سازمان‌ها برای مقیاس‌بندی هوش مصنوعی با مجموعه‌های داده پیچیده، مدل‌های منسوخ، نگرانی‌های امنیتی و موارد دیگر دست و پنجه نرم می‌کنند. در این مسیر چهار امکان‌دهنده فنی می‌توانند در کنار کاهش هزینه‌ها، به باز کردن کارایی کمک کنند.
هوش مصنوعی به عنوان یک نیروی دگرگون کننده ظهور کرده که صنایع را متحول و نحوه عملکرد سازمان ها را بازتعریف کرده است. میانگین تعداد قابلیت‌های هوش مصنوعی در یک سازمان در پنج سال گذشته دو برابر شده است. رشد سریع هوش مصنوعی و یادگیری ماشینی (ML) گواهی بر پتانسیل عظیم آنها برای هدایت نوآوری، افزایش کارایی و باز کردن جریان های درآمدی جدید برای مشاغل است. رهبران سازمانی اغلب انتظار دارند که با هر مورد پیشرفت یا برنامه بعدی استفاده از هوش مصنوعی، سرعت بیشتری در بازار و هزینه های کمتری داشته باشند.
با این حال، اکثر سازمان‌ها در تلاشند تا این شتاب را حفظ کنند، بنابراین تلاش‌های هوش مصنوعی خود را افزایش می‌دهند. بسیاری از سازمان‌ها می‌توانند با موفقیت آزمایش‌ها را انجام داده و مدل‌های اثبات مفهوم ایجاد کنند، اما در انتقال به مدل‌های آماده برای تولید مشکل دارند. حتی زمانی که یک سازمان با موفقیت یک مدل ML را راه‌اندازی و اجرا می‌کند، عملکرد مدل در نهایت کاهش یافته یا به دلیل تغییر در داده‌های اساسی یا الزامات تجاری، خطر منسوخ شدن آن را تهدید می‌کند. با وجود اینکه سازمان ها تضمین می‌کنند استانداردهای بالایی را در زمینه امنیت، مقررات و انطباق اخلاقی حفظ کنند، مقیاس‌پذیری هوش مصنوعی خطرات خاصی مانند فرسایش بهره‌وری را در پی خواهد داشت. همانطور که پروژه های هوش مصنوعی مقیاس می شوند، تیم های داده نیز ممکن است به دلیل افزایش پیچیدگی، همکاری ناکارآمد و فقدان فرآیندها و ابزارهای استاندارد، برای حفظ بهره وری تلاش کنند.
از طریق تحقیقات خود، ما چهار عامل فنی را شناسایی کرده‌ایم که سازمان‌ها باید از آنها برای مقیاس‌بندی موفقیت‌آمیز هوش مصنوعی استفاده کنند: ترکیب محصولات داده مانند ذخیره‌سازی ویژگی، استفاده از دارایی‌های کد، پیاده‌سازی استانداردها و پروتکل‌ها، و استفاده از قابلیت‌های فناوری عملیات یادگیری ماشین. ما مشاهده کرده ایم که چندین سازمان در سطوح مختلف داده و بلوغ هوش مصنوعی از طریق پیاده‌سازی موفقیت‌آمیز این چهار توانمندی، توانسته اند چالش‌های رایج مرتبط با هوش مصنوعی را برطرف کنند.
محصولات داده: قدرت فروشگاه‌های ویژگی
هنگام توسعه مدل‌های جدید ML، تیم‌های داده اغلب با چالش‌هایی در رابطه با کیفیت داده، در دسترس بودن آن برای توسعه، و نگهداری و نظارت بر مدل‌ها مواجه می‌شوند. داده ها ممکن است حاوی خطاها، مقادیر از دست رفته، بایاس یا نقاط پرت باشد که بر سرعت توسعه و کیفیت عملکرد مدل تأثیر می گذارد. به‌علاوه، دسترسی به داده‌ها از منابع مختلف و یکپارچه‌سازی آنها به دلیل ناکارآمدی حاکمیت داده‌ها، ممکن است دشوار باشد. این چالش‌ها در نهایت هزینه‌های توسعه و نگهداری را برای سازمان‌ها افزایش داده و بر توانایی آنها برای ایجاد بینش معنادار و عملی از داده‌هایشان تأثیر می‌گذارند.
سازمان ها می توانند با ارائه طیف گسترده ای از محصولات داده بر این چالش ها غلبه کنند. به طور خاص، فروشگاه‌های ویژگی به عنوان یک شتاب دهنده برای هوش مصنوعی ظاهر شده است. به عنوان یک بازار متمرکز برای ذخیره، مدیریت و به اشتراک گذاری ویژگی ها، این فروشگاه‌ها، فرآیند مهندسی ویژگی ها را بهینه کرده و در بین پروژه های مختلف ثبات ایجاد می کنند. با ارائه یک پلت فرم یکپارچه که در آن دانشمندان داده می توانند با یکدیگر همکاری و از ویژگی ها استفاده مجدد کنند، فروشگاه‌های ویژگی به حذف تلاش های تکراری و تسریع توسعه و استقرار مدل های ML کمک می کنند.
از آنجایی که فروشگاه‌های ویژگی به طور مداوم با موارد استفاده جدید غنی می شوند، تیم ها می توانند از این موارد اضافه شده برای موارد استفاده فوری و آینده خود استفاده کنند. به عنوان مثال، دانشمندان داده که بر روی یک مدل انحراف کار می کنند، ویژگی های مشتری را ایجاد کرده و آنها را به فروشگاه ویژگی اضافه می کنند. بعداً، تیم دیگری که یک مدل ریسک ایجاد می کند، می تواند از همان ویژگی ها به عنوان پایه ای برای محصولات قابل تحویل جدید استفاده کند. بدون یک فروشگاه ویژگی، یک دانشمند داده باید برای ساختن این ویژگی ها از ابتدا وقت بگذارد. در عوض، هر مورد جدید می‌تواند ویژگی‌های ساخته‌شده قبلی را مجدداً مورد استفاده قرار داده و تغییر کاربری دهد، همچنین زمان توسعه را کاهش و خروجی سازگارتری تولید کند.
فروشگاه‌های ویژگی نه تنها توسعه موارد استفاده فردی را تسریع کرده، بلکه به حفظ کنترل نسخه ویژگی‌ها و ردیابی سلسله داده‌ها کمک می‌کنند و به طور قابل‌توجهی کیفیت کلی و حاکمیت خط لوله AI/ML را افزایش می‌دهند. ترکیبی از مدیریت کارآمد ویژگی و حاکمیت بهبود یافته منجر به مدل‌های ML دقیق‌تر، مؤثرتر و قابل اعتمادتر می‌شود. علاوه بر این، فروشگاه‌های ویژگی می توانند مقیاس پروژه های AI/ML را در سراسر سازمان تسهیل کنند. با استفاده از دانش و تخصص انباشته موجود در فروشگاه ویژگی‌ها، کسب‌وکارها می‌توانند به سرعت مدل‌های جدید ML را توسعه داده و به کار گیرند، نوآوری را تقویت ک و در یک محیط رقابتی و سریع رشد کنند.
دارایی های کد: بلوک های ساختمانی برای پروژه های AI/ML
سازمان‌ها به تازگی شروع به شناخت پیچیدگی و اهمیت مهندسی داده و ML کرده‌اند و با اتخاذ بهترین شیوه‌های مشابه، این حوزه‌ها را به عنوان توسعه‌ای از مهندسی نرم‌افزار در نظر می‌گیرند. سازمان‌هایی که از بهترین روش‌های مهندسی نرم‌افزار در پروژه‌های داده استفاده نمی‌کنند، ممکن است با هزینه‌های بالاتری در حفظ پایه کد مواجه شوند. علاوه بر این، سازمان‌ها بر اساس کدهایی که به‌طور جامع آزمایش نشده است، تصمیم‌های تجاری را به خطر می‌اندازند.
استفاده از دارایی‌های کد مانند بسته‌ها و ماژول‌های قابل استفاده مجدد، بهترین روش ضروری مهندسی نرم‌افزار بوده و سازمان‌ها باید اجرای آنها را در حین توسعه پروژه‌های AI/ML در نظر بگیرند. طراحی نرم افزار با بسته های کد و ماژول شبیه به ساخت یک ساختمان با استفاده از قطعات پیش ساخته است. عناصر کد پیش ساخته می توانند به تیم های داده کمک کنند تا فرآیند توسعه را تسریع، هزینه ها را کاهش و از یک ساختار نرم افزاری سازگار، قابل نگهداری و انعطاف پذیر پشتیبانی کنند، که می تواند منجر به موفقیت و پایداری بلندمدت ابتکارات AI/ML شود.
بسته‌های کد قابل استفاده مجدد نیز موجب کاهش تکرار شده و به تیم‌های داده اجازه می‌دهند به جای نکات جزئی کدنویسی بر روی همکاری، نوآوری و وظایف استراتژیک تمرکز کنند. این رویکرد ماژولار به این معنی است که پروژه‌های AI/ML نازک‌تر شده، زیرا منابع را می‌توان کارآمدتر تخصیص داد. همچنین اصلاح، گسترش و یا تغییر کاربری پروژه ها را برای سازمان ها آسان تر می کند. آنها سپس می‌توانند به طور مداوم پروژه‌های AI/ML را در پاسخ به شرایط بازار در حال تحول، خواسته‌های مشتری یا الزامات نظارتی بهبود بخشند. به عنوان مثال، یک بانک بزرگ در برزیل با اتخاذ بهترین شیوه ها در استفاده از قابلیت های فناوری عملیات یادگیری ماشین و عملیات داده (DataOps) زمان تأثیر موارد استفاده از ML را از 20 هفته به 14 هفته کاهش داد.