Den danske iværksætter Jonathan Løw har i en ny bog med titlen ”Doers & Dreamers” fået 150 af verdens absolut førende iværksættere, ledere og innovatører til at dele gode råd, spændende erfaringer og tankevækkende idéer.
Det inkluderer folk som Wordpress-founder Matt Mullenweg, Airbnb-stifter Brian Chesky og investor Tim Ferriss. Hele bogen kan downloades gratis.
Computerworld bringer her et kapitel af bogen skrevet af Giuliano Liguori, som er medstifter og administrerende direktør for Kenovy - Key of Innovation.
Er modeloperationalisering virkelig nødvendig?
Hver eneste dag bruger virksomheder millioner af dollars på dataloger, softwareingeniører og AI-applikationer.
De fleste af disse virksomheder har ingen strategi for at maksimere deres investering. De ved ikke, hvordan de skal udnytte deres teknologiske investering for maksimal indflydelse på omsætning eller overskud.
Spændende anvendelser af kunstig intelligens
Kunstig intelligens er et varmere emne i dag end nogensinde. Fra selvkørende biler til personlige assistenter trænger AI langsomt ind i vores daglige liv.
Kunstig intelligens (AI) er et område inden for datalogi, der undersøger muligheden for tænkende computere og maskiner.
Hvad mere er, det er ikke længere en teori, men en realitet på mange måder. Der er allerede mange anvendelser på plads, der er udviklet med hjælp fra AI, herunder forretningsapplikationer.
Det sidste årti har set en eksplosion af anvendelser inden for kunstig intelligens, maskinlæring og dyb læring.
Dette har ført til fremskridt inden for en bred vifte af anvendelsesområder, herunder dokumentklassifikation og -behandling, forståelse af naturligt sprog og bioinformatik.
Et voksende antal meget effektive metoder til talebehandling og billedklassifikation anvendes med succes inden for robotik og computer vision.
Vi er vidner til eksponentiel vækst i brugen af dyb læring inden for web-søgealgoritmer, oversættere, talegenkendelse, billed- og fotoklassifikatorer.
Desuden har kunstig intelligens gjort det muligt for os at automatisere gentagne opgaver med lidt eller ingen menneskelig indgriben.
AI er fremtiden. Er du klar til at håndtere risikoen?
Der har været meget snak på det seneste om værdiens løfte knyttet til potentialet af kunstig intelligens.
Imidlertid viser afkastet af investeringen i AI sig at være vanskelig for mange organisationer, og værre endnu ser de sig selv falde bagud i forhold til andre, der har overvundet udfordringen.
Ofte drejer diskussionen sig om teknologier, der var fundamentale og muliggørende, men ikke nok til at generere forretningsresultater.
For de fleste organisationer har interessen for AI i første omgang været fokuseret på levering af analytiske og maskinlæringsmodeller som artefakter i denne første fase af udnyttelsen.
På den anden side er aspektet af deres integration med it- og forretningsleveringsprocesser blevet overset, det vil sige aspektet af deres "operationalisering".
Sidstnævnte aspekt er afgørende for at reducere "time-to-value", idet det tager måneder at integrere en AI-model i en forretningsworkflow og opnå de første fordele.
Der er mange grunde til dette, men en nøgleårsag er, at AI kræver forskellige færdigheder end traditionel softwareudvikling.
De fleste virksomheder har dataloger, der kan skabe modeller og algoritmer, der driver deres kunstige intelligenssystemer, men få har teknisk personale, der kan oprette og vedligeholde den softwareinfrastruktur, der gør det muligt for disse modeller at køre og algoritmer i stor skala.
På et højt niveau kan den softwareinfrastruktur, der kræves for AI, synes lignende den, der kræves for traditionel softwareudvikling. Men på et lavere niveau kræver det forskellige færdigheder og tænkning.
De personer, der er bedst egnet til at opbygge denne infrastruktur, er dem med erfaring inden for både teknologi, processtyring og en strategisk vision for forretning og innovation.
Årsagerne til kompleksiteten er forskellige. Manglende sikkerhed og privatliv, utilstrækkelig mængde og kvalitet af data, tilgængelighedsudfordringer, begrænset forståelse af brugssager og relaterede fordele, utilstrækkelige interne færdigheder, for at nævne nogle få.
Den virkelige risiko ved en sådan situation er at skabe skepsis hos vigtige interessenter om fordelene og den transformerende virkning af AI på deres organisation.
Begejstringen for AI kan falme, og AI vil blive opfattet som bare en anden teknologi i stedet for noget, der grundlæggende kan ændre måden, organisationer fungerer på.
ModelOps
Hvad kan vi gøre for at håndtere denne kompleksitet?
Data er naturligvis det fælles element, der ligger til grund for alle afhængigheder.
Selvom det er nødvendigt at arbejde med teknologier, er det også nødvendigt at overveje aspektet af arbejdspraksis og driftsmodeller.
Alt hvad der er nødvendigt for at integrere data og AI på en industrialiseret måde i drift og forretningsprocesser.
ModelOps (AI Model Operationalization) er uden tvivl hjertet i enhver AI-strategi.
ModelOps er en holistisk tilgang til at gøre forudsigelig analyse og maskinlæringsworkflows operationelle.
Teams drager fordel af at sætte disse workflows i aktion, maksimere dem og samtidig minimere spildt tid på gentagne opgaver, så de kan fokusere på det, der virkelig betyder noget.
Gartner definerer ModelOps som praksisser, hvis mål er at automatisere en fælles sæt operationer, der opstår i datalogiprojekter, såsom modeltræningsrørledninger, versionskontrol, datamanagement, eksperimentover vågning, test og distribution.
Det sigter mod at operationalisere alle forudsigelige analyse-, maskinlærings- og kunstig intelligensmodeller. Det hjælper med at opbygge automatiserede testprocedurer, der opdager kodningsfejl langs projektets leveringsrørledning.
ModelOp Center: En platform til at forbinde dig og modellernes verden
Organisationer, der investerer stort i at udvikle AI-modeller, kan gøre meget for at forbedre deres effektivitet. De kan optimere deres processer, strømline deres aktiviteter og øge deres margener ved at skifte fra traditionelle manuelle praksisser til branchens bedste modeloperationer.
En ModelOps-platform som ModelOp Center automatiserer alle aspekter af modeloperationer, uanset hvilken type model, hvordan den udvikles, eller hvor den køres. Automatisering har en række fordele.
Den forbedrer beslutningstagning for at øge ledetider og maksimere produktionshastigheder og kapacitet. Den hjælper virksomheder med at planlægge bedre og skære omkostninger ved at minimere personaleomkostninger. Den hjælper med at indfange data, der ellers ville være gået tabt med manuelle metoder.
ModelOp Center er en innovativ løsning, der automatiserer alle aspekter af modeloperationer, uanset hvilken type model, hvordan den udvikles, eller hvor modellen køres.
Ved hjælp af ModelOp Centers platform kan organisationer let og effektivt automatisere og styre modeloperationelle processer. Udover at levere betydelige forbedringer i operationel effektivitet for deres interne teams, nyder ModelOp Centers kunder også godt af reducerede omkostninger og forbedret kontrol over modeloperationer.
Kunder kan vælge at installere ModelOp Center i deres miljø, enten on-premises eller i deres private cloud, uanset om det er AWS, Azure eller Google Cloud Platform (GCP).
En introduktion til Modelops for Dummies: En komplet guide
ModelOps for Dummies er en god bog at læse. Med den holdning, at ingen, der læser denne bog, er en "dummie", hverken før eller efter.
Denne bog er for bestyrelses- og C-level-ledere, der ønsker at overleve og trives i den kommende modeldrevne verden.
Den er ikke for dataloger, den er rettet mod ledere ansvarlige for innovationsstyring, der har ansvaret for at omdanne deres organisation til en modeldrevet virksomhed. De skaber ikke AI-modellerne; de bruger dem bare i forretningen for at gøre det. De er de mennesker, der har ansvaret for at levere værdi til deres organisationer ved at bevise den faktiske ROI fra ethvert AI-projekt. Denne bog er tiltænkt dem, der ønsker at beskytte deres forretning mod modelrisici og overholdelsesproblemer.
Der er meget læsning om Python, C++, og hvordan man træner AI/ML-modeller. Men alle synes at opdage det virkelige problem inden for AI: hvordan virksomheder kan sætte disse ting i drift og skala.
Dette er den egentlige grund til, at jeg anbefaler dig at læse denne bog, fordi den fokuserer på forretnings- og risikostyringsemnet.
Efter min mening er ModelOps for Dummies en must-read for ledere, der sigter mod at:
• Måle deres afkast på investeringen fra AI;
• Få en 360-graders oversigt over deres modeller på tværs af hele virksomheden;
• Håndtere modelrisici og overholdelsesproblemer.
Denne bog er anderledes end alle andre bøger om AI. Den er skrevet af en forretningsudøvende for forretningsudøvende og navigerer let gennem det, der typisk er et meget teknisk emne, og den er ikke beregnet til dataloger.
Konklusion
ModelOps er en kapacitet, der ligger i centrum af enhver organisations virksomheds-AI-strategi. Det er en teknologi, der kan bruges til at konvergere og centralisere forskellige AI-arter, platforme og løsninger og samtidig sikre skalering og governance.
Ved at integrere forretningsprocesser i ModelOp Center løser vi ikke kun implementering, overvågning og governance af modeller, men skaber også en bro mellem drift, IT og datalogi.
Uanset om du er en erfaren veteran inden for AI eller ML eller blot begynder at udforske mulighederne, vil bogen ModelOps for Dummies lære dig, hvordan du kan udnytte ModelOps og gøre din organisation mere konkurrencedygtig.
Du kan downloade hele bogen her.
Husk: 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.