Top 5 uitdagingen bij het schalen van machine learning

Denkt u erover om machine learning in uw bedrijf op te schalen? Als dat zo is, zijn er een paar overwegingen waarmee u rekening moet houden voordat u instapt. Dit artikel werpt licht op de top 5 uitdagingen waarmee bedrijven worden geconfronteerd bij het schalen van machine learning -systemen.

Machine Learning-modellen hebben de manier waarop we zaken doen veranderd. De mogelijkheden zijn: eindeloos en de zakenwereld weet dat het gebruik van ML-modellen een wereld van verandering kan creëren bij het behalen van hun zakelijke voordelen. In het eerste kwartaal van 2019, meer dan $ 28,5 miljard werd gefinancierd ombeloningen ML. Met Covid-19 en de verschuiving naar thuiswerken heeft de digitale transformatie een ongelooflijke opleving doorgemaakt. Bedrijven die in deze periode AI en ML hebben geadopteerd, zijn alleen maar meer gegroeid.

Ondanks de algemene acceptatie van ML, is het moeilijk om de technologie om te zetten in zakelijke voordelen. Bij het in productie nemen van ML-modellen zijn er veel problemen die zich voordoen. Schaalbaarheid is een belangrijke fase voor machine learning-activiteiten in de echte wereld.

Laten we eens kijken naar de top 5 uitdagingen die u tegenkomt bij het schalen van machines modellering.

1. Gegevenscomplexiteit:

Om een ML-model met data te trainen, heb je minimaal een miljoen relevante records nodig. Er zijn problemen met de haalbaarheid van gegevens en voorspelbaarheidsproblemen die aan de mix worden toegevoegd. Het verkrijgen van relevante en contextuele datasets is geen gemakkelijke taak. Als je traditionele datasystemen hebt, besteden datawetenschappers uiteindelijk het grootste deel van hun tijd aan het opschonen en beheren van data.

U hebt een sterk governancesysteem en een gegevenscatalogussysteem nodig, zodat er gegevenstransparantie is. Als er veel datacomplexiteit is, nemen de kosten van het hebben van een ML-model in verhouding tot het rendement met het verstrijken van de tijd af.

2. Technische prestaties:

AI-algoritmen vereisen meestal computerverwerking die extreem intensief is. Het omvat matrixmanipulatie, statistische analyse en lineaire algebra. Om de resultaten te krijgen waarnaar u op zoek bent, moet u de berekeningen steeds opnieuw uitvoeren. Zoals we eerder in het artikel vermeldden, zijn honderdduizenden datapunten nodig om AI-systemen te laten draaien, soms zelfs in de miljoenen. Wat houdt dit in? Het betekent dat de opslagvereisten en de computerverwerkingsmogelijkheden van AI-systemen enorm zijn.

De technische prestaties van de AI-systemen zijn hierbij cruciaal. Tijdens de beginfase van het bouwen van een AI-systeem werk je alleen aan kleine subsets van gegevens. In dit stadium zijn de computerbronnen die u nodig hebt minder, maar naarmate het vordert, worden de vereisten exponentieel, en dit is waar het belang van de prestaties van het AI-systeem cruciaal is. Als de prestaties niet voldoen aan de verwachte normen, presteert deze mogelijk goed tijdens het testen, maar in praktijkomstandigheden werkt het mogelijk niet.

3. Onverwacht gedrag:

Voor degenen die een nieuwe AI-oplossing gebruiken, is het absoluut noodzakelijk dat u hen ondersteuning biedt om de technologie op de juiste manier te gebruiken. Maar er zijn momenten waarop het bedrijf problemen ondervindt, en deze zijn mogelijk niet tijdens het testproces tegengekomen. De AI moet kunnen schalen voor problemen die niet waren gepland.

Er zullen problemen optreden vanwege de vluchtige aard van de veranderingen binnen de AI/ML-systemen. Maar deze veranderingen betekenen meestal dat het AI/ML-systeem is verbeterd en dat het algoritme nauwkeuriger is. Maar deze veranderingen betekenen meestal dat het AI/ML-systeem is verbeterd en dat het algoritme nauwkeuriger is. De nadruk moet liggen op het ontwikkelen van noodopties die het onverwachte kunnen aanpakken.

4. Gegevensbeveiliging en -beheer:

Een andere uitdaging die de meeste AI/ML-systemen tegenkomen tijdens het schalen, zijn de problemen met de gegevensbeveiliging eromheen. Er zullen verschillende soorten gegevens zijn, te veel op één plek, waardoor ze kwetsbaar zijn voor potentiële bedrijfsrisico’s. Wanneer u voortdurend met beveiligingsproblemen wordt geconfronteerd, zal dit de reputatie van uw merk schaden.

Het vooruitzicht om potentiële klantgegevens te verliezen is er ook, maar dat kan worden gecompenseerd door een sterke cyberbeveiligingsinfrastructuur. Helaas zijn de gebruikelijke cyberbeveiligingsfuncties niet van toepassing op AI-computers. Bij het bouwen van AI-systemen moet u ook rekening houden met de beveiligings- en privacyaspecten ervan.

Omdat AI probeert betekenis te vinden voor ongelijksoortige en onvolledige gegevenssets, zijn er meer uitdagingen die ook een veiligheidsrisico vormen. Zelfs veilige gegevens kunnen, wanneer ze worden gemengd met andere gegevens, voor serieuze zakelijke uitdagingen zorgen. Waar het op neerkomt, is dat u beveiligingsmaatregelen moet plannen wanneer u met allerlei soorten gegevens te maken hebt, niet alleen gevoelige gegevens.

Het bouwen van een machine learning-pijplijn is nog maar het begin. Om ervoor te zorgen dat uw model op de meest efficiënte manier in productie wordt genomen, is het de moeite waard om enkele uitdagingen te overwegen om ML-modellen te schalen. Bekijk deze video van onze Module Lead, Senthil Siddharth, om de uitdagingen te begrijpen achter het bereiken van operational excellence voor machine learning-modellen. Luister naar de video en laat ons je mening of vragen weten in het gedeelte met video-opmerkingen.

5. Mensen & Processen:

Wanneer een nieuwe technologie wordt geïntroduceerd, moet u de mensen laten weten dat ze er baat bij zullen hebben. Zelfs als je ze zou leren over de enorme voordelen die ze zullen halen uit nieuwe technologie, is de kans altijd aanwezig dat ze er afkerig van zijn eraan te werken of er zelfs maar gebruik van te maken. ML-oplossingen zijn niet anders.

Als u wilt dat uw mensen de ML-technologie gebruiken in hun dagelijkse werkzaamheden, wilt u dat ze overstappen op het gebruik ervan en deze volledig accepteren. Je moet beleid opstellen, processen veranderen, met mensen praten, leiderschap krijgen, gebruikers opleiden, bedrijfsondersteuning, enz.

Ook op het gebied van de klant zullen er uiteraard veranderingen plaatsvinden. Enkele van de veranderingen zijn betere productaanbevelingen, chatbots, nieuwere beleidslijnen van de klantenservice, enzovoort. Het bedrijf moet rekening houden met de reacties van klanten. Onthoud wel dat wanneer u ML schaalt, u de directe impact wilt zien die het heeft op uw klanten.

Conclusie:

Een van de grootste uitdagingen als het gaat om het schalen van AI/ML-technologie is het aantal aannames en misvattingen eromheen, vooral onder niet-technische bedrijfsleiders. Zelfs gebeurtenissen zoals Covid-19 zijn uitdagingen voor AI/ML-systemen omdat het gedrag van gebruikers verandert en de oude oplossingen mogelijk niet meer relevant zijn.