یادگیری ماشینی فراتر از هیاهو حرکت می کند

امروزه، شرکت‌ها در هر صنعتی میلیون‌ها مدل یادگیری ماشینی را در چندین خط کسب‌وکار به کار می‌گیرند. به زودی هر شرکتی شرکت خواهد کرد.

یادگیری ماشین دهه‌ها است که وجود داشته است، اما در بیشتر آن زمان، کسب‌وکارها فقط چند مدل را به کار می‌گیرند و آن‌ها نیاز به کار خسته‌کننده و پر زحمتی داشتند که توسط دکترا و متخصصان یادگیری ماشین انجام می‌شد. طی چند سال گذشته، یادگیری ماشینی به لطف ظهور پلتفرم‌های یادگیری ماشینی مبتنی بر ابر در دسترس، استاندارد شده و به‌طور گسترده رشد کرده است.

امروزه، شرکت‌ها در هر صنعتی میلیون‌ها مدل یادگیری ماشینی را در چندین خط کسب‌وکار به کار می‌گیرند. غول نرم افزار مالیاتی و مالی Intuit با یک مدل یادگیری ماشینی شروع به کار کرد تا به مشتریان کمک کند تا کسر مالیات را به حداکثر برسانند. امروزه، یادگیری ماشین تقریباً هر بخش از تجارت آنها را تحت تأثیر قرار می دهد. تنها در سال گذشته، Intuit تعداد مدل‌های مستقر در پلتفرم خود را بیش از ۵۰ درصد افزایش داده است.

در مثالی دیگر، رهبر rideshare Lyft حجم عظیمی از داده را در زمان واقعی از برنامه های تلفن همراه بیش از دو میلیون راننده و ۳۰ میلیون سوار جمع آوری می کند. این شرکت از میلیون‌ها مدل یادگیری ماشینی برای تشخیص دقیق ناهنجاری‌ها در استفاده از مسیر یا الگوهای رانندگی استفاده می‌کند که می‌تواند نشانه مشکلاتی باشد که نیاز به توجه فوری دارند.

اما این تازه شروع کار است. مرحله بعدی یادگیری ماشینی چیزی را که دانشمندان فقط می توانستند در مورد آن آرزو کنند، ارائه می دهد: صنعتی کردن و دموکراتیک کردن یادگیری ماشین. با پلتفرم‌ها و ابزارهای هدفمند یادگیری ماشینی که می‌توانند استقرار مدل‌های یادگیری ماشینی را در مقیاس سیستماتیک و خودکار کنند، در آستانه یک تغییر بزرگ هستیم که استفاده از آن را برای همه شرکت‌ها – نه فقط ۵۰ شرکت‌های جهانی Fortune – ممکن می‌سازد. این فناوری متحول کننده است و واقعاً مخرب می شود.

مسیر صنعتی شدن یادگیری ماشین

یادگیری ماشین از یک روند آشنا پیروی می کند که به طور مکرر در صنایع دیده می شود: استفاده از اتوماسیون برای صنعتی کردن فرآیندها و دستیابی به استقرار انبوه. به عنوان مثال، اولین خودروها توسط تولیدکنندگان بوتیک مانند دوریا و پاکارد طراحی شدند که خودروهای لوکس خیالی را در تولید محدود تولید می کردند زیرا به کار خسته کننده و پر زحمت نیاز داشتند. شرکت فورد موتور این ایده را با استانداردسازی فرآیندهای طراحی و تولید خودرو برای ایجاد خط مونتاژ، امکان مصرف انبوه خودرو، تغییر حمل و نقل و تجارت برای همیشه، تغییر داد.

نه دهه بعد، صنعت نرم‌افزار از مجموعه‌ای از برنامه‌های کاربردی زیبا و سفارشی که توسط چند کدنویس متخصص توسعه یافته بود، به یک رشته مهندسی سیستماتیک که اکنون به طور گسترده در دسترس است، دچار تحول مشابهی شد. امروزه، محیط‌های توسعه یکپارچه، دیباگرها، نمایه‌سازها و ابزارهای ادغام مداوم و استقرار مداوم (CI/CD) استانداردسازی و اتوماسیون توسعه نرم‌افزار را فراهم می‌کنند که کدنویس‌ها را در تمام سطوح قادر می‌سازد تا برنامه های کاربردی قوی ایجاد کنید توانایی تولید انبوه برنامه‌ها به نوبه خود باعث مصرف انبوه نرم‌افزار شده و نرم‌افزار را به نحوه زندگی و کار ما تبدیل کرده است.

یادگیری ماشین از مرحله صنعتی شدن مشابهی عبور می کند. برای موفقیت، باید در برابر این باور مقاومت کنیم که تظاهرات یادگیری ماشینی جالب و خیالی – مانند نوشتن شعر و ایجاد گفتگوی هوشمندانه در بازی‌های ویدیویی – هنجار یا مسیر پیش روی یادگیری ماشینی در دنیای واقعی است. مانند خودروهای مفهومی آینده‌نگر که تماشاگران را در نمایشگاه‌های خودرو به وجد می‌آورند، این بوتیک‌ها، دموهای «اثبات مفهوم» تخیل را تسخیر کرده‌اند و هیجان ایجاد کرده‌اند، اما نمی‌توان آن‌ها را به‌راحتی تکرار کرد یا مقیاس‌بندی کرد. نه تنها این، بلکه بسیار گران هستند و ارزش تجاری کمی دارند.

برای تحقق چشم‌انداز و وعده ده‌ها کار، مدل‌های یادگیری ماشینی نیاز به حل مشکلات پیچیده کسب‌وکار، ارائه بینش‌های عملی در زمان واقعی و ادغام در سیستم‌ها و فرآیندهای عملیاتی دارند. این امر هم نیازمند صنعتی شدن یادگیری ماشینی و هم دموکراتیک کردن ابزارهای یادگیری ماشینی است. یادگیری ماشینی باید به یک رشته مهندسی سیستماتیک تبدیل شود و پلتفرم‌ها و ابزارهای یادگیری ماشین باید به طور گسترده در دسترس قرار گیرند تا کسب‌وکارها بتوانند استقرار سریع و کارآمد را افزایش دهند.

یک پایه فناوری برای یادگیری ماشین در فضای ابری

خبر خوب این است که یادگیری ماشینی در حال صنعتی شدن است و از هیاهو دور می شود تا به یک رشته مهندسی بالغ تبدیل شود که در امتداد دو عامل شکل گرفته است: پلت فرم های یادگیری ماشینی ساخته شده و ابزارهای تخصصی یادگیری ماشین.

صنعتی‌سازی یادگیری ماشینی مبتنی بر توانایی استانداردسازی بارهای کاری در پلت‌فرم‌های یادگیری ماشینی ساخته‌شده در فضای ابری است. استانداردسازی در مقیاس به یک زیرساخت توزیع شده بسیار در دسترس و ایمن نیاز دارد که به بهترین وجه در فضای ابری انجام شود. زیرساخت‌های یادگیری ماشینی ساخته‌شده به توسعه‌دهندگان و دانشمندان داده را قادر می‌سازد تا بهترین عملکرد و کمترین هزینه را برای ساخت مدل‌های یادگیری ماشینی و استقرار آن‌ها در ابر و همچنین بر روی دستگاه‌های لبه داشته باشند. علاوه بر این، پلت‌فرم‌های یادگیری ماشینی ساخته‌شده، تیم‌های توسعه‌دهنده را از مسئولیت‌های غیرمتمایز مدیریت زیرساخت‌های یادگیری ماشین و وظایف عملیاتی رها می‌کند و به آن‌ها اجازه می‌دهد بر ساخت، آزمایش و آموزش مدل‌های جدید تمرکز کنند.

ابزارهای تخصصی یادگیری ماشین را می‌توان با قرض گرفتن مفاهیم از دنیای نرم‌افزار ساخت، حتی اگر یادگیری ماشین هم با کد و هم با داده‌ها سروکار دارد. امروزه ابزارهای IDE، اشکال‌زدا و نمایه‌ساز که توسعه نرم‌افزار را قوی کرده‌اند، برای یادگیری ماشین سفارشی‌سازی شده‌اند. قابلیت‌های یادگیری ماشینی CI/CD که به طور خودکار کد، مجموعه داده‌ها و مصنوعات را در هر مرحله از گردش کار یادگیری ماشین ردیابی می‌کند، از نیازهای اتوماسیون، حاکمیت و ممیزی پشتیبانی می‌کند. درست مانند نرم‌افزار، قابلیت‌های CI/CD برای یادگیری ماشینی به توسعه‌دهندگان این امکان را می‌دهد که به عقب برگردند، مراحل را مجدداً پخش کنند، و مشکلات را عیب‌یابی کنند، و به‌طور قابل‌اطمینانی نسل مدل‌ها را در مقیاس، در هزاران مدل در حال تولید، ردیابی کنند.

مدل‌ها و پیش‌بینی‌های یادگیری ماشین فقط به اندازه داده‌هایی هستند که روی آنها عمل می‌کنند، و همچنین درک اینکه چرا مدل‌ها پیش‌بینی‌های خاصی انجام می‌دهند ضروری است. برای این کار، بسیاری از پلتفرم‌های یادگیری ماشین، ابزارهای برچسب‌گذاری و آماده‌سازی داده‌ها، کیفیت داده‌ها و ابزارهای تشخیص سوگیری، و همچنین روش‌هایی برای توضیح پیش‌بینی‌های مدل ارائه می‌کنند.

صنعتی‌سازی یادگیری ماشین سود واقعی دارد. iFood، یک سرویس تحویل غذای پیشرو در آمریکای لاتین، از خدمات یادگیری ماشینی CI/CD برای خودکارسازی مسیر برای پرسنل تحویل غذا استفاده می‌کند و مسافت طی شده مسیر تحویل را تا ۱۲ درصد و زمان بی‌حرکتی را برای اپراتورها تا ۵۰ درصد کاهش می‌دهد. به طور کلی، کسب و کار آنها عملکرد SLA تحویل را از ۸۰٪ به ۹۵٪ افزایش داده است.

سازنده فیبر INVISTA گردش کار تجزیه و تحلیل داده‌ها را برای پیش‌بینی و رفع خرابی‌های احتمالی تجهیزات، خودکار کرده است. بهبود مدیریت عملکرد دارایی آنها منجر به کاهش زمان خرابی، کاهش آسیب تجهیزات و درآمد بیشتر می شود.

شرکت نرم‌افزار چندملیتی Autodesk یک مدل یادگیری ماشینی انعطاف‌پذیر، قابل سفارشی‌سازی را به کار گرفته است که از پردازش زبان طبیعی برای نگاه کردن به کلمات و ساختار جملات استفاده می‌کند تا به سرعت مشتریان خود را به سمت راه‌حل‌های درست هدایت کند—که باعث کاهش ۳۰ درصدی در جهت گیری اشتباه پرونده و کمک به مشتریان می‌شود. تا سه برابر سریع‌تر پاسخ‌ها را دریافت کنید.

بوندسلیگا – لیگ برتر فوتبال حرفه‌ای آلمان – با آموزش مدل‌های یادگیری ماشینی برای پیش‌بینی بیش از ۴۰۰۰۰ نقطه داده رویداد تاریخی، تجربه طرفداران را افزایش می‌دهد و از ابزارهای توضیح‌پذیری مدل برای نشان دادن منطق پشت پیش‌بینی‌های xGoals Match Facts استفاده می‌کند.< em>

امروزه، پلتفرم‌های یادگیری ماشین و مجموعه‌ای از ابزارهای تجزیه و تحلیل، همان کاری را انجام می‌دهند که دانشمندان کامپیوتر زمانی که الگوریتم‌های هوش مصنوعی برای اولین بار در دهه ۱۹۵۰ نظریه‌پردازی شدند، تصور می‌کردند. به لطف نوآوری در زیرساخت ها و ابزارهای یادگیری ماشین، ما شاهد تحول جدیدی در کسب و کار در عملاً در هر بخش هستیم.

براتین ساها معاون یادگیری ماشین در AWS است.

—

انجمن فناوری جدید مکانی را 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.