا يأتي دور MLOps: ظهرت الإستراتيجية كمجموعة من أفضل الممارسات منذ أقل من عقد من الزمان لمعالجة واحدة من الحواجز الأساسية التي تمنع المؤسسة من وضع الذكاء الاصطناعي موضع التنفيذ – الانتقال من التطوير والتدريب إلى بيئات الإنتاج.

تُعرِّف شركة Gartner MLOps بأنها عملية شاملة تهدف إلى تبسيط التطوير الشامل والاختبار والتحقق من الصحة والنشر والتشغيل والتفعيل لنماذج ML. وهو يدعم الإصدار والتفعيل والمراقبة والتجربة وتتبع الأداء والإدارة وإعادة الاستخدام والتحديث والصيانة والتحكم في الإصدار وإدارة المخاطر والامتثال وحوكمة نماذج ML “.

يعتمد تقديم المزيد من نماذج ML في الإنتاج على مدى كفاءة ما قبل الإنتاج في دمج والتحقق من صحة البيانات والأنظمة والعمليات الجديدة الخاصة بـ MLOps ، جنبًا إلى جنب مع حلقة تغذية مرتدة فعالة لإعادة التدريب لضمان الدقة. المصدر: LinkedIn post، MLOps، Simplified! بقلم راجيش دانجي ، المدير الرقمي (CDO) 20 يونيو 2021

الحق في إدارة النماذج للحصول على الحجم

شاركت المؤسس والرئيس التنفيذي لشركة Verta AI ، ماناسي فارتاك ، وهي خريجة من معهد ماساتشوستس للتكنولوجيا وقادت الطلاب الجامعيين في الهندسة الميكانيكية في MIT CSAIL لبناء ModelDB ، في إنشاء شركتها لتبسيط تسليم نماذج الذكاء الاصطناعي والتعلم الآلي عبر المؤسسات على نطاق واسع.

تقترح أطروحتها ، البنية التحتية لإدارة النماذج وتشخيص النماذج ، نموذج ModelDB ، وهو نظام لتتبع منشأ وأداء تدفقات العمل القائمة على ML.

وقالت: “في حين أن أدوات تطوير التعليمات البرمجية الجاهزة للإنتاج مطورة جيدًا وقابلة للتطوير وقوية ، فإن الأدوات والعمليات اللازمة لتطوير نماذج تعلم الآلة وليدة وهشة”. “بين صعوبة إدارة إصدارات النماذج ، وإعادة كتابة نماذج البحث للإنتاج وتبسيط استيعاب البيانات ، يعد تطوير ونشر النماذج الجاهزة للإنتاج معركة ضخمة للشركات الصغيرة والكبيرة على حدٍ سواء.”

وأوضحت أن أنظمة إدارة النموذج هي جوهرية للحصول على MLOps وتشغيلها على نطاق واسع في المؤسسات ، مما يزيد من احتمالية جهود النجاح في النمذجة. يمكن بسهولة أن تضيع التكرارات للنماذج ، ومن المدهش عدد الشركات التي لا تقوم بإصدار نماذج على الرغم من وجود فرق كبيرة من المتخصصين في الذكاء الاصطناعي والتعلم الآلي وعلماء البيانات في طاقم العمل.

يعد الحصول على نظام إدارة نموذج قابل للتطوير أمرًا أساسيًا لتوسيع نطاق الذكاء الاصطناعي عبر المؤسسة. يقول مطورو نماذج الذكاء الاصطناعي والتعلم الآلي وعلماء البيانات لـ VentureBeat أن هناك إمكانية لتحقيق عوائد على مستوى DevOps من MLOps ؛ يتمثل التحدي في تكرار النماذج وإدارتها بشكل أكثر كفاءة ، والاستفادة من الدروس المستفادة من كل تكرار.

يشهد VentureBeat طلبًا قويًا من جانب الشركات التي تقوم بتجربة MLOps. هذه الملاحظة مدعومة بتنبؤ IDC بأن 60٪ من المؤسسات ستعمل على تشغيل تدفقات عمل ML الخاصة بها باستخدام MLOps بحلول عام 2024. وتتوقع Deloitte أن سوق حلول MLOps سينمو من 350 مليون دولار في عام 2019 إلى 4 مليارات دولار بحلول عام 2025.

زيادة قوة MLOps

يعد دعم تطوير MLOps بأدوات وسير عمل جديدة أمرًا ضروريًا لتوسيع نطاق النماذج عبر المؤسسة واكتساب قيمة تجارية منها.

لسبب واحد ، يعد تحسين التحكم في إصدار إدارة النموذج أمرًا بالغ الأهمية لنمو المؤسسة. تحتاج فرق MLOps إلى أنظمة إدارة نموذجية للتكامل مع أو توسيع نطاق النموذج وتغطية مراحل الإنتاج والتعبئة والنشر والنماذج العاملة في الإنتاج. ما نحتاجه هو المنصات التي يمكن أن توفر القابلية للتمدد عبر دورات حياة نماذج ML على نطاق واسع.

أيضًا ، تحتاج المنظمات إلى عملية تشغيل أكثر اتساقًا للنماذج. تختلف كيفية عمل فريق MLOps ووحدة الأعمال معًا لتفعيل نموذج حسب حالة الاستخدام والفريق ، مما يقلل من عدد النماذج التي يمكن للمؤسسة الترويج لها في الإنتاج. يدفع الافتقار إلى الاتساق فرق MLOps إلى اعتماد نهج أكثر توحيدًا تجاه MLOps يستفيد من التكامل المستمر والتسليم (CI / CD). الهدف هو الحصول على رؤية أكبر عبر دورة حياة كل نموذج ML من خلال وجود عملية تشغيل أكثر شمولاً واتساقًا.

أخيرًا ، تحتاج الشركات إلى أتمتة صيانة النموذج لزيادة معدلات العائد. كلما أصبحت صيانة النموذج مؤتمتة أكثر ، زادت كفاءة عملية MLOps بأكملها ، وستكون هناك احتمالية أكبر بأن يصل النموذج إلى مرحلة الإنتاج. يحتاج موردو نظام MLOps وإدارة البيانات إلى تسريع دعمهم القائم على الشخصية لمجموعة متنوعة من الأدوار لتزويد العملاء بإطار عمل إدارة وحوكمة أكثر فاعلية.

يشمل بائعي MLOps موفري الأنظمة الأساسية السحابية العامة ومنصات تعلم الآلة وموردي إدارة البيانات. يوفر موفرو السحابة العامة AWS و Google Cloud و Microsoft Azure دعمًا لمنصة MLOps.

داتا روبوت ، داتايكو ، إجوازيو ، كلوديرا وداتابريكس هم بائعون يتنافسون في سوق إدارة البيانات.

كيف يستخدم LeadCrunch نمذجة ML لجذب المزيد من العملاء المحتملين

تستخدم شركة LeadCrunch الرائدة القائمة على السحابة ، الذكاء الاصطناعي ومنهجية التعلم الآلي الحاصلة على براءة اختراع لتحليل بيانات B2B لتحديد الآفاق ذات الاحتمال الأكبر بأن تصبح عملاء ذوي قيمة عالية.

ومع ذلك ، كانت تحديثات ومراجعات نموذج ML بطيئة ، وكانت الشركة بحاجة إلى نهج أكثر كفاءة لتحديث النماذج بانتظام لتزويد العملاء بتوصيات مستقبلية أفضل. يقوم فريق علوم البيانات في LeadCrunch بتحديث نماذج ML وتحسينها بانتظام ، ولكن مع أكثر من 10 نماذج فرعية ومكدس دائم التطور ، كان التنفيذ بطيئًا. تم نشر النماذج الجديدة فقط بضع مرات في السنة.

كان من الصعب أيضًا الحصول على نظرة عامة على التجارب. تم إدارة كل نموذج بشكل مختلف ، وهو أمر غير فعال. واجه علماء البيانات صعوبة في الحصول على نظرة شاملة لجميع التجارب التي يتم إجراؤها. أدى هذا النقص في البصيرة إلى إبطاء تطوير نماذج جديدة.

غالبًا ما يتطلب نشر النماذج وصيانتها قدرًا كبيرًا من الوقت والجهد من الفريق الهندسي في LeadCrunch. لكن كشركة صغيرة ، لم تكن هذه الساعات متاحة في كثير من الأحيان. قام LeadCrunch بتقييم سلسلة من منصات MLOps بينما رأى أيضًا كيف يمكنهم تبسيط إدارة النموذج. بعد بحث مكثف ، اختاروا Verta AI لتبسيط كل مرحلة من مراحل تطوير نموذج ML ، والإصدار ، والإنتاج ، والصيانة المستمرة.

حرر Verta AI علماء البيانات في LeadCrunch من تتبع إصدار الإصدارات والحفاظ على تنظيم العديد من النماذج. سمح هذا لعلماء البيانات بعمل المزيد من النمذجة الاستكشافية. أثناء النشر الأولي ، كان لدى LeadCrunch أيضًا 21 نقطة ضعف يجب معالجتها ، مع حل Verta AI 20 فورًا بعد التنفيذ. والأهم من ذلك ، زادت Verta AI من سرعة إنتاج النموذج بمقدار 5 أضعاف وساعدت LeadCrunch على تحقيق نشر واحد في الشهر ، بتحسين من اثنين في السنة.

المصدر: Verta AI.

الإمكانات القوية لـ MLOps

إن قدرة MLOps على تقديم نماذج على نطاق وسرعة DevOps هي الحافز الرئيسي للمؤسسات التي تواصل الاستثمار في هذه العملية. يبدأ تحسين معدلات العائد للنموذج بنظام إدارة نموذج مُحسَّن يمكنه “التعلم” من كل عملية إعادة تدريب للنموذج.

هناك حاجة إلى مزيد من التوحيد القياسي لعملية التشغيل ، ويجب تطبيق نموذج CI / CD ليس كقيد ، ولكن كإطار دعم لـ MLOps لتحقيق إمكاناتها.

مهمة VentureBeat هو أن تكون ساحة المدينة الرقمية لصناع القرار التقنيين لاكتساب المعرفة حول تكنولوجيا المؤسسات التحويلية والمعاملات. اكتشف إحاطاتنا.

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

زر الذهاب إلى الأعلى