Nos últimos dois anos, as grandes empresas têm vindo a expandir os seus esforços de AI e de aprendizagem de máquinas para implementar diferentes modelos de produção baseados em AI. Estas organizações estão a apostar cada vez mais em modelos de Aprendizagem Automática, mas actualmente, apenas metade destes são implementados.
Estima-se que o valor total anual gerado em investimentos para implementar a IA se situa entre 9.000 e 15.000 milhões de dólares. Contudo, muito deste valor potencial é perdido se os modelos analíticos não forem trazidos para a produção. Várias empresas identificaram as deficiências do processo de implementação, e a ModelOps surgiu como uma solução para os desafios da implementação da IA nos modelos de produção.
O ModelOps permite a introdução de modelos de IA na produção, e às equipas de desenvolvimento incorporar facilmente estes modelos nas aplicações de software de cada ferramenta alimentada por IA. Estas ferramentas destinam-se a automatizar a monitorização contínua do processo e a abordar as mudanças necessárias para optimizar e melhorar o desempenho, para que possa detectar se o modelo de produção está a tornar-se obsoleto, e depois actualizar o modelo em conformidade.
O que é ModelOps?
ModelOps é uma abordagem holística à criação de modelos analíticos que podem ser rapidamente introduzidos na produção de qualquer empresa. Um dos principais objectivos do ModelOps é automatizar a implementação, monitorização e melhoria contínua dos modelos analíticos de dados em execução na empresa. Esta tecnologia é uma variação do DevOps.
ModelOps concentra-se na análise de aplicações, enquanto o DevOps se concentra no desenvolvimento de aplicações. Assim, o modelo em questão, que reflecte as práticas DevOps para assegurar a conformidade, a segurança e a capacidade de gestão de TI, é crucial para que a análise preditiva possa melhorar o desempenho do processo.
O conceito ModelOps define as pessoas, processos e tecnologia para ajudar as organizações a obter o máximo valor da análise, tendo em conta todos os novos modelos de produção.
medida que os modelos se degradam, é necessário realizar uma actualização, tentando ajustar e implementar novos parâmetros de desempenho, estes incluem:
- Definir e seguir objectivos de precisão dos modelos através do desenvolvimento, validação e implementação.
- Identificar as métricas empresariais afectadas pelo modelo em funcionamento.
- Métricas de rastreio tais como tamanho dos dados e frequência de actualização, localizações, categorias, e tipos. Estas métricas podem ajudar a determinar se as questões de desempenho dos modelos são o resultado de alterações de dados e as suas origens.
- Monitorizar a quantidade de recursos informáticos ou modelos de memória que estão a consumir.
Tudo isto significa que os modelos se degradam, sendo um requisito indispensável para o rever continuamente de modo a que o desempenho não seja afectado, o que depende tanto da construção do modelo, como dos dados por ele gerados, das actualizações periódicas e da reestruturação após cada actualização.
ModelOps funciona de uma forma que lhe permite gerir e dimensionar modelos para satisfazer a procura. Efectuar uma monitorização contínua para detectar e corrigir falhas e desvios. Como mencionado acima, o ModelOps baseia-se nos princípios DevOps, mas esta última tecnologia não é adequada para modelos de produção, uma vez que não existem conceitos nela referentes à depreciação de software ao longo do tempo, o que faz com que qualquer modelo de produção requeira uma actualização com novos dados recolhidos.
Benefícios da adopção de ModelOps
O ModelOps foi concebido para acelerar e melhorar a produtividade das equipas analíticas e de operações informáticas, independentemente da linguagem analítica utilizada, dos dados acedidos ou do local onde o modelo será implantado. Esta tecnologia procura implementar modelos de produção que incluem o acesso a dados de uma fonte confiável e a manutenção de normas de privacidade e segurança, evitando assim a necessidade de conceber um novo modelo cada vez que o processo é actualizado. Isto preserva a linhagem de dados e a informação de rastreio para a conformidade da auditoria.
Portanto, a adopção de ModelOps permite monitorizar o desempenho da implantação de uma infra-estrutura baseada em IA. O acima exposto, em conjunto com as ferramentas ModelOps, resulta em transparência e compreensibilidade da IA que melhora a confiança na tecnologia empresarial e na digitalização.
A sincronização de ModelOps e DevOps abre novas oportunidades
Os cientistas de dados utilizam o ModelOps enquanto os criadores utilizam o DevOps. ModelOps é onde a ciência dos dados encontra a TI de produção, gerando valor comercial. Assim, a criação de ModelOps juntamente com DevOps pode tornar os modelos de injecção em aplicações um processo mais simples e de alto desempenho para qualquer empresa.
Tipicamente, os modelos de produção são implantados de uma só vez, mas a integração de aplicações, monitorização e afinação de modelos, ou seja, a automatização desses modelos é dispendiosa e demorada. É por isso que faz sentido unir o desenvolvimento de modelos e aplicações numa plataforma de dados e inteligência onde se pode aproveitar a informação recolhida através de dados.
IBM MultiCloud ModelOps
A IBM deu vida ao Multicloud ModelOps, responsável por cobrir ciclos de vida de ponta a ponta para optimizar a utilização de modelos e aplicações através das nuvens. Foi especificamente concebido para ser utilizado em modelos de aprendizagem automática, modelos de optimização e modelos operacionais. As ModelOps Multicloud destinam-se a facilitar a integração e distribuição contínua (CI/CD).
No seu ecossistema apresenta tecnologias como AutoAI, IBM Cloud Pak for Data que permitem uma implementação óptima de ModelOps e DevOps, de modo a que uma actualização e implementação de novos modelos seja realizada regularmente para se adaptar aos requisitos e necessidades de diferentes empresas. O AutoAI facilita a colaboração entre a equipa de ciência de dados, reduzindo a complexidade da implantação e optimização de modelos na produção.
As principais características do ModelOps Multicloud são:
- A capacidade de adquirir dados automaticamente, seleccionar modelos, realizar engenharia de características e optimizar hiperparâmetros.
- Visualizar os preconceitos dos modelos, aprender como mitigá-los e explicar os resultados.
- Gerar a substituição do modelo, detectando a inconsistência de dados que causa o desvio.
- Processar dados antes de actualizar novos modelos, tratar erros, e incluir chamadas de modelos.
- Implantar e enviar modelos praticamente para qualquer lugar.
- Criar, executar e gerir modelos numa interface unificada, juntamente com a melhoria contínua dos modelos utilizando um loop de feedback.
Por outro lado, existem mais produtos no mercado, tais como a Lumen. Este produto é uma plataforma que permite aos cientistas de dados implementar modelos de forma mais eficiente. A Lumen fornece a automatização necessária para racionalizar o processo de implementação.
Esta tecnologia nega firmemente a necessidade de uma equipa de programadores, uma vez que a plataforma esteja operacional, uma vez que pode implementar rapidamente modelos de uma forma automatizada. Isto permite que novos modelos existentes sejam testados e actualizados e que novos casos de utilização sejam explorados. Assim, a organização tem a garantia de que o investimento em dados está a produzir grandes retornos.
Conclusões
As empresas que têm modelos de aprendizagem de máquinas implantados na produção precisam de acompanhar o ritmo da sua actualização, para que não se tornem obsoletos e possam acompanhar as mudanças do mercado.
A IA torna possível optimizar modelos e aprender quando utilizá-los em diferentes condições. Além disso, existem actualmente muitos modelos para resolver vários problemas empresariais, e no actual ambiente altamente dinâmico, a natureza dos problemas e a aplicabilidade de um determinado modelo está em constante mudança. Graças ao ModelOps já não é necessário implementar actualizações um a um dos modelos de produção gerados por estas alterações.
Em conclusão, tentar tornar-se uma verdadeira organização baseada em infra-estruturas de IA requer uma capacidade de análise completa e eficiente. Isto coloca a ModelOps no centro do mercado, o que, trabalhando em conjunto com a DataOps e a DevOps, resultará na obtenção de grande desempenho e benefícios.
