20 Apr MLOps: ecco dove investire tempo e risorse

Per implementare MLOps dobbiamo investire tempo e risorse in: processi, persone e strumenti. Dei processi abbiamo già discusso (qui), non ci resta che svelare gli altri due punti!

Persone: lascia che i team si concentrino su ciò che sanno fare meglio.

Potremmo essere portati a pensare che lo sviluppo dell’intelligenza artificiale sia responsabilità di un singolo team di AI data science. Tuttavia, la sua applicazione su larga scala non può essere seguita da un singolo team: richiede infatti una gran varietà di skills specifiche. Pochissime persone le possiedono tutte contemporaneamente.

Ad esempio: un data scientist crea modelli algoritmici in grado di prevedere in modo accurato e coerente il comportamento dell’intelligenza artificiale, mentre un ingegnere ML ottimizza, impacchetta e integra i modelli di ricerca nei prodotti e ne monitora la qualità su base continuativa. Una sola persona raramente è in grado di ricoprire con efficacia entrambi i ruoli. Conformità, governance e rischio richiedono un insieme di competenze ancora più specifico. Quindi, man mano che l’intelligenza artificiale viene applicata ad un livello sempre più ampio, saranno necessarie sempre più competenze.

Per potenziare con successo l’utilizzo dell’IA, i leader aziendali dovrebbero creare e sostenere team specializzati e dedicati in grado di concentrarsi su priorità strategiche di alto valore. Il segreto per il successo? Lasciare che i data scientist facciano scienza dei dati, gli ingegneri seguano l’ingegneria, l’IT si concentri sull’infrastruttura.

Man mano che le organizzazioni hanno portato avanti la propria costruzioni di una intelligenza artificiale, sono emerse due distinte tipologie di lavoro:

• il “modello pod”, in cui un piccolo team composto da un data scientist, un ingegnere di dati, un ML o un ingegnere del software sviluppa il prodotto AI.
• Il “Centro di eccellenza” o modello COE (Centre of Excellence). Questo metodo di lavoro si incontra quando l’organizzazione riunisce tutti gli esperti di scienza dei dati, assegnandoli poi a diversi team di prodotto, a seconda dei requisiti e della disponibilità delle risorse.

Entrambi gli approcci sono stati implementati con successo e presentano diversi pro e contro. Il modello pod è più adatto ad un’esecuzione rapida ma può limitare la condivisione del know how, il modello COE presenta invece la situazione opposta. Attenzione: qualunque sia il modello prescelto, è bene tenere sempre a mente che i team di governance sono più efficaci quando siedono al di fuori dei pod e dei COE.

Strumenti: scegli strumenti che supportino creatività, velocità e sicurezza.

Infine, veniamo agli strumenti. Dato che il tentativo di standardizzare la produzione di IA e ML è un progetto relativamente nuovo, l’ecosistema della scienza dei dati e degli strumenti di apprendimento automatico è molto frammentato. Per costruire un unico modello, uno scienziato dei dati lavora con circa una dozzina di strumenti altamente specializzati. L’IT o la governance utilizzano un insieme di strumenti completamente diverso e, purtroppo, questi strumenti distinti non si parlano facilmente! Di conseguenza, è facile svolgere un lavoro una tantum, ma è difficile creare un flusso di lavoro solido e ripetibile.

Questo limita la velocità con la quale AI diventa applicabile su ampia scala all’interno di un’organizzazione. Un insieme non omogeneo di strumenti può portare a lunghi tempi di commercializzazione e alla creazione di prodotti di intelligenza artificiale senza un’adeguata supervisione!

Man mano che l’intelligenza artificiale viene adottata all’interno di un’organizzazione, la collaborazione diventa sempre più fondamentale per il successo. Un’iterazione più rapida richiede contributi continui da parte delle parti interessate, durante tutto il ciclo di vita del modello. Trovare lo strumento o la piattaforma corretta è un passaggio essenziale. Gli strumenti e le piattaforme che supportano l’IA su larga scala devono anche essere in grado di supportare creatività, velocità e sicurezza. Senza gli strumenti giusti, le aziende non potranno che trovarsi in difficoltà nel tentativo di mantenere contemporaneamente attivi quelli già presenti. 😮

Nel prossimo aggiornamento scopriremo quali caratteristiche tenere a mente, al momento della scelta. 

To be continued…

Credits: Hbr