ศูนย์ควบคุมและป้องกันโรคกำลังใช้ประโยชน์จากการเรียนรู้ของเครื่องเพื่อคาดการณ์การแพร่กระจายของ COVID-19 บริการไปรษณีย์กำลังใช้เทคโนโลยีเพื่อเพิ่มความเร็วในการจัดส่งพัสดุ กรมการขนส่งกำลังนำร่องการใช้ ML เพื่อคาดการณ์ความปลอดภัยของโครงสร้างของสะพานทางหลวง กระทรวงกลาโหมกำลังทดสอบเพื่อให้เห็นภาพภูมิประเทศและ “มองเห็น” สิ่งกีดขวางในความเป็นจริง
หน่วยงานของรัฐบาลกลางจำนวนมากขึ้นกำลังสำรวจ ML
และปัญญาประดิษฐ์รูปแบบอื่นๆ เพื่อพัฒนาภารกิจหรือปรับปรุงบริการแก่ประชาชน พวกเขาต้องการวิธีการที่ได้รับการพิสูจน์แล้วเพื่อให้แน่ใจว่าพวกเขาใช้ ML อย่างมีประสิทธิภาพและได้รับผลตอบแทนที่ดีจากการลงทุน ML
เข้าสู่ Machine Learning Operations (MLOps) ซึ่งเป็นชุดแนวทางปฏิบัติที่มีจุดมุ่งหมายเพื่อเพิ่มความน่าเชื่อถือและประสิทธิภาพของการออกแบบ การพัฒนา และการดำเนินการ ML ได้รับอิทธิพลจากแนวทาง DevOps ที่ใช้กันอย่างแพร่หลายในการสร้างและใช้งานแอปพลิเคชันแบบกำหนดเอง MLOps รวมวิธีการและเทคโนโลยีเพื่อเร่งการปรับใช้โมเดล ML มีเครื่องมือที่ยอดเยี่ยมจากผู้จำหน่ายซอฟต์แวร์และชุมชนโอเพ่นซอร์สที่มีอยู่ในปัจจุบัน เช่น cnvrg.io, c3.ai, Databricks และ SAS; ด้วยเครื่องมือโอเพ่นซอร์ส เช่น KubeFlow, MetaFlow, Kedro และ MLFlow
MLOps กำลังพิสูจน์คุณค่าในรัฐบาลแล้ว การจัดทำเอกสารและการบังคับใช้ MLOps ทำให้เอเจนซีมีโอกาสบรรลุเป้าหมาย AI เพิ่มขึ้นสองเท่า และเตรียมพร้อมรับความเสี่ยงจาก AI เพิ่มขึ้น 3 เท่า นั่นเป็นไปตามการวิเคราะห์ของ Deloitte เกี่ยวกับผู้ตอบแบบสอบถามของรัฐบาลเกี่ยวกับสถานะของ AI ในปี 2021 ในแบบสำรวจ ขององค์กร
ข้อมูลเชิงลึกโดย Eightfold: ค้นพบว่าข้อมูล เทคโนโลยี และกลยุทธ์การสรรหาใหม่ช่วยให้ USDA, EPA, GSA, NASA และ NIH ประสบความสำเร็จในการแข่งขันหาผู้มีความสามารถได้อย่างไร โดยเฉพาะอย่างยิ่งเมื่อเป็นเรื่องของเทคโนโลยีขั้นสูง วิทยาศาสตร์ และตำแหน่งอื่น ๆ ที่ยากต่อการบรรจุ
MLOps ถูกใช้โดยนักวิทยาศาสตร์ข้อมูลและผู้เชี่ยวชาญด้าน AI อื่นๆ แต่สิ่งที่ทำให้น่าสนใจเป็นพิเศษคือช่วยให้เอเจนซีที่มีทักษะทางเทคนิคเฉพาะทางน้อยกว่าได้รับประโยชน์จากโมเดล ML ประโยชน์สูงสุดคือนวัตกรรมที่รวดเร็ว การสร้างแบบจำลองและเวิร์กโฟลว์ที่ทำซ้ำได้ การสร้างโครงสร้างการจัดการและโฟลว์สำหรับวงจรชีวิตของแมชชีนเลิร์นนิงทั้งหมด ทั้งหมดนี้มุ่งเน้นไปที่การแบ่งปัน การเรียนรู้ และเวลาที่เร็วที่สุดในคำตอบ
พบกับความท้าทาย ML
ML เกี่ยวข้องกับคณิตศาสตร์ที่ซับซ้อน การฝึกอบรมและการบำรุงรักษาโมเดล ML อาจซับซ้อนและใช้เวลานาน บางครั้งเอเจนซีพยายามดึงดูดและรักษานักวิทยาศาสตร์ข้อมูลที่มีประสบการณ์ไว้ หรือขออนุมัติงบประมาณสำหรับการนำร่อง ML ที่ใช้เวลานานและมีค่าใช้จ่ายสูง
MLOps แก้ไขปัญหาเหล่านี้ แนวทางนี้สามารถช่วยลดความซับซ้อน คล่องตัว และแม้กระทั่งทำให้การพัฒนาและการดำเนินงาน ML บางส่วนเป็นไปโดยอัตโนมัติ สามารถลดจำนวนผู้เชี่ยวชาญด้าน ML ที่จำเป็น รวมถึงเวลาและค่าใช้จ่ายในการดำเนินการจากความต้องการทางธุรกิจไปสู่โซลูชันที่ใช้งานได้
MLOps จัดเตรียมกระบวนการทำซ้ำสำหรับการออกแบบ พัฒนา และใช้งานโมเดล ML เริ่มต้นด้วยวิธีที่เป็นมาตรฐานเพื่อกำหนดความต้องการทางธุรกิจของกรณีการใช้งาน ML จากนั้นจะช่วยเพิ่มความคล่องตัวในการระบุอินพุตข้อมูลที่จำเป็น อัลกอริธึม ML ที่เหมาะสม และข้อกำหนดของโมเดล ML ท้ายที่สุด ระบบจะป้อนเอาต์พุตกลับเข้าสู่โมเดลโดยอัตโนมัติเพื่อการปรับปรุงอย่างต่อเนื่อง แทนที่วิธีการแบบแมนนวลที่ใช้เวลานานในการฝึกอบรมและทดสอบโมเดลซ้ำๆ
หลายหน่วยงานจะสามารถใช้ MLOps ได้โดยไม่ต้องลงทุนในฮาร์ดแวร์ใหม่หรือโครงสร้างพื้นฐานอื่นๆ แต่เครื่องมือเทคโนโลยีบางอย่างสามารถช่วยได้ ตัวอย่างเช่น หากคุณต้องการใช้ประโยชน์จากชุดข้อมูลขนาดใหญ่ในกรณีการใช้งาน ML ของคุณ คุณอาจต้องการฮาร์ดแวร์ที่รองรับหน่วยความจำถาวร หากคุณใช้ ML จำนวนมาก คุณอาจได้รับประโยชน์จากซอฟต์แวร์การประสาน MLOps เพื่อจัดการไปป์ไลน์ ML จากต้นทางถึงปลายทาง
แต่ผลิตภัณฑ์การวิเคราะห์ข้อมูลและการสร้างภาพข้อมูลจำนวนมากขึ้นเรื่อยๆ มีความสามารถ MLOps ในตัว บางผลิตภัณฑ์ยังสามารถแนะนำคุณตลอดกระบวนการตั้งแต่การระบุความต้องการทางธุรกิจ ไปจนถึงการระบุชุดข้อมูล ไปจนถึงการเลือกอัลกอริทึม ML ไปจนถึงการสร้างโมเดล ML
นอกจากนี้ ผู้ให้บริการรายใหญ่ของบริการคลาวด์สาธารณะยังมีชุดเครื่องมือที่มีอัลกอริทึม ML คุณสามารถใช้วิธีการ MLOps เพื่อระบุอัลกอริทึมสำหรับกรณีการใช้งานของคุณและทดสอบโมเดล ML เพื่อดูว่าตรงตามความต้องการของคุณหรือไม่
ปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดของ MLOps
credit : ฝากถอนไม่มีขั้นต่ำ
