harvestingurbantimber.com

A lovely story

ใช้ประโยชน์จาก MLOps เพื่อปรับขนาด AI/ML ให้กับองค์กร

ใช้ประโยชน์จาก MLOps เพื่อปรับขนาด AI/ML ให้กับองค์กร เว็บไซต์ ส่วนหนึ่งของซีรี่ส์พอดคาสต์ For Cloud ProfessionalsAI/ML สามารถช่วยเปลี่ยนแปลงวิธีที่บริษัทรวบรวมข้อมูลเชิงลึกในธุรกิจของตนได้ แต่มักจะเป็นเรื่องยากที่จะนำแบบจำลอง AI/ML ไปใช้กับการผลิตในวงกว้าง ป้อน MLOps ซึ่งใช้แนวทางที่มีระเบียบวินัยในการปรับขนาด AI/ML ให้กับองค์กร การออกแบบเว็บไซต์ ปรับขนาดกระบวนการ AI/ML ให้กับองค์กรด้วย MLOpsปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง (AI/ML) มีศักยภาพที่น่าทึ่งในการให้ข้อมูลเชิงลึกเกี่ยวกับการเปลี่ยนแปลง อย่างไรก็ตาม การปรับขนาดโมเดล AI/ML ให้กับองค์กรมักเป็นเรื่องยาก ในตอนนี้ Mike Kavis และแขกรับเชิญ Sudi Bhattacharya แห่ง Deloitte อภิปรายเกี่ยวกับระเบียบวินัยที่เกิดขึ้นใหม่ของ MLOps และการช่วยให้องค์กรพัฒนาโมเดลเสียงและปรับขนาดให้เข้ากับการผลิตระดับองค์กร ดังนั้นจึงปิดช่องว่าง “การฝึกสู่การผลิต” สำหรับ AI/ML จากข้อมูลของ Sudi MLOps ใช้แนวทางสามขั้นตอน: ฝึกอบรมโมเดลอย่างต่อเนื่อง พัฒนาเฟรมเวิร์กการปรับใช้ที่มีประสิทธิภาพ (รวมถึงทีมที่เหมาะสม) และการรวมโมเดล AI/ML เข้ากับกระบวนการทางธุรกิจ […]

MLOps : AI อุตสาหกรรม การพัฒนาแบบจำลอง และการดำเนินงานที่ปรับขนาดด้วยปริมาณ

MLOps : AI อุตสาหกรรม การพัฒนาแบบจำลอง และการดำเนินงานที่ปรับขนาดด้วยปริมาณของ วินัยทางวิศวกรรมและการปฏิบัติงาน เว็บไซต์ ยุคของ AI ช่างฝีมือต้องหลีกทางให้ MLOps—การประยุกต์ใช้ระเบียบวินัยทางวิศวกรรมเพื่อทำให้การพัฒนา บำรุงรักษา และการส่งมอบแบบจำลอง ML เป็นแบบอัตโนมัติ—เพื่อลดวงจรชีวิตการพัฒนาและอุตสาหกรรม AI การออกแบบเว็บไซต์ โมเดลแมชชีนเลิร์นนิงที่ซับซ้อนช่วยให้องค์กรค้นพบรูปแบบ เปิดเผยความผิดปกติ คาดการณ์และตัดสินใจ และสร้างข้อมูลเชิงลึกได้อย่างมีประสิทธิภาพ Forrester รายงานว่าผู้มีอำนาจตัดสินใจด้านเทคโนโลยีด้านข้อมูลและการวิเคราะห์มากกว่าครึ่งได้ดำเนินการหรืออยู่ในขั้นตอนการนำ AI บางรูปแบบไปใช้ 1เนื่องจากแมชชีนเลิร์นนิงและ AI กลายเป็นตัวขับเคลื่อนหลักของประสิทธิภาพองค์กรมากขึ้นเรื่อยๆ องค์กรต่างๆ จึงตระหนักถึงความจำเป็นในการเปลี่ยนจากฮีโร่ส่วนตัวเป็นประสิทธิภาพทางวิศวกรรม ไปจนถึงการย้ายโมเดล ML อย่างมีประสิทธิภาพจากการพัฒนาไปสู่การผลิตและการจัดการแม้จะมีการนำ ML ไปใช้เพิ่มขึ้น องค์กรจำนวนมากก็ยังขัดขวางความพยายามของพวกเขาด้วยกระบวนการพัฒนาและปรับใช้ที่ยุ่งยาก เปราะบาง ซึ่งขัดขวางการทดลองและขัดขวางการทำงานร่วมกันระหว่างทีมผลิตภัณฑ์ เจ้าหน้าที่ปฏิบัติงาน และนักวิทยาศาสตร์ข้อมูล ในการสำรวจหนึ่งของผู้มีอำนาจตัดสินใจทางธุรกิจเกือบ 750 คน มีเพียง 8% เท่านั้นที่พิจารณาว่าโปรแกรม ML ของบริษัทของพวกเขานั้นซับซ้อน และการปรับใช้เกิดขึ้นช้าเกินไป: ร้อยละ 22 กล่าวว่าต้องใช้เวลาระหว่างหนึ่งถึงสามเดือนในการปรับใช้แบบจำลอง ML ที่พัฒนาขึ้นใหม่ในการผลิต […]