Datadrevet innovasjon - Livssyklus, autonomi og kontinuerlig forbedring

Livssyklus, autonomi og kontinuerlig forbedring

Som med all systemutvikling, må maskinlæringsmodeller ikke bare utvikles, men forvaltes. Men hvem skal gjøre det og hvilke egenskaper må være til stede for at løsningen skal være forvaltbar?

Bilde av Edvard Neset Karlsen

Edvard Neset Karlsen

Data engineer & data scientist

Bilde av  Frode Standal

Frode Standal

Teknologisjef

Videreutvikling av maskinlæringsmodeller
I denne iveren etter å bruke maskinlæring i egen organisasjon er det også viktig å tenke på at dette er modeller som skal leve lenge og som kanskje må trenes på nytt.
arne-aditro-forvaltning.mdx
Det betyr at du må ha en organisasjon som også tar ansvar for videreutvikling. Vi har erfart at det er lurt at det teamet som utvikler løsningen også videreutvikler løsningen. Hvilket betyr at man trenger flere team i en organisasjon som eier løsningen både i utvikling og vekstfasen. Med vekstfasen mener vi den fasen etter at du har fått etablert produktet og skal ta tak i å få det til å bli en suksess, ref. boken Hacking Growth av Ellis & Brown.
linn-dnb-forvaltning.mdx
Å holde modellene enkle kan være en fordel for at de skal vare lenger.
øyvind-fremtind-forvaltning.mdx
Hvis du må ha egne ansatte som skal forvalte er det altså krevende, og en mulig løsning på dette er å trekke ML inn i kjernesystemet.
arne-aditro-forvaltning-2.mdx
Når du bruker historiske data for å trene modellen så kan endringer som gjøres gi utfordringer. Løsningen blir da at man må koble sammen AI-løsningen med noe annet eller noen andre som sørger for at beslutningen skjer på en god måte selv om man ikke har nok historiske data. Dette betyr at det er lurt å se på om du kan klare å holde forutsetningene for dataene du samler inn stabile, og at du må tenke på at hvis du endrer noe så må modellen trenes på nytt og du må ha andre måter å håndtere det at den har for lite data på i en periode.
MLOps og det autonome teamet
MLOps (Machine Learning + Operations) handler om praksiser for samspill mellom Data scientists og de som er ansvarlig for drift av løsningene for å sørge for å ivareta hele livssyklusen til ML-baserte løsninger fra modellbygging, deployment og overvåking av forretningsmetrikker, til retrening og versjonshåndtering av modeller.
jan-erik-sb1u-forvaltning.mdx
Som konsulenter ser vi at leveranseteam i større og større grad tar et helhetsansvar for løsningene som utvikles og driftes, og hvor en DevOps-kultur bidrar til dette. Samtidig utviskes stadig oftere det skillet man tidligere opererte med mellom utvikling og forvaltning hvor et utviklingsteam overleverte ansvaret for løsningen til et forvaltningsteam.
Slike moderne leveranseteam vet hvilke forretningsmål som man ønsker å oppnå, og har ressurser og autonomi til å bestemme hvordan en løsning bør videreutvikles.
Når maskinlæring blir en stadig viktigere del av løsningene, og vi vet at også maskinlæringsmodeller må tilpasses og videreutvikles, så er det naturlig å se for seg at flere og flere tverrfaglige leveranseteam vil ha en data scientist i teamet, på linje med forretningsutviklere, UX'ere, systemutviklere, testere og teamledere.

Hvor modne er dere?

Vi har laget en spørreundersøkelse som kan måle modenheten i deres organisasjon. Du kan gjennomføre det anonymt og se sammenslåingen av resultatene til alle som har besvart.

06. Fremtiden er nå

Det er ingen grunn til å vente på fremtiden, det er bare å gå i gang med å forme den.