如何技术风险并确保AI项目成功?
来源:CPDA数据分析师网 / 作者:数据君 / 时间:2021-05-20
通过不同的KPI统一不同的兴趣社区
幸运的是常见问题不是AI或机器学习模型本身的任何潜在问题,如果存在问题,并且这些数字表明存在某些问题,那么许多AI项目仍然会让他们的投资者感到高兴,但这是在构建和部署AI模型时由三个主要参与者在内部组装和管理这些系统的方式,您拥有的业务专注于我们如何使用机器学习做出更好的决策,您拥有数据科学家,他们全都致力于我们如何应用这项技术来解决业务问题,并且您拥有IT团队,负责确保其同事充分利用组织在技术基础架构上的投资,这些通常是非常不同的,具有不同KPI的兴趣社区,我们拥有的信息孤岛和观点对于交付成功的业务IT解决方案毫无用处,所需要的是一种弥合差异的方法,如果我们不这样做,就不会为欧洲组织带来AI的巨大希望。
如果没有一个能够将所有这些利益相关者及其工作轻松地连接起来的框架来支持,那么分解AI项目,就像在纸上看起来那样令人惊奇,就可以在削减任何代码之前提出麻烦。使用环境。好消息是这正在发生,我将告诉您如何。
要启动并运行一个有影响力的机器学习项目
您需要多个组件,一个为机器学习准备数据的组件,一个组件可以让您以一种一旦建立模型的方式来构建模型已构建,可让您对其进行了解并了解它,并确保它没有偏见,使您能够快速操作该特定模型,对其进行治理和监视的部分,企业获取模型(或是模型)并将其嵌入到应用程序中的一种方法。
现实世界中的AI客户想要什么:混合的开发和配置环境
组织正在使用许多不同的技术和多个流程来尝试和管理所有这些,这就是导致将模型投入生产并被企业使用所造成的延迟的原因,如果我们拥有一个可以解决所有这些关键领域的平台,那么组织从该平台获取价值的速度就会大大提高,为此您需要一个环境来开发具有质量和内部客户满意度的应用程序,以及一个可以使企业轻松使用这些应用程序的环境。
听起来像云,对不对?
好吧并非总是如此,当您考虑调整AI时,您还必须考虑如何在整个组织中使用AI,您需要一种方法将其从研发转移到生产中,但是在部署之后,我们如何实际使用它呢?我们听到的是他们真正想要的是一个混合的开发和供应环境,无论您的开发或目标环境是什么(例如在云,内部部署或云环境),这种技术组合都可以毫无问题地运行,为了进一步降低风险,您希望这种支持项目的工具尽可能地基于标准,以避免供应商锁定和容易换掉不起作用的东西,并且出于同样的原因,也应将其作为开源尽你所能,因此重要的是采用数据科学家喜欢的语言(Python),并基于容器编排系统来自动执行计算机应用程序的部署,扩展和管理,在允许您控制云基础架构的成本以及允许您根据需要快速部署各个元素方面,这是很棒的。
Python的确很重要
因为创建要在Web上部署的应用程序可能会遇到的挑战是必须使用Java,因此您没有大量的数据科学家具备使用AI创建AI应用程序的技能。传统的应用开发框架,但是如果您可以使用他们能胜任的语言,您的工作效率就会提高。
数以百计的优秀模型直接投入生产
幸运的是常见问题不是AI或机器学习模型本身的任何潜在问题,如果存在问题,并且这些数字表明存在某些问题,那么许多AI项目仍然会让他们的投资者感到高兴,但这是在构建和部署AI模型时由三个主要参与者在内部组装和管理这些系统的方式,您拥有的业务专注于我们如何使用机器学习做出更好的决策,您拥有数据科学家,他们全都致力于我们如何应用这项技术来解决业务问题,并且您拥有IT团队,负责确保其同事充分利用组织在技术基础架构上的投资,这些通常是非常不同的,具有不同KPI的兴趣社区,我们拥有的信息孤岛和观点对于交付成功的业务IT解决方案毫无用处,所需要的是一种弥合差异的方法,如果我们不这样做,就不会为欧洲组织带来AI的巨大希望。
如果没有一个能够将所有这些利益相关者及其工作轻松地连接起来的框架来支持,那么分解AI项目,就像在纸上看起来那样令人惊奇,就可以在削减任何代码之前提出麻烦。使用环境。好消息是这正在发生,我将告诉您如何。
要启动并运行一个有影响力的机器学习项目
您需要多个组件,一个为机器学习准备数据的组件,一个组件可以让您以一种一旦建立模型的方式来构建模型已构建,可让您对其进行了解并了解它,并确保它没有偏见,使您能够快速操作该特定模型,对其进行治理和监视的部分,企业获取模型(或是模型)并将其嵌入到应用程序中的一种方法。
现实世界中的AI客户想要什么:混合的开发和配置环境
组织正在使用许多不同的技术和多个流程来尝试和管理所有这些,这就是导致将模型投入生产并被企业使用所造成的延迟的原因,如果我们拥有一个可以解决所有这些关键领域的平台,那么组织从该平台获取价值的速度就会大大提高,为此您需要一个环境来开发具有质量和内部客户满意度的应用程序,以及一个可以使企业轻松使用这些应用程序的环境。
听起来像云,对不对?
好吧并非总是如此,当您考虑调整AI时,您还必须考虑如何在整个组织中使用AI,您需要一种方法将其从研发转移到生产中,但是在部署之后,我们如何实际使用它呢?我们听到的是他们真正想要的是一个混合的开发和供应环境,无论您的开发或目标环境是什么(例如在云,内部部署或云环境),这种技术组合都可以毫无问题地运行,为了进一步降低风险,您希望这种支持项目的工具尽可能地基于标准,以避免供应商锁定和容易换掉不起作用的东西,并且出于同样的原因,也应将其作为开源尽你所能,因此重要的是采用数据科学家喜欢的语言(Python),并基于容器编排系统来自动执行计算机应用程序的部署,扩展和管理,在允许您控制云基础架构的成本以及允许您根据需要快速部署各个元素方面,这是很棒的。
Python的确很重要
因为创建要在Web上部署的应用程序可能会遇到的挑战是必须使用Java,因此您没有大量的数据科学家具备使用AI创建AI应用程序的技能。传统的应用开发框架,但是如果您可以使用他们能胜任的语言,您的工作效率就会提高。
数以百计的优秀模型直接投入生产
人们普遍提供了这种用于在整个企业中构建和部署AI的集成“混合云”平台,公司每年从实验室中脱离的几种机器学习模型发展到数百种,而且它们还能够进行扩展这些模型用于实时应用,客户发现了价值并加速了机器学习模型的交付,并通过将所有工具集中在一个地方,将它们更快地转变成生产数量级,这让我感到乐观的是,那些令人失望的IDC和数据只是AI学习曲线的一部分,而且AI成本增加的风险,承诺失败和交付失败的风险或对经常不必要的AI基础设施的渴望都将迅速消失,时间到了通过这种变革性技术以及协作性技术和商业思维,我们有一种方法来赢得胜利,并赢得更大的胜利。
商业联合会数据分析专业委员会