
24 Mag Strumenti MLOps perfetti per la tua azienda in quattro mosse
Persone, processi e strumenti MLOps (qui la seconda parte). Ora che abbiamo svelato tutti gli ingredienti, scopriamo come scegliere la soluzione più giusta per la nostra azienda.
Scegliendo gli strumenti MLOps per la propria organizzazione, un leader non dovrebbe mai dimenticare di considerare quattro aspetti:
- Interoperabilità
- Interazione con data science e settore IT
- Livello di collaborazione
- Governance
Interoperabilità
Il più delle volte, all’interno dell’azienda saranno già presenti alcune infrastrutture di intelligenza artificiale. Per ridurre l’attrito nell’adozione di un nuovo strumento, meglio sceglierne uno che interagisca con l’ecosistema esistente. Per ciò che riguarda la produzione, ad esempio, i modelli scelti devono poter funzionare in collaborazione con gli strumenti DevOps già approvati dall’IT (ad es. strumenti per la registrazione, il monitoraggio, la governance). Meglio assicurarsi quindi che i nuovi strumenti funzionino con l’ecosistema IT adottato, o possano essere facilmente estesi per fornire questo supporto.
ATTENZIONE: Per le organizzazioni che passano dall’infrastruttura on-premise al cloud, è consigliabile trovare strumenti che funzionino in un ambiente ibrido, poiché la migrazione al cloud richiede spesso più anni.
Strumenti MLOps friendly sia per i data scientist che per l’IT
Gli strumenti per rendere operativa su larga scala IA hanno tre gruppi di utenti principali:
- i data scientist >> creano modelli
- i team IT >> gestiscono l’infrastruttura IA e gestiscono i modelli di IA in produzione
- i team di governance >> sovrintendono all’uso dei modelli in scenari regolamentati
Tra questi, data science e IT tendono ad avere esigenze opposte. Per consentire ai data scientist di svolgere al meglio il proprio lavoro, una piattaforma MLOps non deve essere di intralcio. Anzi, deve offrir loro la possibilità di utilizzare librerie a scelta e lavorare in modo indipendente, senza richiedere un costante supporto ingegneristico o del settore IT.
Al contrario, l’IT ha bisogno di una piattaforma che imponga vincoli e garantisca che le implementazioni di produzione seguano percorsi predefiniti e preapprovati. Una piattaforma MLOps ideale dovrebbe essere in grado di fare entrambe le cose.
Collaborazione.
L’IA è un’iniziativa multi-stakeholder: gli strumenti MLOps devono rendere semplice la collaborazione tra data scientist e ingegneri, garantendo contemporaneamente sinergia con governance e conformità. La condivisione delle conoscenze e la garanzia della continuità aziendale sono vitali. Per questo, durante lo sviluppo di prodotti dotati di intelligenza artificiale, la velocità di collaborazione tra data science e IT determina la velocità di immissione sul mercato. D’altra parte, la collaborazione in ambito governance garantisce che il prodotto abbia effettivamente un mercato!
Governance
Con IA e ML, la governance diventa molto più critica rispetto ad altre applicazioni. La governance in ambito intelligenza artificiale non si limita solo alla sicurezza o al controllo degli accessi in un’applicazione, è anche in grado di garantire l’affidabilità delle decisioni prese dall’applicazione stessa ed il suo livello di allineamento al codice etico dell’organizzazione. Di conseguenza, diventa essenziale per qualsiasi strumento MLOps introdurre pratiche per un’IA responsabile ed etica, comprese alcune funzionalità quali:
- elenchi di controllo “pre-lancio” per un utilizzo consapevole dell’IA,
- documentazione relativa al modello scelto,
- governance workflows.
In conclusione
Nella corsa per rendere operativa l’IA e realizzare più valore aziendale attraverso la tecnologia predittiva, i leader sono sempre alla ricerca di modi per essere all’avanguardia. Le scorciatoie, come ad esempio pre-trained models e API con licenza, possono essere preziose di per sé, ma l’applicazione dell’IA per il massimo ROI richiede che le organizzazioni si concentrino sul modo in cui intendono rendere operativa l’intelligenza artificiale. Le aziende con i modelli migliori o i data scientist più smart non sono necessariamente quelle destinate a dominare il mercato.
Il successo andrà alle aziende in grado di implementare e applicare l’IA in modo intelligente, per sbloccarne appieno il potenziale.
Credits: Hbr