Sisältö
K:
Mitkä ovat tärkeimmät tavat automatisoida ja optimoida tietotekniset prosessit?
V:
Tietotekniset prosessit koneoppimisessa ja AI: ssä voidaan jakaa neljään erilliseen vaiheeseen:
- tietojen hankkiminen ja etsiminen,
- mallirakennus,
- mallin käyttöönotto ja
- online-arviointi ja -tarkastus.
Kokemukseni mukaan esteenä olevat vaiheet ovat tietojen hankinta- ja mallin käyttöönottovaiheet missä tahansa koneoppimisessa tietotekniikan prosessissa, ja tässä on kaksi tapaa optimoida ne:
1. Luo helposti saatavilla oleva tietovarasto.
Useimmissa organisaatioissa tietoja ei tallenneta yhteen keskeiseen sijaintiin. Otetaan vain asiakkaisiin liittyvät tiedot. Sinulla on asiakkaan yhteystiedot, asiakastuki, asiakaspalaute ja asiakasselaushistoria, jos yrityksesi on verkkosovellus. Kaikki nämä tiedot ovat luonnollisesti hajallaan, koska ne palvelevat eri tarkoituksia. Ne voivat sijaita eri tietokannoissa ja osa voi olla täysin jäsennelty ja osa jäsentämätön, ja ne voidaan jopa tallentaa tavallisina tiedostoina.
Valitettavasti näiden tietojoukkojen hajanaisuus rajoittaa hyvin tietotekniikkatyötä, koska kaikkien NLP-, koneoppimis- ja AI-ongelmien perusta on data. Joten kaikki nämä tiedot yhdessä paikassa - tietovarasto - ovat ensiarvoisen tärkeitä mallien kehittämisen ja käyttöönoton nopeuttamisessa. Koska tämä on tärkeä osa kaikkia tietojenkäsittelytieteen prosesseja, organisaatioiden tulisi palkata päteviä tietotekniikan insinöörejä auttamaan heitä rakentamaan tietovarastojaan. Tämä voi helposti alkaa, kun yksinkertaiset tiedot kerääntyvät yhteen paikkaan, ja kasvaa hitaasti hyvin harkittuksi tietovarastoksi, joka on täysin dokumentoitu ja määritettävissä apuohjelmistotyökaluilla tietojen alajoukkojen viemiseksi eri muotoihin eri tarkoituksiin.
2. Paljasta mallisi saumattoman integroinnin palveluna.
Tietojen käyttömahdollisuuksien lisäksi on myös tärkeää kyetä integroimaan tietotekijöiden kehittämät mallit tuotteeseen. Voi olla erittäin vaikeaa integroida Pythonissa kehitettyjä malleja web-sovellukseen, joka toimii Ruby: lla. Lisäksi malleilla voi olla paljon datariippuvuuksia, joita tuotteesi ei ehkä pysty tarjoamaan.
Yksi tapa käsitellä tätä on luoda vahva infrastruktuuri mallisi ympärille ja paljastaa juuri tarpeeksi toimintoa, jota tuotteesi tarvitsee, jotta mallia voidaan käyttää ”verkkopalveluna”. Esimerkiksi jos sovelluksesi tarvitsee tunteista luokittelua tuotearvosteluihin , kaikki mitä se tarvitsee tehdä on kutsua verkkopalvelu tarjoamalla asiaankuuluva ja palvelu antaisi takaisin asianmukaisen tunteluokituksen, jota tuote voi suoraan käyttää. Näin integrointi tapahtuu yksinkertaisesti API-puhelun muodossa. Mallin ja sitä käyttävän tuotteen irrottaminen toisistaan tekee todella keksimäsi uusien tuotteiden käytöstä helppoa myös näissä malleissa.
Infrastruktuurin luominen mallisi ympärille on nyt aivan toinen tarina ja vaatii suunnittelutiimiltäsi suuria alkuinvestointeja. Kun infrastruktuuri on olemassa, on kyse vain rakennusmalleista tavalla, joka sopii infrastruktuuriin.