然而，與所有游戲規(guī)則的改變一樣，組織采用人工智能計(jì)劃也面臨新的挑戰(zhàn)，并在實(shí)施中存在很多問題，其中最主要的問題是：如何才能采用正確的數(shù)據(jù)方法來快速高效地部署人工智能計(jì)劃，并且長期內(nèi)不會(huì)出現(xiàn)故障并可持續(xù)發(fā)展?正是由于這個(gè)原因， “AI Factory”應(yīng)運(yùn)而生。

 

AI Factory是一種組織化的運(yùn)營模型，以系統(tǒng)化的方式將不同的人才、能力和流程結(jié)合起來，從而使組織在人工智能部署和可擴(kuò)展性方面獲得成功。家樂福和ENGIE公司等行業(yè)領(lǐng)導(dǎo)者已有效地使用AI Factory在其業(yè)務(wù)中交付變革性的人工智能項(xiàng)目。但是，從頭開始建立有效的AI Factory可能會(huì)令人生畏，因此需要專家團(tuán)隊(duì)的幫助和清晰的愿景才能使流程正常運(yùn)行。

 

 

對于組織來說，至關(guān)重要的第一步是為AI Factory定義愿景和用例，這將成為組織的數(shù)據(jù)策略。組織必須確定使其轉(zhuǎn)型具有最大業(yè)務(wù)潛力的用例，無論是供應(yīng)鏈優(yōu)化還是合規(guī)管理，在各方面都存在機(jī)遇。

 

還應(yīng)該考慮組織的人工智能愿景。重要的是其發(fā)展方式以便進(jìn)行規(guī)劃，并對未來有一個(gè)清晰的想法。組織可以從初步的總體角度來繪制適用于數(shù)據(jù)和人工智能的版本。

 

接下來，必須通過識別和分類用例來評估具體的業(yè)務(wù)機(jī)會(huì)。這是通過評估業(yè)務(wù)影響和復(fù)雜性來實(shí)現(xiàn)的。在整個(gè)過程中，關(guān)注心態(tài)是很重要的，要管理大規(guī)模的變革，需要從組織的高管到一線員工的每個(gè)人都參與進(jìn)來。

 

 

在定義組織的數(shù)據(jù)策略和人工智能愿景后，應(yīng)該優(yōu)先確定要實(shí)施的用例列表。但是，如何開始研究它們呢?AI Factory的有效實(shí)施建立在以下四個(gè)支柱上：

 

(1)單一治理

 

為了提高效率，治理必須是高級的、專門的和量身定制的。由數(shù)據(jù)領(lǐng)導(dǎo)者組成的AI Factory委員會(huì)在提供總體贊助和指導(dǎo)方面非常重要，因?yàn)樗c人工智能愿景共享，并與團(tuán)隊(duì)和路線圖保持一致。在項(xiàng)目管理層，應(yīng)該建立AI Factory的主管角色，其中包括業(yè)務(wù)、運(yùn)營、法律、安全、IT數(shù)據(jù)專家，他們的作用應(yīng)該是審查、仲裁和驗(yàn)證進(jìn)展。

 

最后在運(yùn)營層面要建立敏捷團(tuán)隊(duì)。這個(gè)功能團(tuán)隊(duì)負(fù)責(zé)交付人工智能產(chǎn)品用例。它們是緊密聯(lián)系的部門，相互協(xié)作以確保永久的信息流和透明度。最重要的是，它們應(yīng)該是跨學(xué)科的，結(jié)合了組織的技能和專長。它們以成就為導(dǎo)向，每個(gè)目標(biāo)都是以一個(gè)單一目標(biāo)創(chuàng)建的：提供一個(gè)由唯一目標(biāo)衡量的用例。

 

(2)多元化的專家團(tuán)隊(duì)

 

為了提高效率，結(jié)構(gòu)化組織應(yīng)該在基于敏捷方法的混合團(tuán)隊(duì)中收集業(yè)務(wù)、數(shù)據(jù)、軟件和數(shù)字技術(shù)技能。敏捷性確保了工作方式的靈活性和適應(yīng)性，并避免了與孤島方法相關(guān)的問題，例如同一結(jié)構(gòu)中的孤立部門或過于嚴(yán)格的程序。這需要很好地混合業(yè)務(wù)和技術(shù)概要，以確保在技術(shù)方面開發(fā)的內(nèi)容始終具有滿足業(yè)務(wù)需求的有用目的。

 

可擴(kuò)展性是團(tuán)隊(duì)組成的重要特征。這個(gè)想法是其結(jié)構(gòu)可以很容易地復(fù)制，類似于樂高積木。通過其完全可擴(kuò)展的模型，可以添加更多團(tuán)隊(duì)來解決其他用例。

 

(3)先進(jìn)的人工智能技術(shù)

 

當(dāng)然，有效的部署需要人工智能支持技術(shù)的基礎(chǔ)。AI Factory使用開源、專有和云計(jì)算解決方案的組合。根據(jù)最佳實(shí)踐，應(yīng)該從頭到尾在整個(gè)數(shù)據(jù)管道(從攝取到可視化)中對它們實(shí)現(xiàn)標(biāo)準(zhǔn)化。

 

(4)行之有效的方法和系統(tǒng)

 

需要進(jìn)行系統(tǒng)化以確保始終按照特定順序執(zhí)行一系列步驟，每個(gè)步驟都有自己明確的目標(biāo)。其具有雙重好處：首先，這提供了公共引用的總體結(jié)構(gòu)，從而保證一致性。其次，這使其方法具有可復(fù)制性和可擴(kuò)展性，從而大大加快了工業(yè)化階段的部署。

 

 

除了設(shè)定用例方法之外，還必須部署MLOps(機(jī)器學(xué)習(xí)運(yùn)營)實(shí)踐以彌合概念階段與生產(chǎn)之間的差距。受到DevOps流程的啟發(fā)，這應(yīng)該結(jié)合軟件開發(fā)和IT運(yùn)營以縮短開發(fā)生命周期。

 

MLOps的目的是克服傳統(tǒng)編碼系統(tǒng)所不具備的挑戰(zhàn)。第一個(gè)挑戰(zhàn)是團(tuán)隊(duì)之間的協(xié)作：不同的單元通常是孤立的，并且擁有流程的不同部分。這扼殺了生產(chǎn)所需的協(xié)作性。第二個(gè)挑戰(zhàn)是管道管理，因?yàn)闄C(jī)器學(xué)習(xí)管道比傳統(tǒng)的管道更復(fù)雜。它們有特定的特性，包括在整個(gè)生產(chǎn)過程中必須測試和監(jiān)控的構(gòu)建塊。最后一個(gè)挑戰(zhàn)是，機(jī)器學(xué)習(xí)模型通常需要多次迭代，當(dāng)以人工并且特別的方式投入生產(chǎn)時(shí)，它們變得僵化且難以更新。

 

與其相反，MLOps方法應(yīng)將所有機(jī)器學(xué)習(xí)資產(chǎn)嵌入到持續(xù)集成(CI)/持續(xù)交付(CD)管道中，以確保快速無縫地部署。在每個(gè)新版本發(fā)布之前，應(yīng)該測試所有數(shù)據(jù)、功能和模型，以防止質(zhì)量或性能下降。所有利益相關(guān)者應(yīng)該目標(biāo)一致，并將軟件工程最佳實(shí)踐應(yīng)用于數(shù)據(jù)科學(xué)項(xiàng)目——版本控制、部署環(huán)境、測試。

 

歸根結(jié)底，MLOps是一種以與所有其他生產(chǎn)要素統(tǒng)一的方式來持續(xù)管理機(jī)器學(xué)習(xí)項(xiàng)目的學(xué)科。它確保了從用例早期階段到用例產(chǎn)業(yè)化的有效技術(shù)交付。

 

 

人工智能為組織帶來巨大的希望，但對于無法正確部署的組織來說也有巨大的風(fēng)險(xiǎn)。 AI Factory模型的真正好處在于，它為快速成功地實(shí)施建立了一個(gè)核心框架。其流程、團(tuán)隊(duì)和工具本質(zhì)上是可遷移和可重復(fù)的，這意味著組織可以在追求人工智能愿景時(shí)保持敏捷。一旦流程建立并得到MLOps的支持，組織就會(huì)獲得人工智能加強(qiáng)業(yè)務(wù)所需的條件。

 

版權(quán)聲明：本文為企業(yè)網(wǎng)D1Net編譯，轉(zhuǎn)載需注明出處為：企業(yè)網(wǎng)D1Net，如果不注明出處，企業(yè)網(wǎng)D1Net將保留追究其法律責(zé)任的權(quán)利。