avril 5, 2021

Pourquoi les dirigeants d’entreprise devraient être branchés sur les outils de ML

Par admin2020

[ad_1]

J’ai passé la majeure partie de ma vie professionnelle à l’ère de l’IA et du ML. Auparavant, chez Uber, je travaillais avec des modèles qui estimaient les ETA, calculaient les prix dynamiques et faisaient même correspondre les passagers avec les chauffeurs. Mon co-fondateur Jason dirigeait auparavant la société de publicité vidéo TubeMogul (acquise par Adobe), qui comptait sur ML pour s’assurer que ses annonceurs ne gaspillaient pas leurs dépenses médias sur des publicités que personne ne voyait, ou des publicités que seuls les robots ont vues.

Bien que le covoiturage et la publicité vidéo ne soient pas souvent utilisés dans la même phrase, Jason et moi avons été confrontés à des défis similaires pour garantir que les modèles déployés par nos entreprises fonctionnent efficacement et sans parti pris. Lorsque les modèles ne fonctionnent pas comme prévu et que les machines, entraînées par les données, prennent de mauvaises décisions, il y a un impact direct sur les résultats commerciaux. Les entreprises ont été entièrement construites sur le dos d’implémentations exceptionnelles de ML, tandis que d’autres ont connu des difficultés et ont échoué.

Une question clé qui se pose aujourd’hui aux chefs d’entreprise est la suivante: pourquoi certaines entreprises s’en sortent-elles si mal avec leurs initiatives de ML alors que d’autres réussissent? Pour comprendre comment et pourquoi certaines initiatives d’apprentissage automatique et d’IA échouent, ne cherchez pas plus loin que l’évolution du développement logiciel.

Au fur et à mesure que le développement logiciel mûrissait, une série de solutions et d’outils ont été créés pour traiter des étapes distinctes tout au long du cycle de vie. Le besoin de ces outils a engendré des entreprises et ces entreprises ont fusionné pour créer de nouvelles catégories industrielles pour la planification, la conception, les tests, le déploiement, la maintenance et la surveillance des systèmes en cas de problème en production.

Les dirigeants astucieux ont commencé à comprendre que la transformation numérique était essentiellement rendue possible par des logiciels qui permettaient à leurs organisations de mieux interagir avec les clients et de gérer plus efficacement tous les autres aspects des opérations commerciales. En quelques années à peine, les logiciels sont passés d’un centre de coûts à la pierre angulaire de presque toutes les entreprises.

L’espace d’apprentissage automatique suit un chemin similaire à celui du développement logiciel. Tout comme les outils ont émergé pour gérer des étapes discrètes tout au long du cycle de vie du développement logiciel, le processus de développement de modèles appris par machine comporte un ensemble de catégories qui émergent autour de la recherche, de la construction, du déploiement et de la surveillance des modèles.

Et tout comme la transformation numérique assistée par logiciel est devenue la compétence des PDG, comprendre le fonctionnement interne des initiatives d’IA et de ML est entré dans le domaine des chefs d’entreprise. Dans toute entreprise axée sur les données, comment fonctionne le ML et comment il peut générer un retour sur investissement positif sont désormais des questions qui doivent être comprises par la suite C.

Les premiers résultats sont prometteurs: Deloitte Access Economics a compilé une base de données de plus de 50 applications ML dans le monde pour estimer le ROI ML. Les estimations montrent que le retour sur investissement du ML au cours de la première année peut varier «d’environ 2 à 5 fois le coût, selon la nature du projet et une série de facteurs, notamment l’industrie et le succès de la mise en œuvre».

Les applications de l’IA / ML sont bien documentées. Les cas d’utilisation courants incluent le service client et le support, l’automatisation et la recommandation des processus de vente, l’intelligence et la prévention des menaces, l’analyse et les enquêtes de fraude et la maintenance préventive automatisée.

Mais quels sont les outils que chaque PDG devrait comprendre pour participer à des discussions techniques importantes sur les initiatives de ML / IA?

Notre recherche autour des outils et catégories émergents conduit aux conclusions suivantes:

Magasin de fonctionnalités

L’objectif d’un magasin de fonctionnalités est de fournir un référentiel central pour les fonctionnalités (données) utilisées pour l’apprentissage automatique. Les magasins de fonctionnalités gèrent les transformations de fonctionnalités hors ligne et en ligne et constituent l’élément clé de l’infrastructure de données pour les plates-formes d’apprentissage automatique. Tel que: Tecton

Magasin de modèles

Comme il faut de l’expertise et des ressources pour construire des modèles personnalisés, la réutilisation de modèles existants formés par des experts, des magasins de modèles, inspirés des magasins d’applications, ont vu le jour. Ces magasins de modèles donnent accès à des modèles et à une infrastructure pré-formés pour les déployer / les évaluer / les recycler. Tel que: Poids et biais

Magasin d’évaluation

C’est là qu’intervient ML Observability.Une fois les modèles suivis et stockés dans votre magasin de modèles, la dernière exigence est la possibilité de sélectionner un modèle à expédier et de surveiller ses performances en production. Les magasins d’évaluation contiennent les métriques de performance pour chaque version de modèle et permettent aux équipes de relier les changements de performances à la raison pour laquelle ils se sont produits. Ils sont également utilisés pour surveiller et identifier la dérive, les problèmes de qualité des données ou les dégradations de performances anormales, ainsi que pour fournir une plate-forme d’expérimentation aux versions de modèle de test A / B. Un magasin d’évaluation fournit une plate-forme pour aider à fournir des modèles en continu avec une haute qualité et des boucles de rétroaction pour l’amélioration et comparer la production à la formation. Tel que: Arize AI

Comme notre ami Josh Tobin souligne, un magasin d’évaluation peut être utilisé pour répondre à des questions telles que «Comment mes mesures commerciales se comparent-elles pour le modèle A et le modèle B au cours des 60 dernières minutes» ou «Dans quelle mesure ma précision est-elle pire au cours des 7 derniers jours qu’au cours de formation? »

Une fois que les réponses à ces questions et à des questions similaires ont été répondues à l’aide d’un magasin d’évaluation, les équipes de ML peuvent rapidement résoudre les problèmes en toute confiance et s’assurer que les initiatives de ML restent sur la bonne voie.

Sans les outils pour raisonner sur les erreurs qu’un modèle fait dans la nature, les équipes investissent énormément d’argent dans le laboratoire de science des données, mais volent essentiellement à l’aveugle dans le monde réel.

Les PDG doivent prêter attention à un éventail de choses, des actionnaires et des talents à la nature changeante des marchés et des technologies émergentes. À mesure que le ML / AI continue d’évoluer, poser les bonnes questions et comprendre la relation entre les outils et les résultats qu’ils permettent peut aider à réduire l’incertitude et à clarifier la façon dont une initiative d’IA / ML gérée efficacement peut générer des résultats commerciaux.

[ad_2]

Source link