هزینه بالای کار علم داده

تلاش علم داده، چابکی را کاهش می‌دهد و از افزایش کارآمد و پایدار تلاش‌های علم داده توسط سازمان‌ها جلوگیری می‌کند. در اینجا نحوه جلوگیری از آن آمده است.

علوم داده در شرکت شما مقیاس خواهد شد. راه حل های هوش مصنوعی ساخته خواهد شد. مسئله اگر نیست، فقط چگونه است. و مقیاس بندی به روش اشتباه می تواند ناکارآمدی قابل توجهی را ایجاد کند که منجر به تاخیر در بازگشت سرمایه یا شکست کامل طرح های تحول می شود.

در حالی که رهبران می‌دانند چگونه علم داده را مقیاس‌بندی کنند، شکاف بین مقیاس‌کننده‌های موفق و عقب‌مانده‌ها همچنان در حال افزایش است. با توجه به نظرسنجی جهانی هوش مصنوعی مک کینزی و شرکت، “سهم کوچکی از شرکت‌ها – از بخش‌های مختلف – در حال ایجاد نتایج تجاری بزرگ از هوش مصنوعی هستند که به طور بالقوه شکاف بین کاربران قدرت هوش مصنوعی و عقب‌مانده‌های پذیرش را افزایش می‌دهند.” /p>

چرا این شکاف وجود دارد؟ موانع مقیاس چیست؟ واضح است که پاسخ های معتبر زیادی وجود دارد. با این حال، علمی که همچنان سازمان‌ها را آزار می‌دهد، کاملاً در حیطه اختیارات رهبران فناوری اطلاعات قرار دارد: علم داده‌های بدون حکومت. اگر اجازه دهید علم داده به‌جای هدفمندی مقیاس‌بندی ارگانیک داشته باشد، نتیجه هر بار «مشکل علم داده» است.

تلاش علم داده چیست؟

مشکل علم داده مجموعه‌ای از ناکارآمدی‌ها، راه‌حل‌های سفارشی، ارتباطات قبیله‌ای، جریان‌های غیرقابل تعویض MLOps، تلاش‌های اضافی و IT سایه‌ای است که به‌طور طبیعی با گسترش شرکت‌ها فراتر از چند مدل در تولید ظاهر می‌شوند. برای رهبران فناوری اطلاعات اضطراب ایجاد می‌کند و ریسک، هزینه و تقاضای منابع را به بهای فعالیت‌های با ارزش و نوآورانه افزایش می‌دهد. تلاش‌های علم داده، چابکی را کاهش می‌دهد و رهبران را از دستیابی به چیزهایی که رقبایشان در ابتدا ممکن است انجام دهند یا هیئت مدیره آنها از آنها انتظار دارند، باز می‌دارد.

حذف و جلوگیری از تلاش علم داده آسان نیست. اما اگر به سازمان‌های برتری که با علم داده به نتایج قوی دست یافته‌اند نگاه کنیم، الگوهای خاصی ظاهر می‌شوند و مسیر رو به جلو روشن می‌شود. سازمان‌هایی که به دنبال مقیاس‌بندی علم داده هستند، مکرراً با سه منبع زحمت مواجه می‌شوند که اگر از آنها اجتناب شود یا حذف نشود، منجر به گسترش علم داده به‌طور ناکارآمد و ناپایدار می‌شود.

فقدان مالکیت رهبری فناوری اطلاعات

اغلب در شرکت‌های امروزی، علم داده مانند یک رشته فنی در نظر گرفته می‌شود، در حالی که باید مانند یک قابلیت سازمانی با آن رفتار شود. مدیران ارشد، این فرصت شماست. هیچ کس دیگری نمی تواند آن را انجام دهد. علم داده به امنیت، تکرارپذیری و حاکمیت نیاز دارد. باید از سایه IT اجتناب کند. باید کارهای اضافی را حذف کند. به سیستم هایی برای بهینه سازی منابع محاسباتی گران قیمت و حفظ کنترل هزینه ها نیاز دارد.

به عنوان مثال، مدیر عامل شرکت فورچون ۵۰ دستگاه‌های پزشکی، داروها و کالاهای بسته‌بندی مصرفی پس از ورودش خاطرنشان کرد که تیم‌های پراکنده ۲۸ روش مختلف برای پیش‌بینی یک بینش حیاتی دارند. همه به او گفتند که مال آنها متفاوت است، اما وقتی او تحقیق کرد، متوجه شد که آنها با چند تغییر جزئی یکسان هستند. این نوع کار اضافی نه تنها مانع بهره وری می شود، بلکه می تواند منجر به تصمیم گیری های نادرست در بین گروه ها شود.

فقدان فرآیندهای استاندارد MLOps

ROI در تحقیقات و محصولات داده دانشمندان داده نهفته است، نه در توانایی آنها برای مدیریت MLO. رهبران فناوری اطلاعات باید انعطاف‌پذیری استانداردی را برای MLOها به ارمغان بیاورند، جایی که استاندارد شده به این معنی است که بهترین روش روشن، آسان برای استفاده و بهترین روش برای مواردی مانند خطوط لوله داده، تحقیق، مسیرهای تولید و نگهداری دارایی‌ها وجود دارد. انعطاف پذیری در رویکرد ابزار باز نهفته است. بدون ابزار باز، نمی‌توانید متخصصان با استعداد را جذب یا حفظ کنید.

کلید این است که خدمات سلف سرویس را به دانشمندان داده و تحقیقات آنها به روشی که مورد برکت فناوری اطلاعات باشد، ارائه دهید.

فقدان تحقیقات مشترک و مشترک

رهبران فناوری اطلاعات ممکن است ندانند که مدیریت دانش در علم داده یک مشکل فراگیر است. اکثر تیم های علم داده برای همکاری موثر در تیم خود تلاش می کنند. به اشتراک گذاری دانش بین تیم ها حتی نادرتر است. راه حل، ادغام قابلیت های مدیریت پروژه قوی با ابزارهای علم داده است. مستلزم مدیریت آزمایش است. این شامل یک سیستم برای ردیابی دقیق اصل و نسب محیط های نرم افزاری برای تکرارپذیری کامل است.

مراحلی که باید برای جلوگیری از زحمت علم داده بردارید

درمان سختی‌های علم داده با مدیران ارشد فنی و فناوری اطلاعات شروع می‌شود و به پایان می‌رسد. اگر کاری انجام نشود، تحولات تحلیلی ممکن است شکست بخورد. اما شما از کجا شروع می کنید؟ اطمینان حاصل کنید که جریان‌های استاندارد MLOps وجود دارد تا دانشمندان داده بتوانند نیازهای خود را به گونه‌ای که آزمایش را محدود نمی‌کند، خودسرویس کنند، اما همچنان توسط فناوری اطلاعات به شیوه‌ای دولتی و ساختارمند مورد برکت قرار گیرد. . علاوه بر این، مطمئن شوید که ماهیت مشارکتی تحقیقات علم داده را در نظر بگیرید زیرا مدیریت دانش مناسب هنگام مقیاس‌بندی فراتر از چند دانشمند داده در یک تیم حیاتی می‌شود.

رهبران فناوری اطلاعات که می‌توانند در برابر این سه ستون عمل کنند، تحولات تحلیلی را ممکن می‌سازند و بازگشت سرمایه وعده داده شده به کسانی را که در مقیاس مقیاس در علم داده سرمایه‌گذاری می‌کنند، محقق می‌کنند.

جاش پودوسکا، دانشمند ارشد داده در آزمایشگاه داده دومینو است.

—

New Tech Forum مکانی برای کاوش و بحث در مورد فناوری سازمانی نوظهور در عمق و وسعت بی سابقه ای فراهم می کند. انتخاب ذهنی است، بر اساس انتخاب ما از فناوری هایی که معتقدیم مهم هستند و برای خوانندگان InfoWorld بیشترین علاقه را دارند. InfoWorld وثیقه بازاریابی را برای انتشار نمی پذیرد و حق ویرایش تمام محتوای ارائه شده را برای خود محفوظ می دارد. همه سوالات را به newtechforum@infoworld.com ارسال کنید.