تحقق من جميع الجلسات عند الطلب من قمة الأمن الذكي هنا.
يزدهر مشهد MLops ، في سوق عالمية قُدرت بـ 612 مليون دولار في عام 2021 ومن المتوقع أن تصل إلى أكثر من 6 مليارات دولار بحلول عام 2028. ومع ذلك ، فهي أيضًا مجزأة للغاية ، حيث يتنافس المئات من بائعي MLops على تشغيل المستخدمين النهائيين أنظمة الذكاء الاصطناعي (AI).
ظهرت MLops كمجموعة من أفضل الممارسات منذ أقل من عقد من الزمن ، لمعالجة واحدة من الحواجز الأساسية التي تمنع المؤسسة من وضع الذكاء الاصطناعي موضع التنفيذ – الانتقال من بيئات التطوير والتدريب إلى بيئات الإنتاج. هذا ضروري لأن ما يقرب من واحد من اثنين من طيارين الذكاء الاصطناعي لا يدخلان حيز الإنتاج أبدًا.
إذن ما هي الاتجاهات التي ستظهر في مشهد MLops في عام 2023؟ شارك مجموعة متنوعة من خبراء الذكاء الاصطناعي والتعلم الآلي توقعاتهم مع VentureBeat:
1. سوف يتجاوز MLops الضجيج
“لن يكون MLops مجرد موضوع ضجيج ، بل سيكون مصدرًا لتمكين علماء البيانات من جلب نماذج التعلم الآلي إلى الإنتاج. والغرض الأساسي منه هو تبسيط عملية تطوير حلول التعلم الآلي.
حدث
قمة أمنية ذكية عند الطلب
تعرف على الدور الحاسم للذكاء الاصطناعي وتعلم الآلة في الأمن السيبراني ودراسات الحالة الخاصة بالصناعة. شاهد الجلسات عند الطلب اليوم.
مشاهدة هنا
“بينما تدفع المؤسسات للترويج لأفضل الممارسات لإنتاج الذكاء الاصطناعي ، فإن اعتماد MLops لسد الفجوة بين التعلم الآلي وهندسة البيانات سيعمل على توحيد هذه الوظائف بسلاسة. سيكون أمرًا حيويًا في التحديات المتطورة التي ينطوي عليها توسيع نطاق أنظمة الذكاء الاصطناعي. وستكون الشركات التي ستتبناه العام المقبل وتسريع هذا الانتقال هي التي ستجني الفوائد “.
– ستيف هاريس ، الرئيس التنفيذي لشركة Mindtech
2. سوف يفضل علماء البيانات نماذج ML الخاصة بالصناعة والمحددة المجال
“في عام 2023 ، سنشهد عددًا متزايدًا من التعلم الآلي الذي تم إنشاؤه مسبقًا [ML] النماذج التي أصبحت متاحة لعلماء البيانات. إنها تلخص خبرة المنطقة في نموذج ML الأولي ، والذي يعمل بعد ذلك على تسريع وقت الوصول إلى القيمة ووقت التسويق لعلماء البيانات ومؤسساتهم. على سبيل المثال ، تساعد نماذج ML المبنية مسبقًا على إزالة أو تقليل مقدار الوقت الذي يتعين على علماء البيانات قضاؤه في إعادة تدريب النماذج وضبطها. ألقِ نظرة على العمل الذي يقوم به مجتمع Hugging Face AI بالفعل في قيادة السوق لنماذج ML الجاهزة للاستخدام.
“ما أتوقع رؤيته في العام المقبل وما بعده هو زيادة في نماذج التعلم الآلي الخاصة بالصناعة والمخصصة للنطاق ، مما يسمح لعلماء البيانات بالعمل على مشكلات أكثر استهدافًا باستخدام مجموعة محددة جيدًا من البيانات الأساسية ودون الحاجة إلى قضاء الوقت في أن تصبح خبيرًا في الموضوع في مجال غير أساسي لمنظمتهم “.
– Torsten Grabs ، مدير إدارة المنتجات ، Snowflake
3. سوف تتجاوز أحمال عمل AI و ML التي يتم تشغيلها في Kubernetes عمليات النشر غير التابعة لـ Kubernetes
“أعباء العمل الخاصة بالذكاء الاصطناعي والتعلم الآلي تزداد قوة ولكن المشاريع المهيمنة لا تزال غير موجودة حاليًا على Kubernetes. نتوقع أن يتغير ذلك في عام 2023.
“كان هناك قدر كبير من التركيز على تكييف Kubernetes في العام الماضي بمشاريع جديدة تجعله أكثر جاذبية للمطورين. ركزت هذه الجهود أيضًا على تكييف عروض Kubernetes للسماح باحتياجات الحوسبة المكثفة لـ AI و ML للعمل على وحدات معالجة الرسومات للحفاظ على جودة الخدمة أثناء استضافتها على Kubernetes “.
– باتريك مكفادين ، نائب رئيس علاقات المطورين ، DataStax
4. ستكون الكفاءة التشغيلية أحد بنود ميزانيات 2023 ML
لقد حدثت الاستثمارات التي تتمحور حول الكفاءة التشغيلية لعدة سنوات ، ولكنها ستكون نقطة محورية في عام 2023 ، خاصةً مع ظهور عوامل الاقتصاد الكلي واستمرار وجود مجموعة محدودة من المواهب. أولئك الذين يطورون مؤسساتهم من خلال التعلم الآلي (ML) والتقنيات المتقدمة يجدون أكبر قدر من النجاح في تصميم سير العمل الذي يتضمن جانب الإنسان في الحلقة. يوفر هذا النهج حواجز حماية تمس الحاجة إليها إذا كانت التكنولوجيا عالقة أو تحتاج إلى إشراف إضافي ، مع السماح لكلا الطرفين بالعمل بكفاءة جنبًا إلى جنب.
“توقع أن ترى بعض الارتداد والتردد الأولي عند تثقيف الجماهير بشأن عملية ضمان الجودة في ML ، ويرجع ذلك إلى حد كبير إلى عدم فهم كيفية عمل أنظمة التعلم والدقة الناتجة. أحد الجوانب التي لا تزال تحرض على الشك ، ولكنها أحد الفوارق الأساسية بين ML والتقنية التقليدية الثابتة التي عرفناها ، هي قدرة ML على التعلم والتكيف بمرور الوقت. إذا تمكنا من تثقيف القادة بشكل أفضل حول كيفية إطلاق العنان للقيمة الكاملة لـ ML – ويدها التوجيهية لتحقيق الكفاءة التشغيلية – فسنرى الكثير من التقدم في السنوات القليلة المقبلة. “
– توني لي ، كبير التكنولوجيا في Hyperscience
5. تحديد أولويات مشروع ML سوف تركز على الإيرادات وقيمة الأعمال
“بالنظر إلى مشاريع التعلم الآلي قيد التنفيذ ، يجب أن تكون الفرق أكثر كفاءة بكثير ، بالنظر إلى عمليات التسريح الأخيرة ، والتطلع إلى الأتمتة لمساعدة المشاريع على المضي قدمًا. ستحتاج الفرق الأخرى إلى تطوير المزيد من الهيكلية وتحديد المواعيد النهائية لضمان اكتمال المشاريع بشكل فعال. سيتعين على وحدات الأعمال المختلفة أن تبدأ في التواصل أكثر ، وتحسين التعاون ومشاركة المعرفة حتى تتمكن هذه الفرق الصغيرة الآن من العمل كوحدة واحدة متماسكة.
بالإضافة إلى ذلك ، سيتعين على الفرق أيضًا تحديد أولويات أنواع المشاريع التي يتعين عليهم العمل عليها لتحقيق أقصى تأثير في فترة زمنية قصيرة. أرى أن مشاريع التعلم الآلي تتلخص في نوعين: الميزات القابلة للبيع التي تعتقد القيادة أنها ستزيد المبيعات والفوز بالمنافسة ، ومشاريع تحسين الإيرادات التي تؤثر بشكل مباشر على الإيرادات. من المحتمل أن يتم تأجيل المشاريع ذات الميزات القابلة للبيع ، حيث يصعب الخروج بسرعة ، وبدلاً من ذلك ، ستركز فرق ML التي أصبحت الآن أصغر حجمًا على تحسين الإيرادات حيث يمكنها تحقيق إيرادات حقيقية. الأداء ، في هذه اللحظة ، ضروري لجميع وحدات الأعمال وليس ML محصنًا من ذلك. “
– جدعون مندلز ، الرئيس التنفيذي والشريك المؤسس لمنصة MLops ، Comet
6. ستصبح فرق تعلم الآلة المؤسسية أكثر تركيزًا على البيانات من التركيز على النموذج
“أصبحت فرق Enterprise ML تتمحور حول البيانات أكثر من التركيز على النموذج. إذا لم تكن بيانات الإدخال جيدة وإذا لم تكن الملصقات جيدة ، فلن يكون النموذج نفسه جيدًا – مما يؤدي إلى معدل أعلى للتنبؤات الإيجابية الخاطئة أو السلبية الخاطئة. ما يعنيه هو أن هناك الكثير من التركيز على التأكد من استخدام بيانات نظيفة وذات تصنيف جيد للتدريب.
“على سبيل المثال ، إذا تم استخدام الكلمات الإسبانية عن طريق الخطأ لتدريب نموذج يتوقع كلمات إنجليزية ، فيمكن للمرء أن يتوقع مفاجآت. هذا يجعل MLops أكثر أهمية. تظهر جودة البيانات وقابلية الملاحظة ML باعتبارها اتجاهات رئيسية حيث تحاول الفرق إدارة البيانات قبل التدريب ومراقبة فعالية النموذج في مرحلة ما بعد الإنتاج “.
– أشيش ككران ، مدير Thomvest Ventures
7. سوف ينمو برنامج Edge ML مع توسع فرق MLops للتركيز على العملية الشاملة
“بينما تستمر السحابة في توفير موارد ومرونة لا مثيل لها ، يرى المزيد من المؤسسات القيم الحقيقية لتشغيل ML على الحافة – بالقرب من مصدر البيانات حيث يتم اتخاذ القرار. يحدث هذا لعدة أسباب ، مثل الحاجة إلى تقليل زمن الوصول للمعدات المستقلة ، لتقليل تكاليف استيعاب السحابة وتخزينها ، أو بسبب نقص الاتصال في المواقع البعيدة حيث لا يمكن توصيل أنظمة آمنة للغاية بالإنترنت المفتوح .
“نظرًا لأن نشر Edge ML هو أكثر من مجرد تثبيت بعض التعليمات البرمجية في الجهاز ، فإن Edge ML ستشهد نموًا هائلاً مع توسع فرق MLops للتركيز على العملية الشاملة من البداية إلى النهاية.”
– فيد جاين ، المؤسس والرئيس التنفيذي لشركة Wallaroo AI
8. سيتم أتمتة هندسة الميزات وتبسيطها
تعد هندسة الميزات ، وهي العملية التي يتم من خلالها فهم بيانات الإدخال وتصنيفها وإعدادها بطريقة قابلة للاستهلاك لنماذج التعلم الآلي ، مجالًا مثيرًا للاهتمام بشكل خاص.
“على الرغم من أن مستودعات البيانات وإمكانيات البث تبسط استيعاب البيانات ، وأن منصات AutoML لديها تطوير نموذج ديمقراطي ، فإن هندسة الميزات المطلوبة في منتصف هذه العملية لا تزال تمثل تحديًا يدويًا إلى حد كبير. يتطلب معرفة المجال لاستخراج السياق والمعنى ، وعلم البيانات لتحويل البيانات ، وهندسة البيانات لنشر “الميزات” في نماذج الإنتاج. نتوقع أن نرى خطوات كبيرة تم قطعها في أتمتة هذه العملية وتبسيطها “.
– Rudina Seseri ، المؤسسة والشريك الإداري لشركة Glasswing Ventures
مهمة VentureBeat هو أن تكون ساحة المدينة الرقمية لصناع القرار التقنيين لاكتساب المعرفة حول تكنولوجيا المؤسسات التحويلية والمعاملات. اكتشف إحاطاتنا.
