從我的AI /機器學(xué)習(xí)歷程中學(xué)到的教訓(xùn)

我最近有幸與幾位AI /機器學(xué)習(xí)專家一起參加了小組討論。 有很多偉大的問題，但大多數(shù)與如何在大型組織中最有效地建立AI /機器學(xué)習(xí)（AI / ML）有關(guān)。

這使我有機會反思自己的經(jīng)驗，以幫助大型企業(yè)加速其AI /機器學(xué)習(xí)之旅，并且更具體地說，評估什么是行得通的，也許同樣重要的是，什么行不通的。 我將這些總結(jié)為幾個簡單的"經(jīng)驗教訓(xùn)"，希望它們對您組織的AI / ML之旅有用。

第1課：不要讓完美成為夠用的敵人

以我的經(jīng)驗，您的模型將永遠(yuǎn)不會是完美的。 因此，請勿嘗試使其完美。 現(xiàn)在，請不要誤會我-模型的準(zhǔn)確性（或適用于您的情況的任何指標(biāo)）很重要，但是獲得絕對最佳的模型可能僅在Kaggle比賽中起作用。

相反，您的重點應(yīng)該是使模型足夠好以滿足業(yè)務(wù)需求。 事實是，幾乎所有企業(yè)都認(rèn)為，要獲得一個可以提供價值的"足夠好"的模型，要獲得完美的模型要花很長時間。 因此，我的建議非常簡單：找出對您的組織"足夠好"的內(nèi)容，并專注于將模型投入生產(chǎn)。

第2課：建立模型只是工作量的10％

這是一個基本但基本上未被認(rèn)可的事實：如今，企業(yè)中數(shù)據(jù)科學(xué)的絕大部分時間并沒有真正花費在數(shù)據(jù)科學(xué)上。 相反，大部分時間（根據(jù)我的經(jīng)驗，有90％以上的時間）都花在了其他事情上，包括：獲取數(shù)據(jù)，工程數(shù)據(jù)和功能集，解決安全問題，設(shè)置基礎(chǔ)架構(gòu)（云或數(shù)據(jù)中心）或 工作站，用于生產(chǎn)的包裝模型，以及創(chuàng)建DEVOPS腳本以將完整的模型遷移到產(chǎn)品中……這還不是完整列表！

不幸的是，在大多數(shù)不成熟的組織（也就是說，大多數(shù)組織都認(rèn)識到相對的"新穎性"或AI / ML）中，每個項目實際上都經(jīng)歷了這種額外的非數(shù)據(jù)科學(xué)工作。

這有什么大不了的嗎？ 的確如此。 假設(shè)您小組的預(yù)算為100萬美元（一個很好的整數(shù)，這使數(shù)學(xué)很容易），這意味著某人（在很多情況下是您的高價數(shù)據(jù)科學(xué)家）將90％或90萬美元用于與其他任務(wù)不直接相關(guān)的任務(wù) 到您雇用他們的目的。 那是很多錢！ 這不僅令人痛苦，而且體驗起來更加痛苦！

那么，如何避免這種痛苦呢？ 好吧，這導(dǎo)致了我的下一堂課……

第3課：秘訣：AI / ML平臺

正如我之前強調(diào)的那樣，太多的項目將太多的時間花費在與AI / ML不直接相關(guān)的任務(wù)上。

解決方案：" AI / ML平臺"。

首先，不要混淆" AI / ML平臺"的含義。 不僅僅是云供應(yīng)商提供的環(huán)境和工具包。 別誤會，我喜歡AWS，Azure和Google提供的工具-沒有它們，您真的無法有效地進(jìn)行AI / ML。 但是，存在一些云供應(yīng)商工具無法解決的重要考慮因素。 換句話說，云供應(yīng)商工具是必需的，但還不夠。

那么，什么是" AI / ML平臺"？ 簡而言之，AI / ML平臺的目的是加速將AI / ML模型投入生產(chǎn)。 它是在AI / ML環(huán)境和工具之上實現(xiàn)的"膠水"，即腳本，安全策略，可操作性問題和自我配置基礎(chǔ)結(jié)構(gòu)。

讓我們解決關(guān)鍵因素：

·安全性：解決訪問敏感數(shù)據(jù)所需的安全性問題，需要大量的盡職調(diào)查。在大多數(shù)組織中，其根本原因是幾乎每個項目都討論，辯論和實施了幾乎相同的安全問題。另一方面，AI / ML平臺根據(jù)您組織的安全狀況實施安全模型，執(zhí)行一次，然后將其提供給所有項目。大多數(shù)組織，尤其是受到嚴(yán)格監(jiān)管的組織，都需要遠(yuǎn)遠(yuǎn)超出云供應(yīng)商通常提供的"虛擬公共云"功能的安全控制。至少應(yīng)具有的一組附加功能包括：基于身份的訪問控制（將解決幾乎所有黑客問題），配置漂移管理（例如，捕獲Capital One發(fā)生的錯誤防火墻規(guī)則更改），以及數(shù)據(jù)流的方式（例如，數(shù)據(jù)可以存儲在平臺上，但只能使用"類似于Citrix"的門戶來可視化以使用工具-數(shù)據(jù)永遠(yuǎn)不會離開平臺）

·可操作性：所有大型企業(yè)對生產(chǎn)代碼都有嚴(yán)格的要求。 如今，AI / ML模型被認(rèn)為是可部署的代碼，并且受到與其他生產(chǎn)代碼相同的要求的約束。 不幸的是，在大多數(shù)不成熟的組織中，這些要求是在每個項目的基礎(chǔ)上實現(xiàn)的。 相比之下，AI / ML平臺提供了生產(chǎn)級工具，可通過常用的日志記錄，警報，異常處理，統(tǒng)計信息和指標(biāo)捕獲以及與企業(yè)操作控制臺的集成來增強裸機模型，從而確保AI / ML模型也能解決 基本的企業(yè)關(guān)注點

·自我配置的基礎(chǔ)架構(gòu)：我發(fā)現(xiàn)組織遷移到云時發(fā)生了不幸的事情：他們帶來了舊的數(shù)據(jù)中心包（主要是笨拙的流程和手動流程），并在云上實施了同樣低效的流程。 錯誤的答案！ 云供應(yīng)商花費了數(shù)年時間優(yōu)化工具和流程，以使數(shù)據(jù)科學(xué)家能夠自行配置工具和環(huán)境，而無需其他監(jiān)督或流程。 AI / ML平臺整合了必要的DEVOPS和安全功能，以允許數(shù)據(jù)科學(xué)家和數(shù)據(jù)工程師快速獲取數(shù)據(jù)并提供訓(xùn)練環(huán)境。

第4課：" AI / ML市場"是現(xiàn)代AI / ML的基本要求

簡而言之，AI / ML市場是與AI / ML模型相關(guān)的所有工件的目錄，可實現(xiàn)模型的可再現(xiàn)性，可追溯性，可解釋性和可驗證性：

· 為了解決可重復(fù)性問題，AI / ML Marketplace提供了對模型源代碼的引用（當(dāng)前版本和先前版本），并且用于訓(xùn)練模型的數(shù)據(jù)都保存在清單中

· 為了解決可追溯性，AI / ML Marketplace保留了對原始源系統(tǒng)數(shù)據(jù)和數(shù)據(jù)工程腳本的引用，這些數(shù)據(jù)用于轉(zhuǎn)換和豐富其內(nèi)容，從而在整個交付生命周期中提供對數(shù)據(jù)的所有更改的可見性。

· 為了解決可驗證性，AI / ML市場管理對訓(xùn)練輸出，日志和相關(guān)工件（包括與模型偏差和"道德"檢查相關(guān)的輸出日志）的引用，從而捕獲模型有效性的證據(jù)。

· 為了自動化信息捕獲過程，AI / ML市場將與AI / OPS（用于AI / ML的DEVOPS）過程集成在一起，以自動捕獲上述工件。 有趣的是，主要的云提供商，傳統(tǒng)的DEVOPS供應(yīng)商以及較新的AI / OPS初創(chuàng)公司都可以使用工具和功能，可以將它們組合在一起以捕獲許多所需的指標(biāo)和元數(shù)據(jù)。

簡而言之，AI / ML市場是目錄和存儲庫，可通過充分解決可重復(fù)性，可追溯性，可驗證性和可解釋性來促進(jìn)現(xiàn)代AI / ML開發(fā)，管理和治理。

第5課：立即開始您的Cloud-Native AI / ML程序！

在大多數(shù)企業(yè)中，我看到計算平臺和數(shù)據(jù)/存儲量的擴展遠(yuǎn)遠(yuǎn)超出了內(nèi)部數(shù)據(jù)中心的功能。 GPU不在議程中。 三倍和四倍的存儲池正在建設(shè)中。 但事實是，事實證明，即使是大型組織也無法跟上步伐。

大型國際咨詢公司埃森哲（Accenture）說，問題很少：首先，"到現(xiàn)在為止，還沒有經(jīng)過驗證的擴展藍(lán)圖，組織可能陷入一些常見的陷阱。"其次，"人工智能的陌生環(huán)境 意味著企業(yè)可以被誘使放棄久負(fù)盛名的行為，重新發(fā)明輪子并從頭開始構(gòu)建。"最后，"有許多行之有效的低成本AI選項可以立即購買并開始使用。 "

那么，當(dāng)大型云供應(yīng)商提供其他功能更強大，成本效益更高，可擴展的最新選項時，為什么要與之抗衡呢？ 我的簡單建議是：拋開批評家，讓您的云原生AI / ML程序啟動！

第六課：使AI / ML民主化

大多數(shù)組織，尤其是那些將AI / ML遷移到云中的組織，都有千載難逢的機會來組織其組織以取得成功。 我的愿景（我在大型企業(yè)中看到過的愿景）是"使AI / ML民主化"。 我的意思是，任何小組（假設(shè)他們具有技能）都應(yīng)該能夠隨時隨地使用他們需要的任何工具和庫來構(gòu)建AI / ML模型。

但是，您如何擴展和管理這種類型的組織結(jié)構(gòu)？ 簡單來說，基本要求是在AI / ML平臺和AI / ML市場中實現(xiàn)了規(guī)模和管理所需的必要防護(hù)欄。 考慮到這一點，以下是AI / ML組織中一組實用的組：

· AI / ML平臺團隊：該團隊對建立，運行，支持和發(fā)展包括基礎(chǔ)架構(gòu)，云環(huán)境，安全性，工具和DEVOPS在內(nèi)的所有組件具有完全的端到端責(zé)任。 該團隊不僅要對平臺負(fù)責(zé)，而且還要培訓(xùn)，支持和指導(dǎo)數(shù)據(jù)科學(xué)團隊

· 分布式數(shù)據(jù)科學(xué)團隊：由于許多跨領(lǐng)域的問題都融入了AI / ML平臺中，因此這使數(shù)據(jù)科學(xué)家可以騰出時間從事數(shù)據(jù)科學(xué)工作，還可以使整個組織中的數(shù)據(jù)科學(xué)家快速，無縫地入職。 該指導(dǎo)原則允許任何具有數(shù)據(jù)科學(xué)技能的小組，以其小組的需求和業(yè)務(wù)需求所決定的速度進(jìn)行數(shù)據(jù)科學(xué)。 沒有集中的組。 沒有象牙塔。

總結(jié)

我在本文中的目的是提供一些簡單的經(jīng)驗教訓(xùn)，這些經(jīng)驗教訓(xùn)將幫助您加速企業(yè)的AI / ML之旅，并避免一些我遇到的減速帶和坑洼。 希望我已經(jīng)實現(xiàn)了這個目標(biāo)。

但是我可以肯定地說的是，事情發(fā)展很快。 技術(shù)和方法可能會發(fā)展，而且很可能我應(yīng)該考慮從現(xiàn)在開始一年編寫一個新版本。 或者，也許，一年后，您將能夠?qū)懗鰪哪慕M織的AI / ML之旅中學(xué)到的一些經(jīng)驗教訓(xùn)！