10 wskazówek firmy Cloudera, żeby skutecznie wdrożyć technologie uczenia maszynowego w firmie

Computerworld W ramach nowych modeli biznesowych, bazujących na danych, coraz większe znaczenie w przedsiębiorstwach mają technologie oparte na sztucznej inteligencji (AI) i uczeniu maszynowym (ML). Wyzwaniami we wdrażaniu takich rozwiązań są jednak koszty, niedobór specjalistycznej wiedzy oraz brak uwzględnienia ich w strategii firmy. Jakie kroki powinny zatem podjąć firmy, żeby skutecznie je wdrożyć?

Dane mają wyjątkową wartość dla każdego przedsiębiorstwa. Stanowią najważniejszy element strategii cyfryzacji i podstawę każdego zastosowania technologii sztucznej inteligencji oraz uczenia maszynowego. Dzięki przemyślanym procesom zarządzania danymi z wykorzystaniem chmury można uniknąć powstania silosów danych i dodatkowych kosztów, a jednocześnie zrealizować cele przedsiębiorstwa – np. zwiększyć obroty i zyski oraz poprawić poziom interakcji z klientami. Przetwarzanie w chmurze oczywiście powinno być elementem procesu informatyzacji, ale należy skoncentrować się przy tym na strategii zarządzania danymi. Firma musi zastosować podejście „Data First”, a nie „Cloud First”!

Architektura ma umożliwiać zarządzanie danymi we wszystkich środowiskach – niezależnie od tego, czy chodzi o instalację lokalną, chmurę prywatną czy publiczną. Poza tym należy w miarę możliwości uwzględnić wszystkie obszary danych korporacyjnych, począwszy od systemów przetwarzania brzegowego, a skończywszy na platformie uczenia maszynowego. Tak właśnie jest w przypadku platformy Cloudera Data Platform.

Stały rozwój technologii uczenia maszynowego oparty na chmurze hybrydowej jest możliwy szczególnie wtedy, gdy działanie algorytmów podlega usprawnieniom w trakcie powtarzanych interakcji. Dzięki danym firma jest w stanie zwiększyć obroty i obniżyć koszty. Największe przedsiębiorstwa na świecie pokazują, w jaki sposób udaje się przezwyciężyć przeszkody w trakcie wdrażania systemów uczenia maszynowego. Na podstawie ich doświadczeń dobrze jest określić praktyczne wskazówki, które mogą być wykorzystane w przepływie informacji, produkcji i procedurach.

Oto lista 10 kroków, które pozwolą firmom szybko wdrożyć rozwiązania ML w środowisku produkcyjnym i zastosować technologie sztucznej inteligencji w odpowiedniej skali.

1. Zastosowanie całościowego podejścia do uczenia maszynowego

Technologia uczenia maszynowego może okazać się katalizatorem zmian w przedsiębiorstwie, jeśli stanie się integralną częścią strategii zarządzania danymi. Jej integracja w ramach środowiska informatycznego, procesów, aplikacji i przepływie informacji pozwala zbudować kompleksowe rozwiązanie i korzystnie wpłynąć na wyniki uzyskiwane przez przedsiębiorstwo.

2. Gotowość do eksperymentowania, wyciąganie wniosków z niepowodzeń

Technologie uczenia maszynowego pozwalają zautomatyzować procesy i rozwiązać problemy biznesowe. Jednak tak jak w nauce, wymagają one prowadzenia eksperymentów i obserwacji. Oznacza to także konieczność pogodzenia się z ewentualnymi niepowodzeniami – jeśli okaże się, że uczenie maszynowe nie pomaga nam w rozwiązaniu danego problemu biznesowego, będziemy musieli skoncentrować się na innych obszarach.

3. Budowa i zaangażowanie interdyscyplinarnego zespołu

Zatrudnieni w firmie analitycy danych korzystają z platformy i narzędzi, które zapewniają im praktyczny dostęp do danych, zasobów obliczeniowych oraz bibliotek programistycznych. Z drugiej strony operacyjne rozwiązania ML działają najlepiej, jeśli są tworzone i utrzymywane w ramach różnorodnego zespołu, począwszy od inżynierów i analityków danych, aż po interesariuszy biznesowych.

4. Szybkie powtarzanie, późniejsza optymalizacja

Budowa modelu uczenia maszynowego, który od samego początku będzie pozbawiony błędów, nie jest skuteczną metodą. Zespół może odnieść sukces, jeśli szybko zacznie prowadzić eksperymenty, licząc się z niepowodzeniami na wczesnych etapach, a także jeżeli będzie ciągle uczyć się nowych rzeczy i wypróbowywać nowe rozwiązania.

5. Optymalizacja całego cyklu uczenia maszynowego z wykorzystaniem odpowiedniej technologii

Wdrożenie mechanizmów uczenia maszynowego w środowisku produkcyjnym można podzielić na dwie fazy:

  • kompleksowe opracowanie funkcji ML i budowa modeli;
  • przejście do środowiska produkcyjnego, skalowanie i bieżąca eksploatacja.

Dzięki zastosowaniu właściwej platformy i narzędzi zespoły zajmujące się inżynierią i analityką danych mogą ze sobą skutecznie współpracować w obu fazach.

6. Stworzenie struktury organizacyjnej w przedsiębiorstwie umożliwiającej akceptację funkcji uczenia maszynowego

Często pojawia się bariera między fazą ekspery¬mentowania a fazą wdrożenia produkcyjnego na dużą skalę. Wynika to z braku w przedsiębiorstwie odpowiedniej wiedzy i umiejętności związanych z tworzeniem, wdrażaniem oraz utrzymywaniem mechanizmów ML w ramach istniejących procesów, przepływów informacji, architektury i kultury organi-zacyjnej. Dlatego do wprowadzenia takich mechanizmów niezbędna jest elastyczna struktura firmy.

7. Zachowanie integralności modeli

Jeśli uda się wdrożyć na dużą skalę kilka modeli uczenia maszynowego, należy to uznać za sukces. Nie wolno jednak zapominać, że w miarę upływu czasu zmieniają się dane, na których oparto te modele. Wdrożony, efektywnie działający model musi podlegać ciągłemu szczegółowemu monitorowaniu i dostrajaniu, co jest pracochłonnym procesem.

8. Eliminowanie luk kompetencyjnych

Przedsiębiorstwo powinno podjąć próbę zbudowania zespołu uwzględniającego doświadczenia, kompetencje i kwalifikacje z szerokiego spektrum obszarów – począwszy od inżynierii i analityki danych, a skończywszy na DevOps i tworzeniu produktów. Im bardziej wszechstronny jest taki zespół, w tym większym stopniu poszczególni jego członkowie uczą się od siebie nawzajem.

9. Modele w środowisku produkcyjnym to „żywe” oprogramowanie

W pewnym sensie modele są dynamicznymi, żywymi komponentami. Należy je więc stale zasilać danymi, utrzymywać i kontrolować, a do tego zapewnić im ochronę. Dlatego istotne jest ustalenie sekwencji modeli oraz sprawdzenie, kto może uzyskać do nich dostęp i wprowadzać w nich zmiany.

10. Określenie i przestrzeganie zobowiązań natury etycznej

Jest wiele aspektów etycznych związanych z użyciem funkcji uczenia maszynowego. Przed wykorzystaniem niezbędnych danych w ramach modeli należy zadbać o uzyskanie przez przedsiębiorstwo zgody klientów i innych interesariuszy. Wczesne określenie i utrzymywanie ścisłych etycznych standardów przetwarzania jest opłacalne w dłuższej perspektywie czasowej.

Zastosowanie mechanizmów uczenia maszynowego w praktyce

Nie ma zmiany bez ruchu, nie ma ruchu bez wykonania pierwszego kroku” – to jedna z wielu mądrości przypisywanych legendarnemu mędrcowi Laozi. Ten chiński filozof, twórca taoizmu, powiedział również: „Podróż tysiąca mil zaczyna się od jednego kroku”. Jeśli ten krok zostanie wykonany we właściwy sposób, podobnie jak kolejnych dziewięć kroków, to zostanie wytyczona ścieżka firmy do udanego wdrożenia mechanizmów sztucznej inteligencji i ich skalowania. W końcu chodzi o to, by algorytmy uczenia maszynowego działały w środowisku produkcyjnym, z zachowaniem odpowiedniej kontroli i w skali, która pozwoli przedsiębiorstwu osiągnąć sukces.

10 wskazówek firmy Cloudera, żeby skutecznie wdrożyć technologie uczenia maszynowego w firmie