Почему невозможно понять, чем на самом деле занимаются компании, занимающиеся ИИ?
Состояние искусственного интеллекта в бизнесе
В последние несколько лет люди спешили узнать, как интегрировать ИИ в бизнес, и не секрет, что это может дать огромные сравнительные преимущества. Но несмотря на всю эту шумиху, ИИ в бизнесе все еще находится на ранней стадии.
Наша команда родом из Uber, Google, Facebook и Adobe, где мы увидели как плюсы, так и проблемы развертывания ИИ в различных направлениях бизнеса. У большинства компаний нет тех же ресурсов, чтобы создавать собственные инструменты, тщательно оценивать результаты и финансировать обширные исследования. Наша цель в этом блоге - использовать наши глубокие знания в области искусственного интеллекта, чтобы разобраться в экосистеме, преодолеть шумиху и предоставить идеи, которые могут помочь вам с вашими инвестиционными решениями в области ИИ по всему конвейеру.
Собственная наука о данных или внешний партнер
Многие компании используют ИИ, чтобы перевернуть сферу своей деятельности, применяя модели к общим бизнес-задачам в различных бизнес-вертикалях. Мы рассматриваем эти компании как вертикальные бизнес-решения - они продают программное обеспечение, основанное на искусственном интеллекте. Они нацелены на различные группы, такие как обслуживание клиентов, маркетинг, финансы и операторы, с решением SAAS для решения своих проблем. Другая группа компаний - это те, которые продают программные решения, чтобы расширить возможности ваших инженерных групп в области обработки и анализа данных, инженерии данных и машинного обучения.
Остальная часть этого блога посвящена компаниям из последней области, компаниям, занимающимся инфраструктурой AI / ML, которые создают программное обеспечение, которое поможет вашим командам самостоятельно создавать и развертывать модели.
Сложность пространства ИИ
Одна из первых проблем, которую мы слышим от корпоративных команд, заключается в том, что чрезвычайно сложно определить правильные проблемы, которые нужно решить с помощью ИИ. Мы часто слышим, что даже когда они находят правильные проблемы, большинство моделей, которые они разрабатывают, никогда не попадают в производство. Это настолько распространенная проблема, что мы знаем о компании, создающей модель, чтобы предсказать, дойдут ли другие модели до производства. Вы должны задаться вопросом, попадет ли сама эта модель в производство.
При различных размерах и точках масштабирования команды Data Science вы обнаружите, что в организации Data Science возникают новые уникальные сложности. Некоторые из сложностей на самом деле являются проблемами программной инженерии, которые приняли новую форму, а другие являются уникальными для этой области. Все это усугубляется запутанным набором программных инструментов и решений, которые созданы, чтобы «помочь» Data Science. Выйдите на сцену слева, где у вас есть более 100 компаний, предлагающих запутанные программные решения, чтобы «расширить возможности ваших команд Data Science».
Как оценить компании, занимающиеся разработкой программного обеспечения для машинного обучения и искусственного интеллекта
Инструменты инфраструктуры AI / ML - чрезвычайно переполненное пространство. Я могу указать на более 100 компаний, предлагающих услуги по настройке гиперпараметров, развертыванию, MLOps, управлению, контролю, аудиту, регулированию, объяснимости, настройке производительности и т. Д. Даже в качестве технического специалиста меня предлагали некоторые компании, занимающиеся инструментами машинного обучения, и после часа презентации я все еще не знаю, что они делают.
Изобилуют туманные цитаты: «Добейтесь масштабирования ИИ», «Оптимизируйте ИИ», «Расширьте возможности ИИ», «Возьмите под свой контроль ИИ» - но что на самом деле делают эти программные решения?
Существует простая ментальная модель, которую мы используем, чтобы разделить пространство, разместить решения и преодолеть шумиху.
Производство или предварительная подготовка?
Если вы посмотрите на пространство инфраструктуры машинного обучения и искусственного интеллекта, первое, что нужно сделать, это сделать предварительную или производственную сегментацию.
Предварительная подготовка
- Помогает ли Программное обеспечение создавать более совершенную модель, автоматически выбирать правильную модель, обеспечивать воспроизводимость процесса построения модели, проводить аудит построения моделей, производить более точные данные для построения моделей или отслеживать прогоны обучения?
Производство
- Помогает ли программное обеспечение интегрировать вашу модель в ваш бизнес, масштабировать модель в продукт, устранять неполадки в производстве, объяснять результаты остальной части вашей команды или обеспечивать эффективный A / B-анализ моделей?
Причина, по которой эта сегментация имеет значение, заключается в том, что по мере роста команды Data Science разные люди в организации в конечном итоге несут ответственность за производство, а не за предварительное производство. Программные решения, созданные для одной функции / организации, не могут хорошо служить всем людям в организации.
Этапы рабочего процесса модели
Следующая сегментация продуктов - это то, где в рабочем процессе машинного обучения подходит продукт. В целом мы видим три основных этапа - подготовка данных, построение модели и производство.
Подготовка данных включает в себя подготовку, маркировку и очистку данных, которые будут использоваться для моделей. Именно на это уходит львиная доля времени и энергии с точки зрения использования моделей искусственного интеллекта, и в основном это находится в сфере компетенции инженеров по обработке данных и обработчиков данных.
Построение модели включает выбор функций, обучающие конвейеры, настройку гиперпараметров, анализ объяснимости, предпроизводственные аудиты и оценку. Обычно этим занимаются специалисты по данным.
Наконец, есть производство, которое включает в себя развертывание моделей для вывода (создание прогнозов), мониторинг производительности, устранение неполадок и объяснимость на основе производства. Обычно он находится в рубке инженера по машинному обучению.
Каждая из этих широких категорий рабочего процесса машинного обучения (подготовка данных, построение модели и производство) имеет более глубокий набор функций. Вот более подробный обзор этапов рабочего процесса машинного обучения с возможностями продукта, необходимыми на каждом этапе, и компаниями, предлагающими функции в этих вертикалях сегодня.
Сейчас ведутся серьезные споры о том, должна ли каждая платформа быть адаптирована для углубления в вертикали или имеет смысл горизонтальное решение. Мы углубимся в различные вертикали и продукты в место в будущих сообщениях в блоге.
Заметки о площадках компании AI
- Если небольшая компания предлагает продукт, который выполняет множество функций на многих этапах, отнеситесь к этому скептически: они просто пытаются выяснить свою бизнес-модель.
- Если продукт требует, чтобы вы перевернули все в процессе построения и развертывания вашей модели для создания ценности, созданная ценность, вероятно, не стоит прерывания и риска блокировки.
- Предлагаемые продукты для улучшения характеристик модели следует рассматривать в сравнении с усилиями по реализации, направленными на создание этой ценности.
Следующий
Мы сделаем более глубокое погружение в производственный сегмент рабочего процесса машинного обучения. Arize AI нацелен на то, чтобы сделать ИИ успешным в производстве, и мы рады поделиться с вами новыми интересными моментами о том, как получить максимальную отдачу от ваших моделей.
Связаться с нами
Если это сообщение в блоге привлекло ваше внимание, и вы хотите узнать больше, подпишитесь на нас в Twitter и Medium! Если вы хотите узнать больше о том, чем мы занимаемся в Arize AI, напишите нам по адресу [email protected]. Если вы хотите присоединиться к веселой команде инженеров Rockstar, чтобы помочь сделать модели успешными в производстве, напишите нам по адресу [email protected]!
