ستساعدك المقالة التالية: لا تحبط علماء البيانات لديك (إذا كنت تريدهم أن يبقوا) – نحو الذكاء الاصطناعي
بينما أتحدث مع علماء البيانات ، وخاصة أولئك الذين يعملون في شركة 1000 العالمية ، أعرب الكثيرون عن مخاوفهم بشأن وضعهم. بمعنى ما ، هم ضحايا نجاحهم الخاص: يقوم علماء البيانات بإنتاج نماذج تقدم مساهمات كبيرة في الأعمال التجارية ، وبالتالي يتم استخدام المزيد والمزيد من النماذج في تطبيقات الإنتاج. ولكن نتيجة لذلك ، يواجه علماء البيانات العديد من التحديات. في محادثاتي ، تظهر المشكلات التالية بشكل متكرر:
- – تفتقر منظمتهم إلى الرؤية لمساهمات الأعمال التي تقدمها النماذج التي ينتجونها
- – إنهم يقضون المزيد والمزيد من الوقت في التعامل مع القضايا التشغيلية لنماذجهم في الإنتاج
أسباب كلتا المسألتين متسقة للغاية عبر معظم المنظمات ، وعلى هذا النحو ، تصلح لحلول مباشرة. هذه أخبار جيدة لكل من علماء البيانات والمؤسسات التي يعملون بها – بشرط أن تتصرف المؤسسات ، وتقوم بذلك بشكل عاجل.
“لقد تم كسر نموذجك – دعونا نجتمع!”
بمجرد تطويرها ونشرها في الإنتاج ، يمكن أن تكون نماذج الذكاء الاصطناعي شديدة الحساسية لمجموعة من الظروف التي يمكن أن تهدد فعاليتها وتقلل من قيمتها وتزيد من المخاطر المرتبطة بها. ترتبط بعض هذه العناصر ، مثل انحراف البيانات ، ارتباطًا مباشرًا بعمل عالم البيانات وتتطلب خبراتهم للتعامل معها. ولكن هناك العديد من العناصر الأخرى التي يمكن أن تؤثر على النماذج في الإنتاج والتي لا علاقة لها بعلوم البيانات. على سبيل المثال ، يمكن أن تتسبب مشكلة في خط أنابيب بيانات الإنتاج في انحراف مخرجات النموذج عن الحدود المقبولة ، أو حتى إنتاج استنتاجات خاطئة. يمكن أن تتسبب مشكلة في البنية الأساسية لتكنولوجيا المعلومات للإنتاج حيث يتم تنفيذ النموذج في حدوث مشكلات في الأداء. في كثير من الحالات ، قد لا يكون هناك دور مفيد لعالم البيانات في معالجة المشكلة. لكن هذا لا يمنعهم من المشاركة.
في العديد من المؤسسات ، تتمثل الاستجابة لمشكلة في تطبيق يعتمد على الذكاء الاصطناعي في عقد اجتماع مع ممثلين من فريق البيانات وفريق تكنولوجيا المعلومات وفريق DevOps وفريق الامتثال – بالإضافة إلى علم البيانات – على أمل التعرف بسرعة و معالجة السبب الجذري. غالبًا ما تستحضر هذه الاجتماعات قصة الرجال المكفوفين الذين يحاولون وصف الفيل: يمكن لكل منهم وصف جزء الفيل الذي يحمله ، لكن لا أحد يستطيع وصف الوحش بأكمله. نتيجة لذلك ، يمكن إهدار الكثير من الوقت – وضياع القيمة – حيث تحاول المجموعة تجميع صورة كاملة للمشكلة وتحديد الإصلاح.
لم أواجه بعد عالِم بيانات غير ملتزم بالتأكد من أن نموذجهم يعمل بشكل فعال وضمن حدوده. ما لا يقدرونه هو أن يتم استدعاؤهم في مواقف لا علاقة فيها للمشكلات بالنموذج في النهاية. من الجيد عمومًا أن يلعبوا دورًا في مراقبة نماذجهم التي وصلت إلى مرحلة الإنتاج ، لكنهم لا يريدون قضاء وقتهم في مطاردة المشكلات التي ليس لديهم دور في حلها.
“عارضاتي تقدم مساهمات كبيرة – صدقني”
تضخ المنظمات الملايين في مبادرات الذكاء الاصطناعي سعيًا وراء عوائد كبيرة ، وبالنسبة للمنظمات الأكثر نضجًا ، تحقق استثماراتها عوائد كبيرة. لكن العديد من المنظمات تكافح لتحديد القيمة التي تساهم بها مبادراتها. هذا مهم بشكل متزايد مع تشديد الميزانيات وهناك المزيد من مشاريع الذكاء الاصطناعي التي تتنافس على الأموال. يؤثر هذا بشكل مباشر على علماء البيانات ، الذين يريدون أن يتم الاعتراف بمساهماتهم وأن تتدفق المكافآت المناسبة عليهم ولمشاريعهم. بطبيعة الحال ، فإن عدم وجود رؤية لمساهمات نماذج الذكاء الاصطناعي ليس مجرد مشكلة لعلماء البيانات: إن عدم القدرة على تقييم مساهمات الأعمال بدقة يهدد جميع مبادرات الذكاء الاصطناعي الخاصة بالمؤسسات.
ModelOps إلى الإنقاذ
ModelOps هي القدرة الأساسية التي تمكن المنظمات من إدارة وتوسيع نطاق مبادرات الذكاء الاصطناعي الخاصة بهم. تمكن قدرة ModelOps الفعالة المنظمة من توحيد وأتمتة العمليات التشغيلية لجميع النماذج في الإنتاج ، ولكن دون تقييد علماء البيانات أو أي فريق آخر من استخدام أنسب الأدوات والبنية التحتية لكل حالة استخدام. كما أنه يزود المؤسسة – كبار المديرين التنفيذيين وموظفي تكنولوجيا المعلومات وفرق البيانات وفرق الامتثال وفرق العمل وعلماء البيانات بالطبع – بمقاييس الأعمال التي تعرض المساهمات والتكاليف وعائد الاستثمار لكل نموذج إنتاج.
تم بناء إمكانات ModelOps الأكثر فاعلية للمؤسسات حول نظام أساسي مستقل عن أي أداة لعلوم البيانات أو نظام بيانات أو بنية أساسية للتنفيذ ، ولكنه يتكامل مع أي أدوات وأنظمة مستخدمة عبر المؤسسة ، بما في ذلك أنظمة المؤسسة لإدارة الأمان والوصول ، وإصدار التذاكر ، وإدارة المخاطر ، والامتثال ، وما إلى ذلك. يحتفظ النظام الأساسي ModelOps بقاعدة بيانات دائمة الخضرة لجميع النماذج في الإنتاج ، بغض النظر عن الأصل أو بيئة التنفيذ ، إلى جانب جميع الأدوات بما في ذلك الخوارزميات وبيانات التدريب والموافقات وما شابه. وهي تتضمن أجهزة مراقبة نشطة تتحقق باستمرار من النطاق الكامل لمؤشرات الأداء الرئيسية الإحصائية والأخلاقية والأداء والأمن والأعمال والامتثال ، وتوجيه المشكلات إلى المسؤولين وتتبع الحل – مما يلغي الحاجة إلى “رحلات الصيد” للعثور على السبب الجذري للمشكلات و تحرير علماء البيانات ، والجميع ، لتركيز وقتهم على مسؤولياتهم الأساسية. تتكامل منصة ModelOps الناضجة أيضًا مع أنظمة الأعمال لتمكين التوليد الآلي لمقاييس الأعمال النموذجية والعائد على الاستثمار.
بالنسبة لتلك المؤسسات التي تعاني من الإحباط بسبب متطلبات إدارة النماذج في الإنتاج وترغب في توسيع نطاق مبادرات الذكاء الاصطناعي الخاصة بها – والاحتفاظ بأفضل علماء البيانات – هناك إجابة: تنفيذ ModelOps اليوم.
السيرة الذاتية: شارك Stu في تأسيس ModelOp ويعمل كمهندس رئيسي للذكاء الاصطناعي. إن خلفية Stu كخبير تقني ورائد أعمال ، حيث يوفر بنية تحتية حيوية كثيفة البيانات لأكبر الشركات في العالم ، تمنحه منظورًا فريدًا حول كيفية مساعدة المؤسسات الكبيرة والمتنوعة على أن تصبح ذكاءً اصطناعيًا ونموذجًا يحركها.
بصفته القائد التقني للمركز الوطني لاستخراج البيانات من 1994-2000 ، لعب Stu أدوارًا رئيسية في تطوير أنظمة الحوسبة عالية الأداء والتعلم الآلي الموزع ، بما في ذلك تطوير لغة ترميز النموذج التنبئي (PMML). في عام 2000 أسس شركة Infoblox التي تحدد الفئة والرائدة في السوق ، حيث عمل كرئيس تنفيذي للتكنولوجيا وكبير العلماء بينما نمت الشركة لتخدم 12000 مؤسسة ، بما في ذلك معظم الشركات العالمية 2000. تقوم Infoblox بأتمتة أنظمة التشغيل الهامة المطلوبة للمؤسسة الكبيرة لنشر وتشغيل بشكل فعال مبادرات الإنترنت والسحابة. بعد الاكتتاب العام الأولي الناجح لشركة Infoblox والاستحواذ لاحقًا من قبل Vista Partners في عام 2016 ، شارك Stu في تأسيس ModelOp لمواجهة التحديات الظاهرة الآن في إدارة وتفعيل مبادرات الذكاء الاصطناعي والقائمة على النموذج على نطاق واسع.
يحمل Stu بكالوريوس العلوم في هندسة الكمبيوتر من جامعة إلينوي في شيكاغو وهو مخترع مسمى في أكثر من ثلاثين براءة اختراع تتعلق بأنظمة البيانات الموزعة وعمليات النماذج.
