企業は機械学習オペレーションを活用してビジネス上の利益を獲得しています

企業が最初に AI の導入を開始し、機械学習プロジェクトを立ち上げ始めるとき、多くの場合、焦点は理論レベルにあります。必要な結果を提供できるモデルはありますか? このモデルを構築するにはどうすればよいですか? このモデルをトレーニングするにはどうすればよいですか?

しかし、データ サイエンティストがこれらの概念実証を開発するために使用するツールは次のとおりです。実稼働システムにうまく変換できないことがよくあります。その結果、IDC によると、AI または機械学習ソリューションの導入には平均して 9 か月以上かかります。

# IDC アナリストの Sriram Subramanian 氏は次のように述べています。「私たちはこれを『モデル速度』と呼んでいます。これは、モデルが最初から最後まで到達するまでにかかる時間です。時間です。」

#ここで MLOps が活躍します。 MLOps (機械学習オペレーション) は、企業が理論的な概念実証を行って AI システムを使用する際のデータ、モデル、展開、監視、その他の側面を管理するのに役立つ一連のベスト プラクティス、フレームワーク、ツールです。

「MLOps を使用すると、モデルの速度を数週間、場合によっては数日まで短縮できます」と Subramanian 氏は言います。 「開発運用 (DevOps) を使用するとアプリケーション開発の平均時間が短縮されるのと同じように、MLOps を使用する必要があります。」

MLOps を使用することで、企業はより多くのモデルを構築し、より迅速にイノベーションを行うことができます。 、さらに多くのユースケースに対応します。 「価値提案は非常に明確です」と彼は言いました。

IDC は、2024 年までに 60% の企業が MLOps を使用して機械学習ワークフローを実装すると予測しています。 Subramanian 氏は、企業が AI および機械学習テクノロジーを使用する際に直面する課題について調査したところ、MLOps の不足がコストに次ぐ、企業による AI および機械学習テクノロジーの導入に対する大きな障壁となっていることが明らかになったと述べました。

ここでは、MLOP とは何か、MLOP がどのように進化しているか、AI を実装するこの新たなアプローチを最大限に活用するために組織が何を使用し、留意する必要があるかを見ていきます。テクノロジー。

MLOps の進化

数年前、Eugenio Zuccarelli が初めて機械学習の設計を始めたとき、プロジェクトに関して言えば、MLOps はまさに一連のベストプラクティス。それ以来、Zuccarelli 氏はヘルスケアや金融サービスを含む複数の企業で AI プロジェクトに取り組み、時間の経過とともに MLOps がさまざまなツールやプラットフォームを含むように進化するのを見てきました。

現在、CVS Health のイノベーション データ サイエンティストである Zuccarelli 氏は、「現在、MLOps は AI テクノロジーを実装するための非常に強力なフレームワークを提供しています」と述べています。例として、Zuccarelli 氏は、再入院や病気の進行などの有害な結果を予測できるアプリを開発するために取り組んだ以前のプロジェクトを挙げました。

「私たちはデータセットとモデルを調べ、最良のモデルの特徴を理解するために医師と話し合っていました」と彼は言いました。 「しかし、これらのモデルを本当に役立つものにするためには、これらのモデルを実際のユーザーの前に置く必要があります。」

つまり、信頼性が高く、高速で、安定したモバイル アプリを開発することを意味します。バックエンドには API 経由で接続された機械学習システムがあります。 「MLOps がなければ、それを保証することはできません」と彼は言いました。

彼のチームは、H2O MLOps プラットフォームとその他のツールを使用して、モデルの健全性ダッシュボードを作成しました。 「モデルを大幅に変更することは望んでいません」と彼は言いました。 「そして、偏見を持ち込むことは望ましくありません。この健全性ダッシュボードを使用すると、システムに変更が発生したかどうかを理解できます。」

MLOps プラットフォームを使用すると、次の更新を行うこともできます。生産システム。 「アプリケーションの実行を停止せずにファイルを置き換えることは非常に困難です」とZuccarelli氏は言う。 「システムが運用中の場合でも、MLOps ツールはシステム自体への干渉を最小限に抑えてシステムを置き換えることができます。」

同氏は、MLOps プラットフォームが成熟するにつれて、これらのプラットフォームの速度が向上すると述べました。企業はプロジェクトごとに無駄に反復作業を行う必要がないため、モデル開発プロセス全体をサポートします。 AI の実装には、データ パイプライン管理機能も重要です。

「相互に通信する必要があるデータ ソースが複数ある場合、MLOps が役に立ちます」と彼は言いました。 「機械学習モデルに流入するすべてのデータが一貫性があり、高品質であることが必要です。よく言われるように、ゴミが入ったらゴミが出ます。モデルに供給される情報の品質が低い場合、その予測自体は非常に精度の高いものになります。」

#MLOps の基礎: ターゲットの移動

しかし、現在利用可能なプラットフォームやツールがあるからといって、それが可能であると想定しないでください。 MLOps の中核原則は無視して構いません。この分野に参入したばかりの企業は、MLOps の核心は、データ サイエンスとデータ エンジニアリングの間に強力なつながりを築くことであることを覚えておく必要があります。

「MLOps プロジェクトを確実に成功させるには、データ エンジニアとデータ サイエンティストの両方を同じチームに配置する必要があります」と Zuccarelli 氏は言います。

さらに、偏見を防ぎ、透明性を確保し、説明可能性を提供し、倫理をサポートするために必要なツールをプラットフォームに装備することですが、これらのツールはまだ開発中であると同氏は述べました。 「これは非常に新しい分野なので、間違いなくまだ多くの作業が必要です。」

したがって、利用可能な完全なターンキー ソリューションがない場合、企業は MLOps を実現するあらゆる側面に熟達している必要があります。 AI テクノロジーを実装する際に非常に効率的です。それは、現場で専門知識を学ぶことを意味すると、テンピに本拠を置くテクノロジーコンサルティング会社インサイトのAIチームの国内プラクティスマネージャー、ミーガン・ジェントリー氏は語った。

MLOps は、データの収集、検証、分析から、マシン リソースの管理、モデル パフォーマンスの追跡まで、すべてをカバーします。ビジネスを支援するツールの中には、オンプレミス、クラウド、またはエッジに導入できるものもあります。これらのツールはオープンソースまたはプロプライエタリの場合があります。

しかし、技術的な知識はソリューションの一部にすぎません。 MLOps はまた、開発運用 (DevOps) からのアジャイル手法と反復開発原則も利用しているとジェントリー氏は述べています。さらに、アジャイル開発に関連する分野と同様に、コミュニケーションが重要です。

「すべてのキャラクター間のコミュニケーションが重要です」と彼女は言いました。 「データ サイエンティストとデータ エンジニアの間のコミュニケーション。DevOps とのコミュニケーション、そして大規模な IT チームとのコミュニケーション。」

創業したばかりの企業にとって、MLOps は混乱する可能性があります。いくつかの一般原則がわかり、数十のベンダーが存在し、さらに多くのオープンソース ツールボックスが存在します。

「落とし穴がいくつかあります」と、Capgemini Americas のエンタープライズ アーキテクチャ担当シニア マネージャーである Helen Ristov 氏は言います。 「こうした落とし穴の多くは開発プロセスにあります。DevOps で見られるような正式なガイドラインはありません。これは新興テクノロジーであり、ガイドラインや戦略の一部は開発に時間がかかります。」

Ristov は、企業がデータ プラットフォームから MLOps の取り組みを開始することを推奨しています。 「おそらく、彼らは複数のデータセットを持っているでしょうが、それらは異なる場所にあり、あまり一貫した環境にありません」と彼女は言いました。

彼女は、企業はすべてのデータを 1 つのプラットフォームに移動する必要はないが、アプリケーションによって異なる可能性があるさまざまなデータ ソースからデータを取り込む方法が必要であると述べました。 。たとえば、データ レイクは、低コストのストレージを必要とし、大量の分析を頻繁に実行する企業に適しています。

彼女は、MLOps プラットフォームは通常、さまざまなバージョンのトレーニング データを記録しながらデータ パイプラインを構築および管理するツールを提供しますが、これは 1 回で完了するソリューションではないと述べました。

モデルの作成、バージョン管理、ロギング、測定機能セット、およびモデル自体の管理のその他の側面も提供します。

「これには多くのコーディングが必要です」と Ristov 氏は述べ、MLOps プラットフォームのセットアップには数か月かかる場合があり、統合に関して言えば、作業中にプラットフォーム プロバイダーはまだ多くの作業を行う必要があると付け加えました。やるべき仕事の。

「さまざまな方向に多くの成長が進んでいます」と彼女は言いました。 「多くのツールが開発されており、エコシステムは非常に大規模で、人々は必要なものを選んでいるだけです。MLOps は未熟な段階にあります。ほとんどの組織はまだ最適な構成を模索中です。」

MLOps の状況を理解する

IDC の Subramanian によると、MLOps 市場規模は、2020 年の約 1 億 8,500 万ドルから 2025 年までに約 7 億ドルに成長すると予想されています。しかし、MLOps 製品は大規模なプラットフォームにバンドルされていることが多いため、これはかなり過小評価である可能性があると同氏は述べました。同氏は、市場の実際の規模は2025年までに20億ドルを超える可能性があると述べた。

Subramanian 氏は、MLOps ベンダーは通常、Amazon Web Services (AWS)、Azure Cloud、Google Cloud などの大手クラウド プロバイダーから始まる 3 つのカテゴリに分類され、これらのクラウド プラットフォームは MLOps 機能を提供すると述べました。サービス。

次に、DataRobot、Dataiku、Iguazio などの機械学習プラットフォーム ベンダーがいくつかあります。

「3 番目のカテゴリは、かつてデータ管理ベンダーと呼ばれていたものです」と彼は言いました。 「Cloudera、SAS、DataBricks などの企業。彼らの強みはデータ管理機能とデータ操作にあり、その後、機械学習機能、そして最終的には MLOps 機能まで拡張しています。」

# Subramanian 氏は、3 つの分野すべてが爆発的な成長を遂げていると述べ、MLOps ベンダーを傑出させるための鍵は、オンプレミスとクラウドの両方でモデルの展開をサポートできるかどうか、信頼できる責任ある AI を実装できるかどうか、そして提供できるサービスを提供できるかどうかであると付け加えました。プラグアンドプレイ ソリューション、およびソリューションを簡単に拡張できるかどうか。 「ベンダー間の違いが現れるのはそこだ」と彼は言う。

IDC による最近の調査によると、責任ある AI を実装するための方法の欠如は、AI および機械学習テクノロジーを使用する際の障壁のトップ 3 の 1 つであり、欠如と同率 2 位となっています。 MLOps 自体の。

コンサルティング会社ガートナーの AI および機械学習テクノロジのリサーチ アナリストであるサミット アガルワル氏は、その主な理由は MLOps を使用する以外に選択肢がないためであると述べています。

「他の方法はすべて手動です」と彼は言いました。 「ですから、他に選択肢はありません。スケールしたいなら、自動化が必要です。コード、データ、モデルのトレーサビリティが必要です。」

コンサルティング会社 Gartner によると最近の調査によると、モデルの概念実証から製品化までにかかる平均時間は 9 か月から 7.3 か月に短縮されました。 「しかし、7.3か月というサイクルは依然として長いです」とアガルワル氏は語った。 「組織には MLOps を活用する機会がたくさんあります。」

組織文化を MLOps に移行

Genpact Global Analytics ビジネスの MLOps にも変化が必要です企業の AI チームの組織文化に問題があると校長のアマレシュ トリパシー氏は述べています。

「人々がデータサイエンティストに対して抱いている一般的なイメージは、干し草の山から針を見つけようとするマッドサイエンティストのようなものです」と彼は言いました。 「データ サイエンティストは発見者および探索者であり、ウィジェットを大量に生産する工場現場ではありません。しかし、本当に規模を拡大したい場合は、それが必要なことです。」

彼は、企業は次のような傾向があると述べています。彼らが費やす必要のある努力を過小評価します。

「人々はソフトウェア エンジニアリングに対する理解を深めています」と彼は言いました。 「ユーザー エクスペリエンスと要件については多くのルールがあります。しかし、どういうわけか人々は、モデルをデプロイするときに同じプロセスを経る必要はないと考えています。また、テストでの作業が得意なデータ サイエンティストは全員そうであるという誤解もあります。環境 ユーザーは自然に特定のモデルをデプロイしてデプロイできるようになります。あるいは、数人の IT 同僚を派遣してそれを実行させることもできます。何をする必要があるのか​​理解が不足しています。」

#企業は、MLOps が会社の他の部分に波及効果をもたらし、多くの場合劇的な変化をもたらす可能性があることをまだ認識していません。

「カスタマー サービス センターに MLOps を導入することもできますが、一部の単純なタスクは機械や AI によって処理され、人間に引き継がれるため、平均応答時間は実際には増加します。実際の作業には時間がかかります。」より複雑なため、より長くなります」と彼は言いました。 「ですから、仕事がどのようなものになるのか、どのような人材が必要なのか、どのようなスキルを持っているべきなのかを再考する必要があります。」

彼は今日、ある講演でこう述べました。組織では、アルゴリズムによって決定されるのは 5% 未満ですが、これは急速に変化しています。 「今後 5 年間で、意思決定の 20 ～ 25 パーセントがアルゴリズムによって行われるようになると予測しています。私たちが調査したすべての統計は、AI の急速な拡大の変曲点にあることを示しています。」

MLOps は重要な要素である、と彼は言いました。

「100パーセントです」と彼は言いました。 「MLOps なしでは AI を持続的に使用することはできません。MLOps は企業内での AI の使用を拡大する触媒です。」

以上が企業は機械学習オペレーションを活用してビジネス上の利益を獲得していますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。