online gambling singapore online gambling singapore online slot malaysia online slot malaysia mega888 malaysia slot gacor live casino malaysia online betting malaysia mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 AI 大規模應用的關鍵:ModelOps 打造「生生流轉」模型生態系

摘要: 從影像辨識、語音辨識,到深度學習,各產業近年來都看好 AI 人工智慧所帶來的龐大效益,但真正能從開發走到應用的企業卻不在多數,根據 Gartner 調查,受訪企業原本預期一年之內能有 23% 的 AI 計畫完成部署,但一年後卻僅有 5% 真正被部署,究竟 AI 在落地運用上遇到什麼困境?

 


images/2021-03-10_44404

▲圖片標題(來源:科技報橘)

SAS 台灣業務顧問部陳新銓副總經理分析,初期從情境確認、資料分析到每一次模型部署上線,企業內部就需花費大量的時間溝通,而等到模型上線後,又會因為情境需求改變,甚至是日益增長的資料而讓模型執行環境變得不堪使用。

後期在 AI 模型管理上,許多企業會以為管理 AI 模型跟一般網頁一樣,只需要管理程式碼,但其實兩者間有很大的落差,網頁開發完成後就算放置不更新,基本功能也不會有所改變,但是 AI 模型卻會在開發完成後,隨著時間失去它的精準度。至於在 AI 開發與應用的細節上還有哪些常見迷思?

從實驗環境走向大規模 AI 應用 ,企業必經的 3 大挑戰

首先,陳新銓副總點出許多企業在發展 AI 時常會有一大迷思:耗費太多時間與精力在「模型建立」階段,然而根據 Google 所發表的一篇 AI 研究論文指出,團隊若想將 AI 從實驗環境走到實際應用,模型建立其實只佔整個 AI 開發的一小部分,後面還有更多架構與流程管理的「隱藏技術債」需解決。

再者,企業在導入 AI 應用時,通常都是從小規模專案開始進行,當有了成效後,才會進一步擴大 AI 應用的範圍或深度。陳新銓副總以某零售業者為例,起初協助他們建立 VIP 客戶最適商品預測模型,在初嚐甜頭後希望擴大規模延伸到更多客群,然而在過程中即遇到「模型數量暴增」、「機器學習團隊溝通協作不易」,和「模型準確率隨時間下降」3 大挑戰。

第一個挑戰:模型數量暴增,部署時間也暴增

例如某業者想將過去「VIP 顧客最適商品預測模型」進階應用到「各類型顧客的最適商品預測模型」,假設簡單把顧客分成 10 種客群,商品品項總共有 20 種,每一種客群或品項都要運用至少 5 種機器學習演算法,以便從中找出冠軍模型,資料科學團隊就會從過去僅須建立 1 種模型,暴增到需要建出 1,000 種預測模型,才能滿足預測需求情境!

同時,模型數量增加,工作時間也會增加,如果依照先前建立 VIP 客戶預測模型須花費 1 年時間的規劃,想完成 1,000 個模型可說曠日廢時,對企業來說是不可行的投資。

第二個挑戰:當團隊人數增加,跨部門人數多、溝通協作不易

當然,透過增加資料科學團隊的人力也是一種解方,但在實際執行時就會面臨到第二個挑戰:溝通問題,原本從資料準備、模型訓練、再到模型部署等工作,幾乎都是同一個資料科學家負責,但隨著團隊規模擴大、分工越來越細,這些工作可能由資料工程師、資料科學家、架構工程師跨部門協作,在溝通與協作上就容易出現問題。

詳見全文: 科技報橘

若喜歡本文,請關注我們的臉書 Please Like our Facebook Page:    Big Data In Finance

 


留下你的回應

以訪客張貼回應

0
  • 找不到回應

YOU MAY BE INTERESTED