AI layihələrinin yarısından azı istismara çıxır — uğurlu yarıya necə düşməli

Süni intellektin kommersiya tətbiqi nəzəri üstünlükdən baza əməliyyat standartına çevrilib. Lakin AI pilotunun yaradılması ilə istismara hazır sistemin yerləşdirilməsi arasındakı uçurum əksər təşkilatlar üçün ciddi maneə olaraq qalır.

"Orta hesabla, AI layihələrinin yalnız 48%-i istismara çıxır." — Gartner, 2024.

Bu məqalədə nəzərdən keçirilən səbəblər texnoloji məhdudiyyətlərlə bağlı deyil. Bunlar təsdiqlənmiş arxitekturanın olmaması, məlumatların kifayət qədər hazır olmaması və maşın öyrənməsi modelləri ilə əsas biznes məntiqi arasındakı uyğunsuzluqdur.

Problemin miqyası

Şirkətlər AI-yə standart proqram təminatı tərtibatı kimi yanaşdıqda, məlumat modellərinin qeyri-deterministik təbiətini nəzərdən qaçırırlar. Nəticədə adi proqram təminatı təcrübəsinin aşkar etmədiyi texniki borc yaranır: kod dəyişməz qalsa da, onun altındakı məlumatlar dəyişir.

Bu borc komandalar böyümək üçün qurulmuş infrastruktur əvəzinə sürətli prototipləşdirməyə üstünlük verdikdə yığılır. Pilot layihə tərtibatçının lokal kompüterindəki statik, təmizlənmiş məlumat dəsti üzərində qüsursuz işləyə bilər. Dinamik, strukturlaşdırılmamış və ya fasiləsiz məlumat axınlarını emal edən real mühitə yerləşdirildikdə isə modelin keyfiyyəti aşağı düşür. Uğursuz pilota arxitekturanı sonradan uyğunlaşdırmağın xərci çox vaxt işi sıfırdan başlamağın xərcini üstələyir.

AI layihələrinin uğursuzluğunun 5 ən yayğın əsas səbəbi

1. 01
   Məlumat infrastrukturunun çatışmazlığı

   Modellər statik CSV faylları deyil, fasiləsiz məlumat konveyerləri tələb edir. Təşkilatda avtomatlaşdırılmış ETL prosesləri yoxdursa, model istismarda yenilənə və dəstəklənə bilmir.

2. 02
   Uyğunsuz optimallaşdırma metrikaları

   Laboratoriya şəraitində 99% dəqiqlik üçün optimallaşdırılmış model emal vaxtını 400% artıraraq onu real vaxt tətbiqləri üçün yararsız edə bilər. Biznes metrikaları ilə texniki metrikalar bir-birinə uyğun olmalıdır.

3. 03
   MLOps inteqrasiyasının olmaması

   ML əməliyyatları modellərin yerləşdirilməsinə, izlənməsinə və yenidən təlim keçməsinə imkan verən infrastrukturdur. MLOps olmadan model proqram məhsulu deyil, statik skriptdir.

4. 04
   Pilot mərhələsində əhatə dairəsinin nəzarətsiz genişlənməsi

   Mürəkkəb, çoxdəyişənli problemləri tək bir V1 buraxılışında həll etmək cəhdi diqqəti yayındırır. Uğurlu AI tətbiqləri tək və ölçülə bilən iş axınlarını ayırır.

5. 05
   «Qara qutu» etimad çatışmazlığı

   Son istifadəçilər AI sisteminin niyə konkret bir qərar verdiyini başa düşə bilmirsə, tətbiq uğursuz olur. İzah edilə bilmə xüsusiyyəti ilk gündən arxitekturaya layihələndirilməlidir.

Texniki baxımdan «istismara hazır» əslində nə deməkdir

İstismara hazır AI sistemi Jupyter bloknotundakı konsepsiya təsdiqindən köklü şəkildə fərqlənir. İstismara hazırlıq dayanıqlılıq, təhlükəsizlik və miqyaslana bilmə deməkdir.

Birincisi, sistem çatışmayan dəyərləri, anomaliyaları və sxem dəyişikliklərini çökmədən emal edən məlumat konveyeri tələb edir. İkincisi, o, modelin davamlı monitorinqini zəruri edir. İstismarda məlumatlar sürüşməyə məruz qalır. Giriş dəyişənləri zaman keçdikcə dəyişir, bu isə modelin dəqiqliyinin aşağı düşməsi deməkdir.

Nəhayət, istismara hazır AI dəyişkən hesablama yüklərini idarə etmək üçün konteynerləşdirilmiş yerləşdirmə (Kubernetes, Docker) tələb edir ki, API sorğularının axını əsas tətbiqin işini ləngitməsin.

İstənilən AI qurmasından əvvəl tədqiqat mərhələsinin rolu

İstismara çıxan layihələr sırasında olmaq üçün tərtibat dövrü tədqiqat mərhələsi ilə başlamalıdır. Webiland-də biz ciddi «Koddan əvvəl tədqiqat» protokolu ilə işləyirik.

Tədqiqat mərhələsi mövcud məlumat arxitekturasını audit edir, AI-nin inteqrasiya olunmalı olduğu dəqiq biznes məntiqini müəyyənləşdirir və yerləşdirmə infrastrukturunun xəritəsini çıxarır. Bu mərhələdə mühəndislər problemin həqiqətən AI həlli tələb edib-etmədiyini və ya deterministik alqoritmin daha səmərəli olub-olmayacağını müəyyən edirlər.

AI tələb olunursa, tədqiqat mərhələsi nəticəsində məlumatların hazırlığı hesabatı, seçilmiş arxitektura steki, müəyyən edilmiş MLOps konveyeri və ilkin yerləşdirmə üçün dəqiq əhatə dairəsi hazırlanır. Bu, fərziyyələri aradan qaldırır və kapital mühəndislik saatlarına yönəldilməzdən əvvəl proqnozlaşdırıla bilən yol xəritəsi təqdim edir.

Təşkilatınızın AI-yə hazır olub-olmadığını necə qiymətləndirməli

AI layihəsinə başlamazdan əvvəl təşkilatınızı üç texniki meyar üzrə qiymətləndirin:

1. 01
   Məlumatların əlçatanlığı

   Məlumatlarınız pərakəndə saxlanılır, yoxsa təhlükəsiz, mərkəzləşdirilmiş API-lər və ya məlumat anbarları vasitəsilə əlçatandır?

2. 02
   Məlumatların həcmi və keyfiyyəti

   Modeli təlimləndirmək üçün kifayət qədər tarixi məlumatınız varmı və bu məlumatlar dəqiq işarələnibmi?

3. 03
   Müəyyən edilmiş baza göstəricisi

   Avtomatlaşdırmağa və ya optimallaşdırmağa çalışdığınız proses üzrə cari metrika nədir?

Cari baza göstəricisini müəyyən edə bilmirsinizsə, AI tətbiqinin ROI göstəricisini də ölçə bilməzsiniz. AI tərtibatında uğur ciddi hazırlığın nəticəsidir.