نظرًا لأن استخدام الذكاء الاصطناعى يصبح أكثر شيوعًا في جميع أنحاء المؤسسة ، فإن الطلب على المنتجات التي تجعل من الأسهل فحص واكتشاف وإصلاح أخطاء الذكاء الاصطناعي الحرجة. بعد كل شيء ، منظمة العفو الدولية مكلفة - توقع غارتنر في عام 2021 أن ثلث مقدمي خدمات التكنولوجيا سوف يستثمرون مليون دولار أو أكثر في الذكاء الاصطناعى بحلول عام 2023 - وتصحيح خوارزمية خاطئ تهدد بتضخيم ميزانية التطوير. وجد تقرير منفصل من Gartner أن 53 ٪ فقط من المشاريع يصنعونها من النماذج الأولية إلى الإنتاج ، ويرجع ذلك جزئيًا إلى الأخطاء - خسارة كبيرة ، إذا كان هناك ما يتجمع بين الإنفاق.
سئمت من الفشل العالي المعدل-وحقيقة أن مهام إعداد البيانات (إذا كان مهمًا) ، مثل بيانات التحميل والتنظيف ، لا تزال تشارك الجزء الأكبر من وقت لعلماء البيانات-فيكرام تشاترجي ، أتيندريو سانيال وياش شيث في تأسيس جاليليو ، وهي خدمة مصممة للتصرف كنظام تعاوني للتسجيل لتطوير نموذج الذكاء الاصطناعي. يراقب Galileo عمليات تطوير الذكاء الاصطناعى ، والاستفادة من الخوارزميات الإحصائية لتحديد النقاط المحتملة لفشل النظام. أخبرت Chatterji TechCrunch عبر البريد الإلكتروني ، بدءًا من [التخصص في] البيانات غير المنظمة. [الخدمة] تساعد فرق التعلم الآلي على تحسين مجموعات البيانات الخاصة بهم ... من خلال تصفح مجموعات حرجة من البيانات التي قد تكون ممثلة تمثيلا ناقصا أو خاطئة ، في حين أن الحل الشامل لتشجيع علماء البيانات على تتبع تغييرات البيانات بشكل استباقي في الإنتاج وقلل من الأخطاء والفجوات في نماذجهم من التسرب إلى العالم الحقيقي.
Chatterji لديها خلفية في علم البيانات ، حيث عملت في Google لمدة ثلاث سنوات في Google AI. كان Sanyal مهندس برمجيات كبير في Apple ، مع التركيز بشكل أساسي على المنتجات المتعلقة بـ Siri ، قبل أن تصبح رائدة هندسية في فريق AI في Uber. أما بالنسبة لـ Sheth ، فقد عمل أيضًا في Google كمهندس برمجيات للموظفين ، ويدير منصة التعرف على الكلام Google. لإنشاء منتج يمكن أن يتوسع عبر سير عمل AI بأكمله-من التطور المسبق إلى ما بعد الإنتاج-وكذلك طرائق البيانات مثل النص والكلام والرؤية. يهدف Galileo إلى تنظيم خطوط الأنابيب عبر الفرق التي تستخدم الغموض والخوارزميات التي تسليط الضوء على القضايا التي تسلط الضوء على ذلك ، أن إيجاد هذه المشكلات غالبًا نقطة لعلماء البيانات. وفقًا لأحد المسحات الأخيرة (من مجتمع MLOPS) ، يقول 84.3 ٪ من علماء البيانات ومهندسي التعلم الآلي أن الوقت اللازم لاكتشاف وتشخيص المشكلات مع النموذج يمثل مشكلة لفرقهم ، بينما يعترف أكثر من واحد من كل أربعة (26.2 ٪) أن الأمر يتطلب منهم أسبوعًا أو أكثر للكشف عن المشكلات وإصلاحها.
تحولت المناقشة حول التعلم الآلي داخل المؤسسة من 'ماذا يمكنني استخدام هذا؟ أسرع ، أفضل ، أرخص؟ ، قال شاترجي. Galileo ... يفرض الصرامة اللازمة والتطبيق الاستباقي للتقنيات المدعومة من البحث في كل خطوة على الطريق في إنتاج نماذج التعلم الآلي ... [إنه] يؤدي إلى تحسن من الحجم في كيفية تعامل الفرق مع مهمة الفوضى والذهول المتمثلة في التحسين مجموعات بيانات التعلم الآلي. يمكن أن يصل سوق خدمات MLOPS إلى 4 مليارات دولار بحلول عام 2025 ، بتقدير واحد ، ويتضمن شركات ناشئة مثل DataBricks و Datarobot و Logorithmia وشاغليها مثل Google Cloud و Amazon Web Services.
، لا تترجم النقد بالضرورة إلى النجاح. حتى أفضل منصات MLOPS اليوم لا يمكنها حل كل مشكلة شائعة مرتبطة بسير عمل الذكاء الاصطناعى ، خاصةً عندما تكون الأعمال على سبيل المثال
اخلاء مسؤولية! هذا المقال لا يعبر بالضرورة عن رأي جامعة الرازي
