More

    Deloitte: MLOps está prestes a decolar na empresa


    A Deloitte Consulting publicou um relatório hoje que sugere que uma era de ouro da IA ​​está se aproximando, assumindo que as organizações podem implementar e manter uma abordagem consistente para operações de aprendizado de máquina (MLOps).

    Citando a pesquisa de mercado conduzida pela Cognilytica focada em IA, o relatório MLOps: IA Industrializada da Deloitte observa que o mercado de plataformas MLOps deve gerar receitas anuais superiores a US $ 4 bilhões até 2025.

    Várias startups já estão focadas em fornecer essas plataformas. Menos claro, entretanto, é o grau em que os MLOps podem se tornar uma extensão das plataformas DevOps nas quais muitas organizações dependem hoje para construir e implantar software.

    No cerne desse debate está a maneira como as organizações atualmente constroem e implantam modelos de IA. A equipe de ciência de dados média tem sorte se puder construir e implantar dois modelos de IA por ano. No rastro da pandemia COVID-19, entretanto, as organizações aceleraram seus investimentos em IA como parte de um esforço para impulsionar transformações de negócios digitais, disse o diretor executivo do Deloitte AI Institute Beena Ammanath. “Este espaço vai esquentar nos próximos 18 meses”, disse Ammanath.

    À medida que as organizações buscam operacionalizar esses modelos de IA, o gerenciamento de MLOps em escala se torna um problema significativo, acrescentou ela.

    Naturalmente, as empresas de capital de risco e outros investidores estão despejando fundos em startups de MLOps na esperança de que uma abra o capital ou, mais provavelmente, seja adquirida. O candidato mais provável para fazer tal aquisição seria um provedor de uma plataforma de gerenciamento de TI existente, já que os MLOps se tornam cada vez mais parte das operações de TI convencionais.

    MLOps, no entanto, é diferente de inteligência artificial para operações de TI (AIOps). O primeiro se refere ao processo de construção e implantação de aplicativos que são infundidos com modelos de IA, enquanto o último se refere à aplicação de IA para automatizar o gerenciamento das operações de TI. O MLOps, na verdade, está pegando emprestado muitos dos princípios que as equipes de DevOps criaram para automatizar a construção e implantação de aplicativos para modelos de IA.

    Esses processos de MLOps não se estendem apenas à forma como os modelos de IA são construídos e implantados, mas também como são controlados e, eventualmente, aposentados. Um dos principais problemas com os modelos de IA é que os resultados podem variar com o tempo, conforme novas fontes de dados são disponibilizadas ou as condições de negócios mudam além do escopo do modelo inicial. Isso exige que as organizações atualizem esse modelo de IA ou substituam-no totalmente por outro modelo de IA. Em todos os casos, as equipes de TI precisam testar e validar continuamente as recomendações que os modelos de IA fazem para garantir que sejam consistentes, relevantes e operem dentro das diretrizes éticas.

    A coordenação desse nível de atividade entre equipes de cientistas de dados, desenvolvedores, engenheiros de dados, pessoal de garantia de qualidade e equipe de TI requer uma abordagem altamente disciplinada para MLOps, disse Ammanath.

    Nesta conjuntura, ainda existe uma boa dose de ceticismo saudável quando se trata de aplicar IA. Processos bem definidos tendem a se adequar melhor à automação usando algoritmos de aprendizado de máquina. Os dias em que a IA um dia poderia substituir totalmente a necessidade de humanos ainda está longe. Em vez disso, a maioria dos aplicativos de IA apenas aumenta as capacidades dos humanos.

    O desafio que as organizações enfrentam agora é que muitos de seus processos existentes estão se tornando obsoletos à medida que as organizações adotam a transformação de negócios digitais. Aplicar modelos de IA a processos de negócios que não são amplamente compreendidos é muito mais desafiador do que automatizar um processo que vem operando da mesma maneira há anos, observou Ammanath.

    Independentemente do caso de uso, não há como colocar o gênio da IA ​​de volta na proverbial garrafa. Quase todos os aplicativos serão aumentados em vários graus por um ou mais modelos de IA. O desafio e a oportunidade agora são fornecer as plataformas que tornem possível não apenas construir e implantar modelos de IA em escala, mas também revertê-los, quando necessário, antes que qualquer dano permanente seja infligido.


    Artigos Recentes

    Carga rápida: a maior competição do Galaxy S21 não é o que você pensa

    Já se passou mais de uma semana desde que a Samsung revelou o Galaxy S21 e o Galaxy S21 Ultra e eu passei...

    Os benefícios do assinante Spotify Premium não se aplicam a podcasts

    Uma das propostas principais do Spotify Premium é a capacidade de ouvir música ilimitada sem interrupção comercial. No entanto, se você espera...

    As lutas de transformação da IBM continuam com a receita de nuvem e IA caindo 4,5%

    Há alguns meses, na conferência Transform da CNBC, o CEO da IBM, Arvind Krishna, pintou o quadro de uma empresa em meio a...

    AirPods x AirPods Max

    A Apple já percorreu um longo caminho desde que incluiu pela primeira vez seus fones de ouvido redondos tradicionais na caixa do iPod...

    Artigos Relacionados

    DEIXE UMA RESPOSTA

    Por favor digite seu comentário!
    Por favor, digite seu nome aqui