Denne klumme er et debatindlæg og er alene udtryk for forfatterens synspunkter.
De fleste inden for it og teknologi er godt bekendt med både AI og ML – eller på tech-dansk: Kunstig intelligens og machine learning.
Mange virksomheder integrerer allerede, eller afsøger markedet for, mulighederne med AI og ML.
Mulighederne er mange, men det er spørgsmålene også. Blandt andet går diskussionen i Skandinavien aktuelt meget på om ML skal være standardløsningsbaseret eller specialudviklet.
Grundlæggende handler det jo om ML’s evner til at konvertere data om til viden – business insights.
For viden er, om ikke magt, så I hvert fald vejen til succes.
Og jo mere man ved om kunderne og deres adfærd, samt hvad der virker og ikke virker i virksomheden, og hvordan det kan optimeres - jo bedre.
Det kan ML hjælpe til. Ikke mindst selve optimeringen. Men det skal være de rigtige data og det rigtige output.
Automatisering af processer
Det handler også om evnen til at automatisere de processer, der kan automatiseres.
For selv om de menneskelige ressourcer er afgørende, er der en række funktioner som ganske enkelt håndteres bedre af avanceret software. også her er det værd at sætte fokus på forskellen mellem standardløsninger og af specialudviklede ML-løsninger, specifikt udviklet til den enkelte virksomheds formål.
Udfordringen er, at hvis man med en standardløsning prøver at være alt for alle, ender man ofte med at være, om ikke ingenting, så i hvert med en løsning der er næsten for bred og generel.
Målet er dog ikke nået med ML i sig selv – standard eller tilpasset.
ML-løsningen skal plejes og udvikles. Den proces varetages af MLOps, der er et relativt overset, men voksende område, der kræver samarbejde mellem udviklere og it-eksperter og de medarbejdere, der sidder med “operations”.
Branchen er snart sagt underordnet, for alle kan have gavn af ML-integration – sundhed, retail, forsikring eller medier. Og alle kæmper for at sikre sig den bedst mulige position.
I al enkelthed handler det om at indhente, bearbejde og udnytte data og indsigt hurtigere end konkurrenterne.
Blandt de fordele der kan fremhæves som eksempler i de enkelte brancher er:
Detailhandel: Opnå mersalg ved at lære brugernes shoppingmønstre og korrelere det med særlige aktiviteter på dagen
Sundhedspleje: Forbedre kvaliteten af klinisk pleje og påpege vigtige mønstre og tendenser omkring diagnose, behandling og fortsat pleje
Forsikring: Få bedre risikovurdering, maksimere investeringsafkastet, hæv kundeservice og øg den samlede effektivitet
Medier og underholdning: Få skjult indsigt i kundeadfærd og hjælp til at levere personligt indhold
Men hvad kan man ellers opnå af fordele og læring ved MLOps? Udfra en generel betragtning, er her syv punkter, men der kan være flere og værdien af de enkelte punkter, kan variere fra virksomhed til virksomhed:
• Man sparer tid og kræfter på ML-modelvedligeholdelse ved hjælp af pipelines og automatisering.
• Man muliggør en jævn strøm af træningsaktiviteter samt integration af færdige ML-modeller i færdige softwareprodukter.
• Man sparer på indsatsen hos data science teamet, så de kan fokusere på modelkvalitet.
• Det giver virksomheden nøjagtig og værdifuld viden - og dette er det hemmelige våben, så man kan holde sig foran konkurrenterne og markedet.
• AI/ML-processen er afhængig af eksperimentering og iteration af modeller, og det kan tage timer eller dage at udarbejde og teste en model. Giv plads til en separat arbejdsgang for at imødekomme tidslinjerne og artefakterne ved model etablering og testcyklus.
• Undgå gating af tidsfølsomme applikationsbygninger på AM/ML model builds.
• For AI/ML-teams skal man huske, at modellen vil levere værdi over tid, snarere snarere end at det er en engangskonstruktion. Vedtag fremgangsmåder og processer, der planlægger og tillader en models livscyklus og udvikling.
Bemærk punkt 3
Særligt punkt 3 springer i øjnene, for viden og evnen til at analysere og udtrække info er afgørende for konkurrenceevnen.
Og med en datakurve der er eksponentielt voksende, er det ganske enkelt ikke en opgave for medarbejderne.
Men det er træning og opsætning af den rigtige ML/AI løsning.
For i udgangspunktet er løsningen ikke klogere end dem, der sætter rammerne for hvad der skal fokuseres på.
Ser vi på det ud fra en definitionsvinkel er MLOps, eller Machine Learning Operations, derfor et sæt ”best practice” for virksomheder på enterprise-niveau til at håndtere AI med succes.
MLOps strømliner og automatiserer AI-infrastrukturtjenester, sparer ressourcer og leverer bedre AI-kvalitet.
På denne måde kan virksomheder opnå bedre indsigt på baggrund af deres data - på kortere tid. Og tid er penge – for hvem tager først de rigtige og nødvendige beslutninger i en given branche? De har fordelen.
An AI/ML-løsning kan derfor være guld værd, men den kan bestemt ikke overflødiggøre de menneskelige ressourcer.
Hvad den kan gøre, er at bidrage til at effektivisere datastrømmen, uddrage information og give grundlag for langt bedre beslutninger – og det er den kombination, der giver den virkelige differentiering og forbedrede konkurrenceevne.
MLOps er redskabet, der hjælper til hurtigt og effektivt at nå frem i spidsen af feltet.
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os din tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.