Đưa trí tuệ nhân tạo và học máy đến với đại chúng

Khi đề cập đến việc mang công nghệ trí tuệ nhân tạo và máy học mới nhất để gia nhập thị trường, các gã khổng lồ công nghệ đã chiếm lĩnh tất cả. Google cung cấp mảng dịch vụ của mình từ công cụ tìm kiếm hàng đầu cho đến các dịch vụ hình ảnh - được cung cấp bởi nền tảng trí tuệ nhân tạo và học máy tinh vi. Trí tuệ nhân tạo chiếm lĩnh mọi lĩnh vực kinh doanh của Amazon, từ kho sản phẩm đến dịch vụ đồng hành tại nhà của Alexa.

Đã đến lúc các doanh nghiệp chính thống cũng được hưởng lợi từ cuộc cách mạng trí tuệ nhân tạo và học máy. Tuy nhiên, trong khi những người khổng lồ công nghệ có thể đầu tư một số tiền lớn và lực lượng các nhà khoa học dữ liệu vào liên doanh của họ, thì hầu hết các doanh nghiệp cần phải tiến hành theo một con đường được thiết kế tốt. Con đường đó là MLOps.

Đó là thuật ngữ mà Asaf somekh, người sáng lập và giám đốc điều hành của Iguazio, người đã đề xuất MLOps kể từ khi thành lập công ty 5 năm trước. Gần đây các chuyên gia có cơ hội trao đổi với nhau tại sự kiện MLOps của công ty tại New York, nơi Asaf mô tả tầm nhìn của mình về việc giới thiệu trí tuệ nhân tạo và học máy vào những hoạt động chính của doanh nghiệp.

Asaf giải thích: MLOps, giống như DevOps, đối tác của nó, tập trung vào việc xây dựng và duy trì hệ thống máy học của máy tính qua tất cả các giai đoạn khác nhau trong vòng đời của các ứng dụng trí tuệ nhân tạo, từ phát triển, khám phá dữ liệu, phát triển ban đầu của mô hình học máy, qua đào tạo, và sau đó đưa nó vào sản xuất.

Thách thức với trí tuệ nhân tạo và học máy chính là việc có rất nhiều triển khai được nhìn nhận cho đến nay hiếm khi vượt quá giai đoạn thử nghiệm –rất khó để mở rộng quy trình kinh doanh trí tuệ nhân tạo trong thế giới thực. Asaf giải thích: “Nhiều người bỏ qua những nỗ lực cần có sau thí nghiệm trong phòng thí nghiệm, sau khi khái niệm này đã được chứng minh. Nhiều người, đã thử nghiệm thành công trong phòng thí nghiệm sẽ nghĩ: chúng ta đã chứng minh được điều đó, chúng ta có dữ liệu, chúng ta đã chỉ ra rằng với các bộ dữ liệu khác nhau, chúng ta có thể dự đoán với độ chính xác rất cao. Tất cả những gì chúng ta cần làm là đưa nó vào sản xuất. Nhưng điều đó không xảy ra. Nó bị kẹt, và hai năm sau, mọi người vẫn đang cố gắng tìm hiểu chuyện gì đã xảy ra”.

Ông cho biết thêm: Các chuyên gia ước tính rằng 60% các dự án trí tuệ nhân tạo không bao giờ được đưa vào sản xuất. “Họ có các mô hình được phát triển trong phòng thí nghiệm. Nó làm việc tốt. Nhưng rồi chuyện gì xảy ra tiếp theo? Và làm thế nào để bạn mang nó vào cuộc sống?”

Ông tiếp tục: Những gã khổng lồ công nghệ làm cho quá trình này trông rất dễ dàng, bởi vì họ có thể áp dụng lực lượng chuyên gia và tài nguyên không giới hạn. “Những doanh nghiệp như Googles và Netflix trên thế giới có rất nhiều sự đổi mới, nhưng nếu có gì đó khó thực hiện, họ đã đặt thêm hàng trăm chuyên gia vào để giải quyết vấn đề, và cuối cùng nó sẽ hoạt động”.

Thông qua MLOps, các nhà khoa học dữ liệu, nhà phát triển, nhóm vận hành và kỹ sư trang web hợp tác trên một nền tảng chung để cung cấp các khả năng học máy một cách liên tục. Nó có một phương pháp giúp trí tuệ nhân tạo và học máy đứng trước doanh nghiệp, nơi nó có thể mang lại giá trị. Ví dụ, các nhà khoa học dữ liệu có thể tập trung vào việc giải quyết các câu hỏi cho doanh nghiệp, chẳng hạn như huy động các tài xế giao hàng hoặc tăng khả năng tự phục hồi của các mạng viễn thông - thay vì bị cuốn vào việc tìm kiếm dữ liệu hoặc lo lắng về các vấn đề triển khai. Somekh cho biết: “Bạn muốn các nhà khoa học và nhà phân tích dữ liệu dành nhiều thời gian nhất có thể cho khoa học dữ liệu, thay vì chú tâm vào các chi phí hoạt động”.