Сегодняшняя экосистема MLOps — это зарождающееся пространство малых и крупных игроков, которые все еще пытаются ответить на вопрос «что» — что нам нужно сделать лучше?
Немного углубившись в психологию принятия рынком нового продукта, концепции или даже больше — самой технологии — есть три вопроса, которые нужно задать каждому. Давайте проделаем то же упражнение для MLOps.
3. Как — мы собираемся выполнять MLOps? То есть технология, облачная или иная, сервисная модель, архитектура конвейеров данных и т. д. и т. д.…
2. Чего нам нужно достичь? Просто лучше скорость? Более быстрая обработка? Больше объема? Прогнозы лучше?
Проще говоря, вопрос «Что» поможет вам экстраполировать текущий сценарий и стать немного… лучше. Это не идеально.
1.Почему? Обратная нумерация не была опечаткой. Это самый важный вопрос, с которым приходится сталкиваться каждому отдельному продукту, технологии, предметной области и даже идее, если они должны пережить время.
Почему мы вкладываем столько денег и усилий в создание новой архитектуры, которая в лучшем случае ненадежна, для запуска того же кода, который мы могли бы легко сделать в блокноте Jupyter? Это первый вопрос, который возникает, когда новичок «Data Scientist» впервые исследует любой новый фреймворк MLOps.
Настоящий ИИ
Использование системного подхода.
Это самый короткий ответ.
Человеческий интеллект — это продукт множества взаимозависимых интеллектуальных «моделей» — с точки зрения чистого ИИ. Модель идентификации объекта, модель, которая оценивает расстояние и скорость, текстуры, возможные корреляции температуры и цвета, еще одна, координирующая ваши мышцы во время бега в тандеме с моделью расстояние-скорость… Эти и многие другие «модели» включают только движение и компоненты зрительного восприятия человеческого мозга.
Почему требуется 10–15 минут, чтобы «устроиться», когда садишься за руль нового автомобиля, отличного от своего? Ваши «модели» калибруют себя — меняют свои межоперационные сигналы. Например, если вы переключаетесь с седана на хэтчбек, ваш мозг по-прежнему будет подавать ложные сигналы тревоги при движении задним ходом примерно в течение дня.
Сегодня в области машинного обучения и искусственного интеллекта у нас уже есть отличные модели и системы для их создания. Чего не хватает, так это совместимости. Нам нужна платформа, позволяющая пользователям создавать, повторно использовать, подключать и монетизировать «интеллектуальные» компоненты, созданные ими на всех этапах конвейера данных. От модели до полного конвейера..
Нет необходимости каждой компании заново изобретать велосипед для компонентов с искусственным интеллектом, которые другие сделали 10 лет назад, верно?