MLOps Tempo come gli obiettivi strategici creano iterazioni più veloci?

How do strategic goals create faster iterations in MLOps Tempo?

La base è sapere ciò che l’organizzazione vuole

Gli obiettivi strategici sono la base di un grande ritmo di sviluppo (MLOps tempo). Aiutano a determinare la direzione del tuo sviluppo, dove concentrare le risorse e come eseguire il progetto in modo efficiente. Impostano la base per come avviene ogni altro aspetto di MLOps tempo.

MLOps tempo è il ritmo con cui un’organizzazione pianifica, sviluppa e distribuisce modelli di apprendimento automatico. Più veloce è questo ritmo, più rapidamente un’organizzazione può sfruttare l’apprendimento automatico a proprio vantaggio e guadagnare un significativo vantaggio competitivo.

MLOps: cos’è il ritmo operativo?

I tempi di risposta rapidi sono più di semplici strumenti.

towardsdatascience.com

I fattori che influenzano il ritmo di ML Ops sono significativamente plasmati dall’organizzazione. Una buona comprensione del ritmo di MLOps è essenziale per i responsabili delle decisioni perché influisce direttamente sul valore che può essere ottenuto dalle applicazioni di ML o AI. Questi obiettivi guidano i modelli operativi e produttivi dei prodotti dati, così come le decisioni che guidano.

• Fai contare ogni dollaro di marketing con la scienza dei dati.
• La migliore alternativa a Seaborn Distplot in Python
• Le Competenze Trasversali Battono le Competenze Tecniche nell’Analisi dei Dati

Un’azienda può avere grandi leader e visione. Possono anche avere squadre commerciali esperte e competenti. Ma senza obiettivi strategici chiari per guidare le loro operazioni, la pianificazione, lo sviluppo e la distribuzione del modello ML rallenteranno.

È la base del ritmo di MLOps e influenza davvero il modo in cui pensiamo all’efficienza degli altri fattori.

Come gli obiettivi strategici influenzano il ritmo di MLOps?

Impostare buoni obiettivi strategici è fondamentalmente una questione di decisioni efficaci, aiutate da processi efficienti. Coloro che possono adattarsi più rapidamente, con processi efficienti, sono coloro che possono generare il maggior valore dai loro sforzi.

Gli obiettivi strategici influenzano anche i modelli operativi. La logistica e le operazioni aiutano a padroneggiare l’ambiente competitivo, portando le informazioni alla catena decisionale e le decisioni alle squadre per l’esecuzione. Gli obiettivi strategici aiutano a concentrarsi sul ritmo di MLOps.

Il ritmo influenza la velocità con cui le organizzazioni devono fornire modelli di alta qualità, robusti e affidabili. Il modo in cui le organizzazioni affrontano la velocizzazione o l’efficienza del ritmo guida i loro processi e il modello operativo.

È estremamente importante nell’era moderna dei grandi modelli linguistici, che hanno una complessità che richiede buoni processi di gestione operativa, di progetto e di prodotto.

Devi avere una chiara direzione prima di ottimizzare il tuo ritmo di MLOps. È la base. Gli obiettivi strategici aiutano in questo.

Come ciò influisce sull’organizzazione

Comprendere come gli obiettivi strategici influenzano il ritmo di MLOps deve essere visto da tre livelli: il contributore individuale, il manager e il management medio e superiore.

Comprendere e comunicare gli obiettivi strategici aiuta a velocizzare il ritmo di MLOps attraverso diversi livelli di un’organizzazione:

1. Contributore individuale: un chiaro obiettivo strategico aiuta a creare obiettivi di progetto chiari per le attività. Gli obiettivi chiari aiutano a costruire il morale, a identificare i colli di bottiglia e a aumentare l’efficienza del lavoro e il valore da esso derivato. Aiuta anche la qualità delle informazioni che spingono fino alla catena di comando.
2. Manager: un obiettivo strategico più ampio è cruciale per la gestione del progetto, aiutando nella distribuzione delle risorse, nella priorità delle attività e nell’allineamento degli sforzi del team con gli obiettivi e le tempistiche dell’organizzazione. O per il supporto da sponsor specifici.
3. Management medio e superiore: obiettivi strategici ben definiti aiutano a mettere in contesto e a prendere decisioni informate, valutando nuove iniziative e prendendo decisioni informate sulla scalabilità delle operazioni.

Buoni obiettivi strategici aiutano l’intera organizzazione dall’alto verso il basso, consentendo il flusso di informazioni importanti verso l’alto e decisioni ben informate verso il basso. Ciò aiuta ad accelerare i tempi di inversione, valutare se un progetto sta funzionando e, naturalmente, se un progetto di ML si allinea agli obiettivi strategici.

Una buona comprensione del tempo MLOPs a diversi livelli aiuta ognuno a navigare meglio la complessità dei progetti di ML.

Inizia dal Perché, Termina con il Come

Gli obiettivi strategici devono partire dal “perché”. La ragione per cui è importante per un obiettivo aziendale più ampio è importante. Aiuta a dare priorità alle risorse, evitare complessità inutili, consente decisioni più rapide per lo sviluppo o anche se è necessaria una soluzione di ML.

Ciò si riflette dai decisori ai responsabili del progetto e del prodotto e infine ai team di scienze dei dati che costruiscono una soluzione di ML o AI. Quando tutti comprendono l’intento, migliora la comunicazione tra i team – un cardine fondamentale nel buon tempo operativo per qualsiasi settore. Si trascorre meno tempo in riunioni per chiarimenti e più tempo per l’implementazione.

I casi d’uso devono sempre partire con i prodotti finali in mente. Quindi filtrare attraverso gli aspetti tecnici e le limitazioni. Questo è il “perché” di un progetto di ML, è assolutamente essenziale per determinare se il progetto si allinea agli obiettivi strategici, quali risorse sono necessarie, ecc.

Il “perché” forma la base di altre domande chiave che devono essere poste all’inizio del processo di costruzione del modello. Influenza significativamente gli altri fattori del tempo MLOps

Ci sono specifiche domande “perché” che devono essere fatte per aiutare i buoni obiettivi strategici per ML:

Perché stiamo costruendo questo?

ML non è sempre necessario per alcuni casi d’uso. Questa domanda aiuta a definire se è necessario, risparmiando risorse e tempo che potrebbero essere utilizzati altrove. Aiuta anche a definire se c’è più di un caso d’uso. Ciò aiuta a definire il campo di applicazione e a dare la direzione.

Definire lo scopo del modello di apprendimento automatico è fondamentale poiché definisce la direzione per l’intero progetto. Aiuta a allineare tutti gli sforzi e le risorse verso un obiettivo comune, garantendo un uso efficiente del tempo e migliorando il tempo MLOps.

Cosa vogliamo che faccia?

Questo focus significa mettere il caso d’uso aziendale e il prodotto finale desiderato al primo posto. Ciò che conta è che il caso d’uso sia allineato agli obiettivi strategici. Il modello di ML deve essere in grado di rispondere a questi casi d’uso.

Sapere ciò che si vuole fare aiuta a rendere il perché realizzabile. Durante lo sviluppo, questo aiuta a guidare la strategia tecnica e l’esecuzione. Le definizioni in questa fase riducono la prova ed errore, soprattutto durante la costruzione del modello, la sperimentazione e le fasi di implementazione, accelerando la timeline del progetto.

Quali sono i potenziali rischi?

Identificare i potenziali rischi consente la mitigazione. I modelli non sempre funzionano. Buoni obiettivi strategici aiutano la leadership e i team di costruzione a innovare e progettare soluzioni alternative che raggiungono l’obiettivo desiderato. Aiuta a stabilire percorsi alternativi per raggiungere gli obiettivi strategici dell’organizzazione per l’apprendimento automatico.

Questa capacità di adattamento è critica. La frizione tra un piano e la realtà è comune. Gli obiettivi strategici chiari, ben comunicati e compresi impediscono a circostanze impreviste di fermare o interrompere il progetto. Consente un tempo MLOps costante e inversioni efficienti.

Quando vogliamo che sia completato?

Gli obiettivi strategici aiutano a guidare non solo i tempi, ma anche il momento e la coordinazione delle risorse per creare una soluzione di ML. Non tutte le risorse sono necessarie dall’inizio. Specifiche risorse, come denaro, strumenti condivisi, specialisti, sponsor e altri, devono essere sfruttate al momento giusto, per evitare di togliere risorse ad altri progetti.

Stabilire una timeline imposta un ritmo per il lavoro e aiuta a pianificare i compiti in modo ordinato. Ciò assicura che i compiti siano prioritizzati e completati in una sequenza che ottimizza il tempo del progetto, consentendo la consegna puntuale. Il time boxing è importante, altrimenti si spenderà troppo tempo su alcune parti del progetto rispetto ad altre.

Se i rischi e la timeline superano il valore generato, potrebbe essere necessario tornare alla fase “perché”. Questo può sembrare tedioso, ma anche una revisione informale può salvare molti costi di sviluppo, produttività persa e tempo.

Come lo costruiremo?

Questo è generalmente lasciato alle operazioni e alle squadre di costruzione. Le persone a un livello strategico saranno meno coinvolte. Tuttavia, rispondere alle domande “perché”, “cosa”, “rischi” e “quando” del modello è davvero importante. Imposta le fondamenta per gli sforzi di queste squadre.

Così tanti progetti di ML finiscono fuori budget senza che queste domande siano state risposte. Per i project e i product manager, è un riferimento per riallineare le squadre di costruzione. Per le squadre di costruzione, aiuta a far coincidere i data scientist, i data engineer e i ML engineer, dando loro un quadro di riferimento per la ricerca, lo sviluppo, la sperimentazione, il test e la creazione di modelli in modo efficace.

Gli obiettivi strategici influenzano il modo in cui vengono costruiti i modelli: non ci saranno due costruzioni uguali con obiettivi diversi.

Caso di studio: Come gli obiettivi strategici influenzano il tempo di MLOps

Durante i miei giorni di startup, una media azienda di vendita al dettaglio si è rivolta a noi. Stavano lottando per implementare soluzioni di ML: i processi operativi erano lenti e i progetti di ML non fornivano valore. I progetti precedenti non erano riusciti a fornire valore o risultati. Si sono resi conto che mancava qualcosa.

Abbiamo iniziato con una sessione di scoperta e workshop cercando di capire i loro obiettivi strategici. Abbiamo scoperto molto rapidamente che avevano costruito un algoritmo di ML che volevano usare, invece di chiedersi perché avessero bisogno di usarlo.

Motivi

La prima domanda su cui ci siamo concentrati è stata “Perché lo stiamo costruendo”. Abbiamo scoperto che diversi dei loro precedenti progetti di ML non erano necessari. Un certo numero di casi d’uso non richiedeva un modello di machine learning e poteva essere risolto con metodi più semplici come la logica condizionale. Altri casi d’uso richiedevano modelli di ML, ma utilizzavano modelli più complessi del necessario. Abbiamo suddiviso i casi d’uso complessi in quelli più piccoli che fornivano valore, il che ha aiutato a definire la portata e le direzioni chiare per i project manager che supervisionavano il flusso di lavoro delle squadre di MLOps.

Dati e prodotti di ML

In seguito ci siamo concentrati sul “cosa”. Ci siamo concentrati sui casi d’uso aziendali e sui prodotti finali desiderati. Poi abbiamo aiutato a ridurre e raffinare i loro obiettivi strategici. Ciò ha aiutato a ridurre gran parte della prova ed errore durante la costruzione, lo sviluppo e la sperimentazione del modello e le fasi di distribuzione. Ciò ha accorciato i tempi del progetto e aumentato l’efficacia dell’allocazione delle risorse.

Mitigazione del rischio

I modelli non sempre funzionano come previsto. Quindi abbiamo lavorato a stretto contatto con l’azienda per identificare i potenziali rischi dei progetti di ML, pianificare alternative e stabilire i criteri per quando interrompere il progetto. Gli obiettivi strategici chiari hanno permesso alla leadership e alle squadre di costruzione di riconoscere quando un progetto stava diventando un centro di costo, consentendo loro di regolare i loro sforzi. Ha anche aiutato le squadre di costruzione a innovare e progettare soluzioni alternative, garantendo un ritmo costante di MLOps e tempi di risposta efficienti nonostante le sfide impreviste. Ciò ha ridotto la quantità di costi associati ai progetti, su e giù dalla catena di sviluppo del modello di ML.

Tempistiche del progetto

Abbiamo anche aiutato l’azienda a stabilire tempistiche realistiche, coordinando l’uso delle risorse per evitare conflitti con altri progetti in corso. Il time boxing è stato utilizzato per garantire che le risorse fossero allocate per un periodo di tempo prestabilito. Ciò includeva il coordinamento delle comunicazioni in modo che le valutazioni realistiche delle squadre di costruzione sui tempi raggiungessero rapidamente i decision maker.

Come Costruire la Soluzione.

Ai team di costruzione e di operazioni è stata lasciata la questione del “come”. Tornando indietro e lasciando che specialisti ed esperti di dominio li aiutino a imparare i processi e a fornire valore a lungo termine. Ci siamo assicurati di essere disponibili per aiutare, oltre a organizzare sessioni per assicurare che avessero una solida base sui processi. Questo allineamento ha aiutato i project e product manager a guidare efficacemente i data scientist, i data engineer e gli ML engineer.

Seguendo questo approccio di definizione degli obiettivi strategici, l’azienda è stata in grado di prevenire il superamento del budget e di costruire soluzioni di ML allineate e in linea con i loro obiettivi strategici.

L’azienda ha notato un significativo miglioramento dell’efficacia delle attività di ML, e un aumento del tempo di sviluppo più efficiente con un valore maggiore rispetto al passato.

La Strategia Aziendale e Tecnologica si Concentra sui Obiettivi Strategici

Gli obiettivi strategici concentrati richiedono una buona comprensione sia della strategia aziendale che di quella tecnica. Ognuna contribuisce con una forza unica, e tenere conto di entrambe accelera il tuo MLOps tempo. La strategia aziendale e quella tecnica influenzano fortemente gli obiettivi strategici che si definiscono per lo sviluppo di ML.

La strategia aziendale si concentra su come questi obiettivi strategici si collegano alla redditività dell’azienda.

Mentre la strategia tecnica si concentra su come implementare tali obiettivi utilizzando le risorse tecniche disponibili.

Ognuna ha un effetto distinto sul tempo di MLOps. Una strategia aziendale poco chiara può rallentare la strategia tecnica stabilendo risultati eccessivamente ambiziosi al di là della tecnologia disponibile. Mentre una strategia tecnica poco chiara può sviluppare modelli di ML per casi d’uso aziendali in cui non sono necessari.

Sia la strategia aziendale che quella tecnica hanno diversi fattori che influenzano gli obiettivi strategici.

Per la strategia aziendale, ci sono tre pilastri chiave:

• Strategia Aziendale e Visione : Una visione ben definita, una roadmap articolata degli obiettivi, diventa un punto di riferimento per tutte le parti interessate. L’allineamento degli sforzi di tutti verso questi obiettivi accelera naturalmente le operazioni, semplificando i processi decisionali ed eliminando deviazioni superflue.
• Gestione di Progetti e Prodotti : L’arte di gestire progetti e prodotti è al centro del tempo operativo. Quando i progetti sono gestiti in modo efficiente, le attività vengono eseguite tempestivamente, migliorando il ritmo complessivo e spingendo il progetto verso il suo obiettivo.
• Risorse Aziendali Attuali : Una comprensione completa delle risorse disponibili presenta un quadro realistico del presente. Ciò consente una pianificazione e una allocazione efficienti, con le iniziative e le campagne più promettenti che ottengono il maggior focus e valore.

Nella strategia tecnica, ci sono quattro elementi fondamentali:

• Risorse Tecniche : L’allocazione strategica delle risorse tecniche è la spina dorsale della strategia tecnica. Le risorse possono essere strumenti, specialisti, finanziamenti, sponsorizzazioni, ecc. Garantendo la giusta quantità di risorse al momento e al posto giusto, è possibile far girare le marce del progetto più velocemente.
• Infrastruttura Disponibile : Una comprensione dell’assetto tecnico esistente aiuta a determinare se un obiettivo strategico aziendale è possibile. Identificare i blocchi potenziali in anticipo consente di adattarsi rapidamente, sfruttare le risorse e cambiare la pianificazione del progetto e del prodotto dati.
• Strategia di Machine Learning : Questo è il piano per applicare il machine learning all’interno del progetto. Definisce i problemi specifici che i modelli di ML risolveranno, sperimentazione, iterazione e distribuzione. Aiuta a focalizzare i team di sviluppo su elementi chiave eseguibili – riducendo la quantità di dati, debito tecnico e del modello.
• Framework di Sviluppo: Questi sono i framework guida che consentono una versione, tracciamento e testaggio uniformi di modelli, pipeline e distribuzioni. Aiuta anche i team tecnici a conoscere le migliori pratiche per distribuirli e svilupparli. Quando ben consolidati, garantiscono coerenza ed efficienza, minimizzando gli errori e turbocharging la traiettoria del progetto.

Stabilire questi elementi prima di qualsiasi progetto è di grande importanza. Previeni i collo di bottiglia, facilita un viaggio più fluido e consente un volo costante verso gli obiettivi stabiliti.

Gli obiettivi strategici più grandi poco chiari possono far fallire un progetto di ML, comportando enormi quantità di debiti tecnici, di dati e di modelli. In alcuni casi, questo può persino portare alla percezione del dipartimento di scienze dei dati come centro di costo. Con le iniziative di ML estese a vederle come una spesa costosa da evitare.

Con un allineamento, una valutazione e una definizione adeguati della strategia aziendale e tecnica, un’organizzazione può accelerare notevolmente il suo ritmo di MLOps. Mantenendo i dipartimenti e le squadre di scienze dei dati costantemente in grado di fornire e mostrare valore.

Pensieri finali

Conoscere gli obiettivi strategici è importante per valutare la velocità del ritmo di MLOps. La definizione degli obiettivi strategici è importante per migliorare la presa di decisioni strategiche sui progetti di ML e riallinearli per renderli più efficaci ed efficienti.

In sintesi:

• Avere obiettivi strategici chiaramente definiti, con allineamento dei casi d’uso e dei prodotti di dati definiti.
• Chiedersi prima del perché dietro ai casi d’uso aziendali – aiuta ad valutare la differenza tra progetti di vanità e necessità aziendali.
• Concentrarsi su come gli obiettivi strategici si allineano con la strategia tecnica e aziendale – è importante per assicurarsi che gli obiettivi aziendali per ML siano implementati efficacemente.

Grazie per aver letto!

Scrivo frequentemente su Strategia dei Dati, MLOps e Machine Learning. Connettiti con me su Linkedin , YouTube e Twitter

Se ti è piaciuto questo articolo, potresti anche apprezzare gli altri miei articoli:

Cos’è la Maturità dei Dati?

Perché è Importante per la Tua Carriera in Scienze dei Dati?

blaza-matt.com

MLOps Semplificato: Cos’è un Artefatto?

Un artefatto in machine learning è qualsiasi file o oggetto prodotto come parte di un processo di machine learning.

blaza-matt.com

MLOps: Cos’è il Ritmo Operativo?

I Tempi Rapid in Più Sono Più di Semplici Strumenti.

towardsdatascience.com