Но сегодня многие организации продолжают разрабатывать ИИ-решения в основном экспериментальным путем. Несколько лет назад такой подход был, возможно, оправдан, так как преимущества технологии были еще не очевидны, но сегодня многое изменилось. Появились специализированные роли (инженер данных и инженер машинного обучения). Доступен более широкий стек технологий и сервисов, позволяющий перейти от ручной разработки к модульной, более автоматизированной и охватывающей весь жизненный цикл ИИ-моделей. Совокупность этих инструментов и практик сегодня принято называть MLOps (по аналогии с DevOps).
MLOps ускоряет внедрение изменений, сохраняя гибкость и надежность. Эта методология опирается на ряд подходов: непрерывная разработка, разделение функций на независимые микросервисы, автоматизированное тестирование и внедрение отдельных изменений, глобальный мониторинг работоспособности, система реагирования на сбои (см. рисунок).
Внедрение MLOps требует значительного культурного сдвига в организации, и здесь большую роль должен сыграть CEO. Задача лидера — перестроить укоренившиеся практики и изолированные процессы, перейти от индивидуальных и ресурсоемких решений к более стандартизированному и автоматизированному подходу. Для этого нужны четкие ориентиры — какого бизнес-эффекта и повышения производительности компания хочет добиться. Среди метрик могут быть доля внедренных ИИ-моделей, которые приносят бизнес-результаты, или суммарный ROI от ИИ (показывает эффективность масштабирования). Также полезно в режиме реального времени отслеживать «деградацию» моделей и возникающие риски.
Еще одна важная задача CEO — обеспечить единые цели и общую ответственность за результат для бизнес-подразделений и команд по ИИ, ИТ и анализу данных. Также важно систематически инвестировать в развитие навыков и привлечение специалистов по ИИ.
В статье мы подробнее рассматриваем преимущества MLOps с точки зрения бизнеса и обсуждаем конкретный опыт их использования.
