MLOps: a jövő az iparosított mesterséges intelligencia

Kapcsolódó cikkek

MLOps: a jövő az iparosított mesterséges intelligencia

MLOps: a jövő az iparosított mesterséges intelligencia

big data

4 perc

Az AI-megoldással ellátott döntéstámogató alkalmazások bevezetésére irányuló projektek száma rohamos tempóban növekszik. Mindez a következő években alapfeltétele lehet a versenyben maradásnak.

A hatékony fejlesztés és üzemeltetés előfeltétele az informatikai szakterületek összehangolt együttműködésének megteremtése, így igény mutatkozik a mesterséges intelligencia iparosítására. Az MLOps (Machine Learning Operations) olyan irányítási rendszert nyújt a vezetők számára, mely egységes, etikus, jogszabálykövető, agilis modellfejlesztést és üzemeltetést eredményez. Az MLOps 2021 egyik kiemelt trendje a Deloitte Tech Trends elemzése szerint.

Az intelligens rendszerek ipari és üzleti alkalmazásainak lehetőségei az előző években rendkívüli népszerűek lettek. Ez nagyrészt a technológiai környezet dinamikus fejlődésének (például Big Data) és az üzleti hatékonyságnövelésre vonatkozó igényeknek volt köszönhető.

Az „okos” rendszerek alkalmasak az üzleti adatok kinyerésére, értelmezésére, előrejelzések és kimutatások készítésére, továbbá nyelvi elemek, képek és videók feldolgozására. Magas színvonalon képesek üzleti feladatok automatizálására, a szervezeti ellenálló képesség növelésére.

A fejlett szervezetek már számos mesterséges intelligenciával (AI) és gépi tanulással (ML) ellátott rendszerimplementációs projektet tudhatnak a hátuk mögött. Ők már felismerték, hogy az üzleti értéket teremtő intelligens alkalmazásfejlesztés és üzemeltetés során az agilis módszertanok kiaknázása nagyban segíti céljaik elérését.

Ugyanakkor kiemelt figyelmet kell fordítani az intelligens szoftverek életciklusából fakadó egyedi igények beépítésére is. A fejlesztési fázisok merőben eltérnek a tradicionális szoftverfejlesztési megközelítésektől, ezért kulcsfontosságú a felhasznált keretrendszerek finomhangolása és testre szabása.

Elhúzódó implementálás és megtérülés

A felmérésében részt vevő, mintegy 750 szervezet csupán 8 százaléka nyilatkozott úgy, hogy az AI-ra vonatkozó fejlesztési és üzemeltetési irányelvek egységes keretet alkotnak. A megkérdezettek több mint 40 százaléka szerint az éles környezetbe történő implementálás lassú, és a tervezettekhez képest csak jóval később érezhetők az üzleti előnyök.

Az ezekhez kapcsolódó várakozások elmaradása a sikertelen projektek fő okozója, ami a részletesen kidolgozott, az üzleti célkitűzéseket követő és az egész szervezetet átölelő sztenderd gyakorlatok hiányából ered.

Miért sikertelenek a projektek?

Számos esetben tapasztalható, hogy az egységes adatmenedzsment kultúrája nem erősség a szervezetben. Az adatok tárolására, feldolgozására és elemzésére vonatkozó erőfeszítések izoláltan működnek a különböző funkcionális szakterületek között. Ez könnyen vezethet szabályozói környezettel kapcsolatos kockázatokhoz.

További kihívásokat eredményezhet, ha kreatív adattudósok és adatelemzők saját elképzeléseik szerint, tapasztalatok, preferenciák, illetve egyéb inkonzisztens gyakorlatok alapján hajtják végre a feladatokat. Ezen kockázatokat az AI-fejlesztési és -üzemeltetési gyakorlatait egységesítő keretrendszer használatával lehet mérsékelni. Így jelentkezett igény az iparosított mesterséges intelligencia megalkotására.

Első lépcső: DevOps

20 évvel ezelőtt az egyes informatikai szakterületek hatékonytalan együttműködésének javítására irányuló folyamat fejlesztések során születtek meg a DevOps-gyakorlatok.

  • A Development és az Operations szoros együttműködésére kitalált kifejezés, melynek lényege, hogy a korábban elkülönült fejlesztési és üzemeltetési területek szorosan együttműködve, hatékonyabban tudják kezelni az IT-folyamatokat.
  • Az automatikus alkalmazásfejlesztés, implementálás és információrendszer menedzsment irányelvek révén a DevOps sikeresen transzformálta az IT-csapatok működését.

A DevOps-folyamatok megfelelő használata magas szoftverminőséget, fejlesztési hatékonyságot és határidő érzékenységet eredményezett. Ez is alátámasztja az MLOps megalkotásának létjogosultságát. Elvárt a modellezési életciklus és fejlesztési eljárások felgyorsítása, effektív nyomon követése és monitorozása, egyszerűbb fenntarthatósága, amely összességében az éles vállalati környezetben üzemeltett AI-alkalmazások minőségi javulásához vezethet.

Az MLOps-gyakorlatok kifejlesztése is kezdetét vette, összefoglalva mindazon eljárásokat, melyek az intelligens rendszerek hatékony és sikeres fejlesztési és üzemeltetési modelljét érintik. Fókuszában a végfelhasználói élmény fokozása és az üzleti igények minél teljesebb körű kielégítése áll.

Mivel tud többet az MLOps?

„A DevOps-szal ellentétben támogatást nyújt az adatmenedzsmentben, növelve az alkalmazott döntési modellek transzparenciáját és a jogszabályi megfelelőséget. Ez például a GDPR-ban nyújthat komoly segítséget. A fejlesztők ugyanis gyakran kevés figyelmet fordítanak a felhasznált adatok jogszerűségére, ez pedig szabványosított keretrendszer és a szervezeten átívelő irányelvek alkalmazásával kiküszöbölhető. Így a megfelelőség és a mesterséges intelligencia etikus használata kényszerré válik” – véli a Deloitte IT-kockázatkezelési tanácsadás üzletágának menedzsere.

„Egy olyan szervezet, amely több ezer gépi tanuló modellt fejleszt és üzemeltet, egységes irányítási elvek nélkül kizárólag költségként fog tekinteni a mesterséges intelligenciára, nem pedig üzleti előnyként. Az MLOps tehát egy olyan irányítási rendszert nyújthat a vezetők kezébe, mely egységes, etikus, jogszabálykövető, agilis modellfejlesztést és üzemeltetést eredményez” – foglalta össze Barta Gergő.

Hiányoznak a szakemberek és az AI-stratégia

A mesterséges intelligencia világának az egyik legnagyobb próbatétele ma a szakértői pozíciók feltöltése. A tanácsadó cég globális kutatása szerint a felsővezetők 68 százaléka nyilatkozott arról, hogy legalább mérsékelt szinten szakember hiánnyal küzd. A megkérdezettek 27 százaléka pedig extrém hiányt tapasztalt. A működési modell e specializált területének egyik fő megközelítése a kollaboráción alapszik, ezért hangsúlyos a rugalmas együttműködést lehetővé tévő szervezeti struktúra kialakítása.

„A másik kihívást az üzleti célokkal összhangban álló AI-stratégia hiánya jelentheti. Nem elég arról dönteni, hogy szükségünk van mesterséges intelligenciával ellátott megoldásokra, hanem stratégiát kell alkotni annak bevezetésére – üzleti esetekkel alátámasztva. A stratégia részét kell, hogy képezze az olyan támogató szakterületek és folyamatok fejlesztése, mint az adatmenedzsment, a kockázatkezelési protokollok meghatározása, valamint a tehetséges szakemberek folyamatos képzésére és megtartására irányuló kultúra kialakítása. A mesterséges intelligencia stratégia megléte ma már alapfeltétele a versenyben maradásnak” – fejtette ki Barta Gergő.