Czy uczenie maszynowe można przyspieszyć? Metodyka MLOps to klucz do większej efektywności operacji związanych z danymi, jednak wciąż potrzebuje ludzi.
W ciągu zaledwie 3 lat, od 2017 do 2020 roku, odsetek organizacji, które już wykorzystują rozwiązania AI, wzrósł z 36 do 53 procent – wynika z badań Capgemini. Znaczenie projektów z zakresu sztucznej inteligencji (AI) i uczenia maszynowego (ML) zdecydowanie rośnie, rozwijają się także praktyki maksymalizujące efektywność pracy nad nimi, takie jak metodyka MLOps (ang. machine learning operations – operacje uczenia maszynowego). To jednocześnie nowe wyzwania, stojące przed analitykami danych.
MLOps to zestaw praktyk, które mają skracać czas aktualizacji i uruchomienia systemów analitycznych i samo uczących się. Dzięki tej metodologii, rozwiązania oparte na AI i ML, mogą działać jeszcze sprawniej, pod warunkiem, że zajmą się nimi odpowiedni specjaliści, których wciąż brak na rynku.
Sztuczna inteligencja? Naturalnie!
Podejście data driven, korzystanie z zasobów Big Data, sztucznej inteligencji i zaawansowanej analityki – to rozwiązania, do których w 2021 roku nie trzeba już przekonywać nikogo. Technologie bazujące na automatyzacji i cyfrowej transformacji są już codziennością i przyczyniają się do osiągania imponujących wyników przez stosujące je przedsiębiorstwa. Sięgają po nie m.in. firmy z sektora produkcyjnego, finansowego czy IT, ale także te z sektorów niekojarzonych wcześniej z przetwarzaniem danych – np. RTV/AGD. Zgodnie z badaniem Capgemini, wśród organizacji, które w najbardziej dojrzały sposób wykorzystują technologie AI, przeważają jednak te z branż: nauk biologicznych, nieruchomości, dóbr konsumpcyjnych oraz automotive.
Jednocześnie firmy przyznają, że borykają się z problemami związanymi z wiedzą, umiejętnością i rolami związanymi z AI. Zapotrzebowanie jest wciąż większe niż zasoby specjalistów na rynku. Aż 82 procent organizacji badanych przez Capgemini przyznało, że popyt na umiejętności z zakresu uczenia maszynowego jest wysoki, a jedynie 12 procent zgodziło się ze stwierdzeniem, że podaż w tym zakresie jest wystarczająca. Tymczasem przed specjalistami w tej dziedzinie stoją spore wyzwania – coraz częściej oczekuje się, że analitycy danych nie tylko będą w stanie wymyślić rozwiązanie problemu, ale także współpracować w ramach zespołu programistycznego w celu wdrożenia go do produkcji.
Czym dokładnie jest MLOps?
Skąd ta zmiana? Wiąże się ona z postępującym przeniesieniem akcentów w codziennej pracy – z pracy skupionej głównie na badaniach i przeniesieniem w stronę myślenia biznesowego i informatycznego. Pierwsze podejście cechuje się większą statycznością i prowadzeniem analiz ex vivo, drugie – inspiruje się popularnymi w świecie programowania metodologiami skutkującymi szybkie wdrażanie zmian i nowości. Podejście MLOps transportuje praktyki Agile (zwinnego zarządzania projektami) i DevOps (synergii pomiędzy zespołami zajmującymi się tworzeniem aplikacji i operacjami) z tradycyjnych procesów tworzenia oprogramowania, do pracy nad aplikacjami opartymi na sztucznej inteligencji i uczeniu maszynowym. Obejmuje cały cykl zbierania i przygotowywania danych, testowania, budowania, ulepszania modeli oraz wdrażania i monitorowania ich.
Nowe podejście wiąże się m.in. ze zmianą tradycyjnego stosunku nie tylko do analizy danych, ale także kompetencji analityka danych. W przeszłości oczekiwano od niego przede wszystkim solidnej wiedzy w dziedzinie matematyki, informatyki i biznesu. W praktyce największą rolę w jego codziennej pracy odgrywały matematyka oraz statystyka, a standardowe projekty przebiegały stosunkowo liniowo. Najpierw określano ich zakres, następnie pozyskiwano dane, modelowano je, a na końcu „przekładano” na zastosowanie biznesowe. Podejście MLOps choć w zarysie może wydawać się podobnym do tradycyjnego, to wzmacnia sprzężęnia zwrotne między każdym z etapów i prioretyzuje działające, końcowe rozwiązania pozwalając na szybsze i bardziej efektywne finalizowanie projektów – mówi Dominik Deja, Data Science Manager w Capgemini.
Są korzyści, chcemy więcej
Aż 97% liderów wykorzystujących sztuczną inteligencję na dużą skalę przyznaje, że osiąga wymierne korzyści wdrażając ją i uważa, że wpływa ona pozytywnie, a nawet zawyża oczekiwane rezultaty, związane z generowanymi przychodami, redukcją ryzyka, kontaktem z klientami i optymalizacją kosztów. Dzięki metodyce MLOps korzyści te mogą być jeszcze większe – zaznaczają specjaliści.
Organizacje korzystające z MLOps automatyzują procesy pracy nad danymi, co skutkuje szybkimi, niezawodnymi, lepszej jakości wdrożeniami. To pomocne na wielu poziomach – od przyspieszenia testów do szybszej aktualizacji danych. Rozwiązania budowane w ten sposób dostarczają bardziej wartościowych informacji, co przekłada się na wymierne korzyści dla przedsiębiorstw, m.in. w zakresie optymalizacji procesów czy osiągania przewagi konkurencyjnej. Przyszłość należy do projektów budowanych w ten sposób. Będą przy nich pracować ci analitycy danych, których interesuje tworzenie modeli uczenia maszynowego, wpisujących się w szersze zastosowania biznesowe. Drugą ścieżką jest praca przy krótkich projektach badawczych i doraźnych analizach – dodaje Dominik Deja, Data Science Manager w Capgemini.
Osoby rozpoczynające swoją ścieżkę zawodową z myślą o analityce danych, muszą zatem wziąć pod uwagę, że metodyka MLOps będzie zyskiwała na znaczeniu w branży. Z kolei firmy planujące wdrożenia z zakresu AI i ML, bez wątpienia powinny uważnie zaznajomić się z jej założeniami i potencjalnymi zyskami, jakie może przynieść.
Najnowszy numer
Najnowszy numer