8 προβλέψεις Mlops για την επιχειρησιακή μηχανική εκμάθηση το 2023

8 προβλέψεις Mlops για την επιχειρησιακή μηχανική εκμάθηση το 2023

Dezember 22, 2022 0 Von admin

Δείτε όλες τις κατ‘ απαίτηση συνεδρίες από το Intelligent Security Summit εδώ.


Το τοπίο της Mlops ανθεί, σε μια παγκόσμια αγορά που εκτιμήθηκε θα είναι 612 εκατομμύρια δολάρια το 2021 και προβλέπεται να φτάσει τα 6 δισεκατομμύρια δολάρια έως το 2028. Ωστόσο, είναι επίσης πολύ κατακερματισμένο, με εκατοντάδες πωλητές Mlops να ανταγωνίζονται για τα λειτουργικά οικοσυστήματα τεχνητής νοημοσύνης (AI) των τελικών χρηστών.

Τα MLops εμφανίστηκαν ως ένα σύνολο βέλτιστων πρακτικών πριν από λιγότερο από μια δεκαετία, για να αντιμετωπίσουν ένα από τα κύρια εμπόδια που εμποδίζουν την επιχείρηση να θέσει σε εφαρμογή την τεχνητή νοημοσύνη – τη μετάβαση από την ανάπτυξη και την εκπαίδευση σε περιβάλλοντα παραγωγής. Αυτό είναι απαραίτητο γιατί σχεδόν ένας στους δύο Οι πιλότοι τεχνητής νοημοσύνης δεν μπαίνουν ποτέ στην παραγωγή.

Ποιες τάσεις θα προκύψουν λοιπόν στο τοπίο του Mlops το 2023; Διάφοροι ειδικοί τεχνητής νοημοσύνης και ML μοιράστηκαν τις προβλέψεις τους με το VentureBeat:

1. Τα Mlops θα ξεπεράσουν τη διαφημιστική εκστρατεία

«Τα Mlops δεν θα είναι απλώς ένα θέμα διαφημιστικής εκστρατείας, αλλά μάλλον μια πηγή ενδυνάμωσης των επιστημόνων δεδομένων να φέρουν στην παραγωγή μοντέλα μηχανικής μάθησης. Ο πρωταρχικός του σκοπός είναι να εξορθολογίσει τη διαδικασία ανάπτυξης λύσεων μηχανικής εκμάθησης.

Εκδήλωση

Ευφυής Σύνοδος Κορυφής Ασφάλειας Κατ‘ Απαίτηση

Μάθετε τον κρίσιμο ρόλο του AI & ML στην ασφάλεια στον κυβερνοχώρο και τις ειδικές περιπτωσιολογικές μελέτες του κλάδου. Παρακολουθήστε τις συνεδρίες κατ‘ απαίτηση σήμερα.

Παρακολουθήστε εδώ

«Καθώς οι οργανισμοί πιέζουν για την προώθηση των βέλτιστων πρακτικών παραγωγής τεχνητής νοημοσύνης, η υιοθέτηση των Mlops για τη γεφύρωση του χάσματος μεταξύ μηχανικής μάθησης και μηχανικής δεδομένων θα λειτουργήσει για την απρόσκοπτη ενοποίηση αυτών των λειτουργιών. Θα είναι ζωτικής σημασίας για τις εξελισσόμενες προκλήσεις που σχετίζονται με την κλιμάκωση των συστημάτων AI. Οι εταιρείες που έρχονται να το αγκαλιάσουν το επόμενο έτος και να επιταχύνουν αυτή τη μετάβαση θα είναι αυτές που θα καρπωθούν τα οφέλη».

Στηβ ΧάριςΔιευθύνων Σύμβουλος της Mindtech

2. Οι επιστήμονες δεδομένων θα προτιμήσουν τα προκατασκευασμένα μοντέλα ML για τη βιομηχανία και τον τομέα

«Το 2023, θα δούμε αυξημένο αριθμό προκατασκευασμένων μηχανικών μάθησης [ML] μοντέλα που γίνονται διαθέσιμα στους επιστήμονες δεδομένων. Ενσωματώνουν την τεχνογνωσία της περιοχής σε ένα αρχικό μοντέλο ML, το οποίο στη συνέχεια επιταχύνει το χρόνο προς την αξία και το χρόνο στην αγορά για τους επιστήμονες δεδομένων και τις οργανώσεις τους. Για παράδειγμα, αυτά τα προκατασκευασμένα μοντέλα ML βοηθούν στην αφαίρεση ή τη μείωση του χρόνου που πρέπει να αφιερώσουν οι επιστήμονες δεδομένων για την επανεκπαίδευση και τη βελτίωση των μοντέλων. Ρίξτε μια ματιά στο έργο που το Αγκαλιασμένο πρόσωπο Η κοινότητα της τεχνητής νοημοσύνης κάνει ήδη την οδήγηση μιας αγοράς για έτοιμα προς χρήση μοντέλα ML.

«Αυτό που περιμένω να δω το επόμενο έτος και μετά είναι μια αύξηση των προκατασκευασμένων μοντέλων ML για τη βιομηχανία και τον τομέα, επιτρέποντας στους επιστήμονες δεδομένων να εργαστούν σε πιο στοχευμένα προβλήματα χρησιμοποιώντας ένα καλά καθορισμένο σύνολο υποκείμενων δεδομένων και χωρίς να χρειάζεται να ξοδέψουν χρόνο σε γίνονται ειδικοί σε θέματα σε έναν τομέα που δεν είναι βασικός για τον οργανισμό τους.»

Τόρστεν Αρπάζειδιευθυντής διαχείρισης προϊόντων, Snowflake

3. Οι φόρτοι εργασίας AI και ML που εκτελούνται στο Kubernetes θα ξεπεράσουν τις αναπτύξεις εκτός Kubernetes

«Ο φόρτος εργασίας AI και ML αυξάνει τον ατμό, αλλά τα κυρίαρχα έργα εξακολουθούν να μην είναι επί του παρόντος στο Kubernetes. Αναμένουμε ότι αυτό θα αλλάξει το 2023.

«Έχει δοθεί τεράστια έμφαση στην προσαρμογή του Kubernetes τον τελευταίο χρόνο με νέα έργα που το καθιστούν πιο ελκυστικό για τους προγραμματιστές. Αυτές οι προσπάθειες επικεντρώθηκαν επίσης στην προσαρμογή των προσφορών του Kubernetes για να επιτρέψουν στις υπολογιστικές ανάγκες της τεχνητής νοημοσύνης και της ML να εκτελούνται σε GPU για να διατηρηθεί η ποιότητα της υπηρεσίας ενώ φιλοξενούνται στο Kubernetes».

Πάτρικ ΜακΦάντινΑντιπρόεδρος σχέσεων προγραμματιστή, DataStax

4. Η λειτουργική αποτελεσματικότητα θα είναι ένα στοιχείο γραμμής για τους προϋπολογισμούς ML του 2023

«Επενδύσεις που επικεντρώνονται στη λειτουργική αποτελεσματικότητα έχουν πραγματοποιηθεί εδώ και αρκετά χρόνια, αλλά αυτό θα είναι ένα κομβικό σημείο το 2023, ειδικά καθώς ξεδιπλώνονται μακροοικονομικοί παράγοντες και παραμένει περιορισμένη δεξαμενή ταλέντων. Όσοι προχωρούν στους οργανισμούς τους με τη μηχανική μάθηση (ML) και τις προηγμένες τεχνολογίες βρίσκουν τη μεγαλύτερη επιτυχία στο σχεδιασμό ροών εργασίας που περιλαμβάνουν την πτυχή του ανθρώπου στον βρόχο. Αυτή η προσέγγιση παρέχει τα απαραίτητα προστατευτικά κιγκλιδώματα εάν η τεχνολογία έχει κολλήσει ή χρειάζεται πρόσθετη επίβλεψη, ενώ επιτρέπει και στα δύο μέρη να εργάζονται αποτελεσματικά το ένα δίπλα στο άλλο.

«Αναμένετε να δείτε κάποια αρχική ώθηση και διστακτικότητα κατά την εκπαίδευση των μαζών σχετικά με τη διαδικασία διασφάλισης ποιότητας της ML, σε μεγάλο βαθμό λόγω έλλειψης κατανόησης του τρόπου λειτουργίας των συστημάτων εκμάθησης και της επακόλουθης ακρίβειας. Μια πτυχή που εξακολουθεί να προκαλεί αμφιβολίες, αλλά είναι ο βασικός διαφοροποιητής μεταξύ της ML και της στατικής, παραδοσιακής τεχνολογίας που έχουμε γνωρίσει, είναι η ικανότητα της ML να μαθαίνει και να προσαρμόζεται με την πάροδο του χρόνου. Εάν μπορούμε να εκπαιδεύσουμε καλύτερα τους ηγέτες για το πώς να ξεκλειδώσουν την πλήρη αξία του ML – και το καθοδηγητικό του χέρι για την επίτευξη λειτουργικής αποτελεσματικότητας – θα δούμε μεγάλη πρόοδο τα επόμενα χρόνια.»

Τόνι ΛιCTO στο Hyperscience

5. Η ιεράρχηση του έργου ML θα επικεντρωθεί στα έσοδα και την επιχειρηματική αξία

«Κοιτάζοντας τα έργα ML που βρίσκονται σε εξέλιξη, οι ομάδες θα πρέπει να είναι πολύ πιο αποτελεσματικές, δεδομένων των πρόσφατων απολύσεων, και να κοιτάζουν προς την αυτοματοποίηση για να βοηθήσουν τα έργα να προχωρήσουν. Άλλες ομάδες θα χρειαστεί να αναπτύξουν περισσότερη δομή και να καθορίσουν προθεσμίες για να διασφαλίσουν ότι τα έργα ολοκληρώνονται αποτελεσματικά. Διαφορετικές επιχειρηματικές μονάδες θα πρέπει να αρχίσουν να επικοινωνούν περισσότερο, να βελτιώνουν τη συνεργασία και να μοιράζονται γνώσεις, ώστε αυτές οι πλέον μικρότερες ομάδες να μπορούν να λειτουργήσουν ως μια συνεκτική μονάδα.

«Επιπλέον, οι ομάδες θα πρέπει επίσης να δώσουν προτεραιότητα σε ποιους τύπους έργων πρέπει να εργαστούν για να έχουν τον μεγαλύτερο αντίκτυπο σε σύντομο χρονικό διάστημα. Βλέπω τα έργα μηχανικής μάθησης να συνοψίζονται σε δύο τύπους: πωλήσιμα χαρακτηριστικά που η ηγεσία πιστεύει ότι θα αυξήσουν τις πωλήσεις και θα κερδίσουν έναντι του ανταγωνισμού και έργα βελτιστοποίησης εσόδων που επηρεάζουν άμεσα τα έσοδα. Τα έργα με δυνατότητα πώλησης πιθανότατα θα αναβληθούν, καθώς είναι δύσκολο να βγουν γρήγορα και, αντί αυτού, οι μικρότερες πλέον ομάδες ML θα επικεντρωθούν περισσότερο στη βελτιστοποίηση εσόδων, καθώς μπορεί να αποφέρει πραγματικά έσοδα. Η απόδοση, αυτή τη στιγμή, είναι απαραίτητη για όλες τις επιχειρηματικές μονάδες και η ML δεν είναι απρόσβλητη σε αυτό.“

Ο Γκίντεον ΜέντελςΔιευθύνων Σύμβουλος και συνιδρυτής της πλατφόρμας Mlops, Comet

6. Οι ομάδες επιχειρηματικής ML θα γίνουν περισσότερο κεντρικές στα δεδομένα παρά στο μοντέλο

«Οι εταιρικές ομάδες ML γίνονται περισσότερο κεντρικές στα δεδομένα παρά στο μοντέλο. Εάν τα δεδομένα εισόδου δεν είναι καλά και αν οι ετικέτες δεν είναι καλές, τότε το ίδιο το μοντέλο δεν θα είναι καλό — οδηγώντας σε υψηλότερο ποσοστό ψευδώς θετικών ή ψευδώς αρνητικών προβλέψεων. Αυτό σημαίνει ότι υπάρχει πολύ μεγαλύτερη έμφαση στη διασφάλιση της χρήσης καθαρών και καλά επισημασμένων δεδομένων για την εκπαίδευση.

«Για παράδειγμα, εάν ισπανικές λέξεις χρησιμοποιούνται κατά λάθος για να εκπαιδεύσουν ένα μοντέλο που περιμένει αγγλικές λέξεις, μπορεί κανείς να περιμένει εκπλήξεις. Αυτό κάνει τα Mlops ακόμα πιο σημαντικά. Η ποιότητα των δεδομένων και η παρατηρησιμότητα ML αναδεικνύονται ως βασικές τάσεις, καθώς οι ομάδες προσπαθούν να διαχειριστούν δεδομένα πριν από την εκπαίδευση και να παρακολουθήσουν την αποτελεσματικότητα του μοντέλου μετά την παραγωγή».

Ashish Kakranκύριος, Thomvest Ventures

7. Το Edge ML θα αναπτυχθεί καθώς οι ομάδες Mlops επεκτείνονται για να επικεντρωθούν στη διαδικασία από άκρο σε άκρο

«Ενώ το νέφος συνεχίζει να παρέχει απαράμιλλους πόρους και ευελιξία, περισσότερες επιχειρήσεις βλέπουν τις πραγματικές αξίες της εκτέλεσης της ML στην άκρη — κοντά στην πηγή των δεδομένων όπου λαμβάνει χώρα η λήψη αποφάσεων. Αυτό συμβαίνει για διάφορους λόγους, όπως η ανάγκη μείωσης του λανθάνοντος χρόνου για αυτόνομο εξοπλισμό, η μείωση του κόστους απορρόφησης και αποθήκευσης στο cloud ή λόγω έλλειψης συνδεσιμότητας σε απομακρυσμένες τοποθεσίες όπου τα συστήματα υψηλής ασφάλειας δεν μπορούν να συνδεθούν στο ανοιχτό διαδίκτυο.

«Επειδή η ανάπτυξη του edge ML είναι κάτι περισσότερο από την απλή προσκόλληση κώδικα σε μια συσκευή, το edge ML θα γνωρίσει τεράστια ανάπτυξη καθώς οι ομάδες Mlops επεκτείνονται για να επικεντρωθούν στην πλήρη διαδικασία από άκρο σε άκρο».

Vid Jainιδρυτής και διευθύνων σύμβουλος της Wallaroo AI

8. Η μηχανική χαρακτηριστικών θα είναι αυτοματοποιημένη και απλοποιημένη

«Η μηχανική χαρακτηριστικών, η διαδικασία με την οποία τα δεδομένα εισόδου γίνονται κατανοητά, κατηγοριοποιούνται και προετοιμάζονται με τρόπο που να είναι αναλώσιμος για μοντέλα μηχανικής μάθησης, είναι ένας ιδιαίτερα ενδιαφέρων τομέας.

«Ενώ οι αποθήκες δεδομένων και οι δυνατότητες ροής έχουν απλοποιήσει την απορρόφηση δεδομένων και οι πλατφόρμες AutoML έχουν εκδημοκρατίσει την ανάπτυξη μοντέλων, η μηχανική χαρακτηριστικών που απαιτείται στη μέση αυτής της διαδικασίας εξακολουθεί να είναι σε μεγάλο βαθμό μια χειροκίνητη πρόκληση. Απαιτείται γνώση τομέα για την εξαγωγή του πλαισίου και του νοήματος, η επιστήμη δεδομένων για τη μετατροπή των δεδομένων και η μηχανική δεδομένων για την ανάπτυξη των «χαρακτηριστικών» σε μοντέλα παραγωγής. Αναμένουμε να γίνουν σημαντικά βήματα για την αυτοματοποίηση και την απλούστευση αυτής της διαδικασίας».

Ρουντίνα Σέσερηιδρυτής και διευθύνων συνεργάτης της Glasswing Ventures

Η αποστολή του VentureBeat πρόκειται να αποτελέσει μια ψηφιακή πλατεία της πόλης για τους τεχνικούς λήπτες αποφάσεων ώστε να αποκτήσουν γνώσεις σχετικά με τη μετασχηματιστική επιχειρηματική τεχνολογία και να πραγματοποιήσουν συναλλαγές. Ανακαλύψτε τις Ενημερώσεις μας.