aprendizaje automatico

Plataformas de aprendizaje automático: ¿debería comprar comercial o construir internamente?

Considere la mejor opción en términos de tiempo, dinero y gestión del cambio.

Cuando las empresas comienzan a buscar la ciencia de datos y el aprendizaje automático (ML) a gran escala, los directores de información y los líderes de ciencia de datos tienen la responsabilidad de limitar las áreas de responsabilidad. Sin embargo, la gestión de modelos ML es más que herramientas de código abierto y flujos de trabajo frágiles ; L as empresas también deben adoptar una mentalidad centrada en la evaluación y optimización continuas .

Esto exige aumentar la colaboración y la productividad y acortar los cronogramas de entrega de modelos de trimestres a días o semanas. Las empresas también necesitan un mayor nivel de confiabilidad, gobernanza e interpretabilidad de los datos, características y algoritmos a escala. También sería negligente si no reconociera que estamos en medio de una pandemia global que está aumentando la presión para que las empresas reduzcan los márgenes y reemplacen el número de empleados con inteligencia artificial (IA) que puede mantener la productividad incluso cuando los empleados enfermarse.

La introducción de operaciones de aprendizaje automático (MLOps) dentro de su empresa puede ayudar a estabilizar y escalar los procesos de ML. MLOps aborda la capacidad de su equipo para mantener todo en funcionamiento, adopte una mentalidad de experimentación y enfrente el desafío de implementar más de uno o dos modelos a la vez.

Sin embargo, también hay un costo importante de adoptar una práctica de MLOps en su negocio : tiempo, dinero y gestión del cambio que se centre en los objetivos correctos para tener éxito. Esto incluye pasos tácticos como el etiquetado de datos y la mejora de las habilidades de los empleados existentes para combinar la experiencia en ciencia de datos, ingeniería de software y operaciones de TI.

Hay dos opciones en las que la tecnología puede ayudar a las empresas a adoptar prácticas de MLOps más fácilmente: construir o comprar una plataforma de ML .

Lectura relacionada: 3 ingenieros de aprendizaje automático ofrecen asesoramiento profesional

Opción 1: construir internamente

Ejecutar ML a escala es un desafío bien conocido para la tecnología: Apple, Uber, Airbnb, Netflix y muchos otros ya han dedicado innumerables horas y recursos para crear y mantener plataformas de ML patentadas. Eche un vistazo a Overton de Apple, la investigación y el desarrollo de la plataforma ML en curso de Netflix, Bighead de Airbnb y Michelangelo de Uber, solo por nombrar algunos. Estas empresas entienden el costo del desarrollo personalizado, pero han llegado a apreciar los beneficios de una plataforma ML.

Sin embargo, construir una solución lleva años y tiempo. Airbnb , por ejemplo, tardó alrededor de tres meses en decidir qué construir, y alrededor de cuatro años en construirlo . Al final, utilizaron numerosas tecnologías de código abierto y todavía tenían que corregir las brechas en el camino hacia la producción definiendo sus propios servicios e interfaz de usuario . Esto requería experiencia en el soporte de múltiples marcos, gestión de características, transformación de modelos y datos, entornos de capacitación de múltiples inquilinos y mucho más. De igual forma, Uber lleva cinco años trabajando en su plataforma y Netflix comenzó hace más de cuatro años.

Y a menos que sea una gran empresa de tecnología, es probable que tenga dificultades para contratar talento de IA. Cuando creé un equipo de ciencia de datos desde cero, necesitaba decidir: contratar científicos de datos con capacitación clásica o contratar expertos en dominios específicos y mejorar sus habilidades . Elegí mejorar. no estoy solo En una encuesta de PwC de 2020 sobre IA, cuando se les preguntó cómo planean manejar el cambio a más IA, el 46 % de las organizaciones dijeron que están implementando la mejora de las habilidades de IA y el 38 % están implementando programas de acreditación.

Sin duda, hay beneficios en la creación interna, como admitir casos de uso menos conocidos de IA que aún no son compatibles. Y, para las empresas de tecnología cuyas capacidades principales incluyen la creación, el mantenimiento y el suministro abierto de herramientas específicas , tiene mucho sentido construir internamente. Pero esta es una competencia central que querrá elegir intencionalmente para construir un equipo.

Opción 2: comprar una plataforma comercial de ML

Al comprar una plataforma, está ahorrando más que el costo inicial de construcción. También ahorra costos de integración para flujos de trabajo frágiles personalizados y brinda soporte externo dedicado. También está reduciendo el costo continuo de la incorporación de nuevos empleados al software patentado, lo que reduce el tiempo de productividad. Pero compare los beneficios de comprar una plataforma de nivel empresarial con los costos, lo que incluye adoptar nuevos flujos de trabajo en lugar de crear para los que ya tiene y eliminar algunas de las herramientas prolíficas que sus equipos pueden preferir usar.

A menudo, las plataformas emergentes ofrecen inicialmente menos flujos de trabajo estables , por lo que deberá evaluar el alcance de las integraciones y los flujos de trabajo admitidos antes de tomar una decisión de compra. Considere sus necesidades de MLOps en términos de colaboración, confiabilidad, gobierno, auditoría e interpretabilidad de los datos, características y algoritmos. No todas las plataformas admitirán la totalidad de sus operaciones de ML o las necesidades únicas de su empresa. Evalúe cuidadosamente.

En última instancia, las tecnologías emergentes prometen nivelar el campo de juego sin necesidad de contratar, construir y mantener equipos adicionales para respaldar el cambio. Las plataformas de ML de nivel empresarial permiten que sus equipos se centren en lo que diferencia a su negocio. Esto le permite lograr la eficiencia y la colaboración de las grandes empresas de tecnología, mientras obtiene una ventaja con su experiencia única en el campo.

La mayoría de las empresas reconocen, o comienzan a reconocer, que ML es el futuro. Las empresas están dedicando más personal y recursos al desafío. ¿Pero es suficiente? Hay costos importantes de adoptar una práctica de MLOps en su negocio . Sin embargo, las nuevas plataformas comerciales de ML brindan a las empresas una forma de avanzar en su impulso para ofrecer ML en producción y a escala. La plataforma ML adecuada respaldará la implementación de su estrategia MLOps para enfrentar el desafío.

Lee esto a continuación: ¿Por qué fallan los proyectos de aprendizaje automático?