Table des matières
Ouverture
Un cas de problème mal diagnostiqué
Alors, que faire maintenant ? Embaucher davantage d’ingénieurs en apprentissage automatique ?
Comment tirer le meilleur parti de l'intelligence artificielle
Présentation du traducteur
Maison Périphériques technologiques IA MLOps : les entreprises répètent-elles les mêmes erreurs de bricolage ?

MLOps : les entreprises répètent-elles les mêmes erreurs de bricolage ?

Apr 08, 2023 pm 02:11 PM
人工智能 云计算 机器学习

​Traducteur | Cui Hao

Critique | Sun Shujuan

Ouverture

MLOps : les entreprises répètent-elles les mêmes erreurs de bricolage ?

De manière générale, il y a une raison pour laquelle les entreprises ne prennent pas l'initiative de construire leur propre infrastructure de cloud computing. Au cours de la dernière décennie, les équipes d'infrastructure informatique ont tenté de créer leurs propres cloud privés, car elles pensaient qu'ils soutiendraient leur entreprise de manière plus rentable que les cloud publics. Mais contrairement aux attentes, le temps et le coût consacrés au cloud privé ont dépassé les attentes. Une fois le cloud privé créé, davantage de ressources étaient nécessaires pour le maintenir, et il était légèrement inférieur au cloud public en termes de sécurité et d'extension. En conséquence, les entreprises qui construisent leurs propres cloud privés finissent par ne pas disposer de plus de ressources pour investir dans leurs activités principales, mais investissent plutôt beaucoup de temps et de personnel dans une infrastructure qui ne peut pas répondre aux besoins de leur entreprise.

De nos jours, de nombreuses entreprises génèrent des solutions via divers outils open source (tels qu'Apache Spark), mais la plupart des actions MLOps nécessitent des opérations manuelles répétées.

Cela se traduit par des déploiements de modèles prenant des semaines, voire des mois, des temps d'exécution inefficaces (mesurés par le calcul et l'inférence prenant du temps à s'exécuter) et un manque d'observations pour les tests et la surveillance des modèles. En outre, l'approche utilisée était trop personnalisée pour fournir des processus métier évolutifs et réutilisables pour plusieurs cas d'utilisation dans différentes parties de l'entreprise.

Un cas de problème mal diagnostiqué

De plus, des conversations avec les dirigeants des secteurs d'activité et les responsables de l'analyse des données ont conduit à la conclusion que même si l'organisation a embauché de nombreux data scientists, elle n'a vu aucun retour. Au fur et à mesure que la recherche s'approfondit, ils continueront à poser diverses questions et à utiliser ces questions pour identifier les difficultés et les obstacles rencontrés par l'intelligence artificielle. Ils ont rapidement compris que le problème clé résidait dans le « dernier kilomètre » : déployer les modèles et les appliquer aux données en temps réel, en les exécutant efficacement afin que les avantages dépassent les coûts et ainsi mieux mesurer leurs performances.

Pour résoudre les problèmes commerciaux et prendre des décisions commerciales, les data scientists transforment les données en modèles. Ce processus nécessite deux ensembles de compétences : premièrement, l'expertise et les compétences nécessaires pour créer de bons modèles ; deuxièmement, les compétences nécessaires pour utiliser le code pour piloter le modèle dans le monde réel, tout en surveillant et en mettant à jour le modèle. Or, ces deux types de compétences sont complètement différentes.

C'est précisément à cause de cette différence que les ingénieurs ML entrent en jeu. Les ingénieurs ML intègrent des outils et des cadres pour garantir que les données, les pipelines et l'infrastructure fonctionnent ensemble pour produire des modèles ML à grande échelle.

Alors, que faire maintenant ? Embaucher davantage d’ingénieurs en apprentissage automatique ?

Même avec les meilleurs ingénieurs ML, les entreprises sont toujours confrontées à deux problèmes majeurs lors du développement de l'IA :

  • Incapacité d'embaucher rapidement des ingénieurs ML : la demande d'ingénieurs ML est devenue si forte que les offres d'emploi d'ingénieurs ML augmentent plus rapidement que les services informatiques. une croissance 30 fois plus rapide. Devant parfois attendre des mois, voire des années, pour que les postes soient pourvus, les équipes MLOps doivent trouver un moyen efficace de prendre en charge davantage de modèles et de cas d'utilisation ML sans augmenter le nombre d'ingénieurs ML pour répondre à la demande d'applications ML. Mais cette mesure introduit un deuxième goulot d'étranglement...
  • Manque de bonnes pratiques reproductibles et évolutives pour déployer des modèles, quels que soient l'endroit et la manière dont ils sont construits : l'état actuel de l'écosystème de données d'entreprise moderne est le suivant : différentes unités commerciales utiliseront différentes plates-formes de données. en fonction de leurs exigences en matière de données et de technologie (par exemple, les équipes produit peuvent avoir besoin de prendre en charge le streaming de données, tandis que la finance doit fournir une interface de requête simple pour les utilisateurs non techniques). En outre, la science des données nécessite également de décentraliser les applications entre les unités commerciales plutôt que de les centraliser. En d'autres termes, différentes équipes de science des données disposent d'un ensemble unique de cadres de formation modèles pour les cas d'utilisation (domaines) sur lesquels elles se concentrent, ce qui signifie qu'un cadre de formation unique ne peut pas être établi pour l'ensemble de l'entreprise (y compris plusieurs départements/domaines) de.

Comment tirer le meilleur parti de l'intelligence artificielle

Afin d'améliorer les capacités d'automatisation ; afin de fournir des expériences personnalisées à grande échelle aux utilisateurs afin de tenir les promesses des utilisateurs plus précises, plus granulaires et prévisibles, les entreprises ont investi ; en intelligence artificielle. Mais jusqu’à présent, il existe un énorme écart entre les promesses de l’IA et ses résultats, puisque seulement 10 % environ des investissements dans l’IA génèrent un retour sur investissement significatif.

Enfin, afin de résoudre le problème du MLOps, les responsables de l'analyse des données doivent développer leurs propres capacités autour de la science des données au cœur de l'entreprise, tout en investissant également dans d'autres technologies liées à l'automatisation du MLOps. Il s’agit d’un dilemme courant « construire ou acheter ». Il n’est pas seulement considéré d’un point de vue opérationnel (coût-bénéfice), mais doit également tenir compte de la rapidité et de l’efficacité des investissements en IA dans toute l’entreprise, et de la possibilité de nouvelles méthodes. mieux générer des revenus, des produits et une clientèle, ou réduire les coûts en augmentant l'automatisation et en réduisant les déchets.

Présentation du traducteur

Cui Hao, rédacteur de la communauté 51CTO, architecte senior, a 18 ans d'expérience en développement de logiciels et en architecture, et 10 ans d'expérience en architecture distribuée. Anciennement expert technique chez HP. Il est prêt à partager et a écrit de nombreux articles techniques populaires avec plus de 600 000 lectures. Auteur de "Principes et pratique de l'architecture distribuée".

Titre original :​​MLOps | L'entreprise répète-t-elle les mêmes erreurs de bricolage​​ ?​

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

AI Hentai Generator

AI Hentai Generator

Générez AI Hentai gratuitement.

Article chaud

R.E.P.O. Crystals d'énergie expliqués et ce qu'ils font (cristal jaune)
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Meilleurs paramètres graphiques
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Comment réparer l'audio si vous n'entendez personne
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Comment déverrouiller tout dans Myrise
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌

Outils chauds

Bloc-notes++7.3.1

Bloc-notes++7.3.1

Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise

SublimeText3 version chinoise

Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1

Envoyer Studio 13.0.1

Puissant environnement de développement intégré PHP

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Jun 28, 2024 am 03:51 AM

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Jun 10, 2024 am 11:08 AM

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Sept questions d'entretien technique Cool GenAI et LLM Sept questions d'entretien technique Cool GenAI et LLM Jun 07, 2024 am 10:06 AM

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Jun 11, 2024 pm 03:57 PM

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Le géant du cloud computing lance une bataille juridique : Amazon poursuit Nokia pour violation de brevet Le géant du cloud computing lance une bataille juridique : Amazon poursuit Nokia pour violation de brevet Jul 31, 2024 pm 12:47 PM

Selon des informations publiées sur ce site le 31 juillet, le géant de la technologie Amazon a poursuivi mardi la société de télécommunications finlandaise Nokia devant le tribunal fédéral du Delaware, l'accusant d'avoir violé plus d'une douzaine de brevets d'Amazon liés à la technologie de cloud computing. 1. Amazon a déclaré dans le procès que Nokia avait abusé des technologies liées à Amazon Cloud Computing Service (AWS), notamment l'infrastructure de cloud computing, les technologies de sécurité et de performance, pour améliorer ses propres produits de services cloud. Amazon a lancé AWS en 2006 et sa technologie révolutionnaire de cloud computing a été développée depuis le début des années 2000, indique la plainte. "Amazon est un pionnier du cloud computing et Nokia utilise désormais les innovations brevetées d'Amazon en matière de cloud computing sans autorisation", indique la plainte. Amazon demande au tribunal une injonction de blocage

Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Jul 25, 2024 am 06:42 AM

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Jul 17, 2024 pm 06:37 PM

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées Jul 15, 2024 pm 12:21 PM

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g

See all articles