Ozon разработал собственный инструмент для генерации и редактирования фона на изображении товаров, который работает с помощью алгоритмов машинного обучения.
По прогнозам экспертов, число предприятий, использующих отечественные решения, возрастет до 80% к концу 2024 г.
Чтобы добиться успеха со сложным развертыванием ИИ, организации должны придерживаться передовых практик. Не менее важно понимать, что ИИ мало связан с традиционной разработкой софта с ее циклами выпуска, поэтому важно избежать этой и других ошибок, о которых на портале eWeek рассказывает Бинь Чжао, ведущий специалист Datatron по данным.
Во время недавнего мероприятия «Tesla AI Day» Элон Маск сказал, что он не рекомендует применять машинное обучение (МО), потому что это действительно сложно: «Не принимайтесь за него, если только вам не обойтись без этого». Возможно, он прав в своей оценке, потому что МО действительно довольно сложно внедрить. Большинство компаний желают получить преимущества, которые ИИ может дать их бизнесу, но у большинства из них нет необходимых условий, чтобы запустить его в работу. Поэтому, как говорится в исследовании Gartner, 85% проектов в области МО терпят неудачу.
Заявление Маска прозвучало довольно неожиданно, учитывая его отношение ко всем новым технологиям, но, тем не менее, в нем кроется зерно истины. Организации действительно не могут относиться к ИИ, подмножеством которого является МО, как к любительским проектам. Многие компании совершают ряд серьезных ошибок, пытаясь заниматься ИИ. Но их можно не совершать. Ниже приведены пять примеров распространенных ошибок при внедрении ИИ.
Не относитесь к разработке ИИ/МО как к традиционной разработке ПО. Разработка моделей ИИ/МО — это процесс, значительно отличающийся от разработки софта, но многие организации пытаются применить для управления моделями традиционный жизненный цикл разработки. Последний занимает гораздо больше времени из-за дополнительных факторов, включая перевод алгоритмов ИИ в совместимые программные коды, уникальные требования к инфраструктуре, необходимости частых итераций модели и многое другое. По сравнению с традиционными языками программирования он может занять более чем в пять раз больше времени. Это означает, что сегодняшние типовые процессы выпуска приложений просто неприменимы к ИИ.
Ошибка в выборе инструментов приводит к ненужным задержкам и неэффективности. В большинстве случаев организации могут контролировать типы серверов, которые они покупают, используемые программные инструменты, включаемые зависимости и т. д. В случае с ИИ/МО дело обстоит иначе: организации должны позволить своим специалистам по анализу данных использовать предпочитаемые ими инструменты, полагаясь на их мнение о том, что позволит выполнить работу наилучшим образом. В противном случае все эти специалисты просто уйдут.
DevOps — это совокупность разработки и эксплуатации ПО с целью сокращения времени доставки решений и поддержания хорошего пользовательского опыта с помощью автоматизации (например, CI/CD и мониторинга). Но DevOps-эксперты не знают нюансов работы с МО-моделями.
MLOps — это новый термин, отражающий применение правил DevOps для автоматизации создания, тестирования и развертывания МО-систем. Цель MLOps — объединить разработку и эксплуатацию МО-приложений, облегчив командам более частое развертывание более тонких моделей.
Специалистам по анализу данных нужны правильные исходные данные для моделирования, и они прекрасно справляются с раскрытием данных для построения лучших моделей для решения бизнес-задач. Однако это не означает, что они являются экспертами во всех тонкостях развертывания моделей для их работы с существующими приложениями и инфраструктурой. Это вызывает трения между специалистами по данным, инженерной командой и руководителями предприятий, что приводит к низкой удовлетворенности работой первых.
Несмотря на высокую квалификацию и подготовку, они вынуждены полагаться на другие команды в вопросах развертывания и производственной эксплуатации, что также означает, что они не могут быстро проводить итерации. А поскольку проекты переходят к инженерной команде, которая не обладает навыками МО, ей легко упустить детали, особенно если модель делает неточные прогнозы.
Исторически сложилось так, что академические исследования в области ИИ сосредоточены на разработке моделей и алгоритмов. Тогда как на итерации и улучшение наборов данных для решения конкретной бизнес-задачи, внедрение модели МО или мониторинг моделей в производстве направлены ограниченные усилия. Создание и внедрение модели для решения реальной проблемы — это гораздо больше, чем разработка самого алгоритма.
Ввести в эксплуатацию модели МО сложно, но не невозможно. Использование нового жизненного цикла разработки модели позволит упорядочить процесс ее разработки и эксплуатации. Это поможет специалистам по анализу данных, инженерам и другим заинтересованным командам своевременно принимать эффективные решения и снизить производственные риски. Успешный инструмент управления моделями также поможет стандартизировать процессы, упростить управление и значительно снизить риски общего характера.
