Cómo lanzar tus proyectos de IA desde piloto a producción… y asegurar el éxito

NVIDIA and CIO report that 30-49% of AI projects fail in one-third of organizations, with 94% of executives viewing AI as critical for success. CIOs and CDOs must establish ModelOps lifecycles, educate business leaders, and plan infrastructure to improve AI project success rates from pilot to production.

Este artículo te llega gracias a NVIDIA https://www.nvidia.com/en-us/data-center/products/ai-enterprise/?ncid=ref-inpa-477277 cid=hpc09 p14 ref-inpa en-us?utm source=idg&utm campaign=nvidia48011&utm medium=social y CIO. Las opiniones expresadas en él son las del autor y no reflejan necesariamente las de NVIDIA. Los CIO que buscan grandes logros en áreas de alto impacto empresarial donde existe un margen significativo de mejora deberían revisar sus proyectos de ciencia de datos, aprendizaje automático ML e inteligencia artificial IA . Un informe reciente de IDC https://www.idc.com/getdoc.jsp?containerId=AP47366221 sobre proyectos de IA en India 1 señala que entre el 30% y el 49% de los proyectos de IA fracasaron en aproximadamente un tercio de las organizaciones, y otro estudio de Deloitte https://www2.deloitte.com/us/en/pages/consulting/articles/state-of-ai-2022.html califica el rendimiento organizativo en IA del 50% de los encuestados como inicial o por debajo de lo esperado. Ese mismo estudio indica que el 94% de los encuestados considera que la IA es crítica para el éxito en los próximos cinco años. Los ejecutivos ven en la IA una oportunidad para diferenciarse competitivamente y buscan líderes capaces de ofrecer resultados exitosos. El ML y la IA siguen siendo áreas relativamente nuevas, y los líderes deben esperar un aprendizaje continuo y una curva de madurez en evolución. Pero los CIO, CDO y científicos jefe pueden desempeñar un papel activo para mejorar el número de proyectos de IA que pasan de piloto a producción. Un conjunto en desarrollo de buenas prácticas para equipos de ciencia de datos abarca el proceso de desarrollo y las tecnologías necesarias para construir y probar modelos de aprendizaje automático. Desarrollar modelos no es trivial, y los científicos de datos afrontan retos como limpiar y etiquetar datos, seleccionar algoritmos, configurar modelos, preparar la infraestructura y validar los resultados. Los líderes que deseen mejorar el rendimiento en la entrega de la IA deberían abordar primero esta cuestión: ¿están los científicos de datos preparados para el éxito? ¿Están trabajando en problemas que puedan generar resultados empresariales relevantes? ¿Disponen de plataformas de aprendizaje automático como NVIDIA AI Enterprise , acceso a la infraestructura y tiempo continuo de formación para mejorar sus prácticas de ciencia de datos? Los líderes pueden revisar y abordar problemas si los equipos de ciencia de datos tienen dificultades para desarrollar modelos. Sin embargo, para desplegar modelos y garantizar el éxito, los CIO y los CDO deben establecer un ciclo de vida del modelo, o ModelOps. El ciclo de vida comienza antes del desarrollo del modelo y requiere formar a los líderes de negocio sobre su papel en la contribución a los proyectos de IA. También exige planificar la infraestructura a escala, implantar cumplimiento normativo y gobernanza, crear una estrategia de seguridad en el edge y colaborar con los equipos implicados para garantizar una transformación exitosa. Aquí hay varios factores a considerar: · Educar a los líderes de negocio sobre su papel en los proyectos de ML. ¿Han definido criterios de éxito realistas y áreas de experimentación de bajo riesgo? ¿Participan en los pilotos y aportan feedback ? ¿Están preparados para transformar procesos empresariales con capacidades de aprendizaje automático o frenarán las inversiones ante el primer obstáculo? · Adoptar un enfoque de construir, comprar o asociarse al desarrollar modelos. En algunos casos tiene sentido desarrollar modelos propios, pero también conviene evaluar frameworks como motores de recomendación o SDKs de IA de voz. · Pensar con antelación en los requisitos de infraestructura en producción. La infraestructura de laboratorio utilizada para desarrollar modelos, así como la escala reducida de un piloto, puede no ser óptima para producción. Por ejemplo, la IA en sanidad, edificios inteligentes o aplicaciones industriales que afectan a la seguridad humana puede requerir soluciones de edge o computación embebida para garantizar fiabilidad y rendimiento. · Planificar aplicaciones de IA a gran escala en el edge. Cuando existen miles de dispositivos IoT, hay oportunidades para desplegar aplicaciones de IA directamente en ellos. Por ejemplo, flotas de vehículos —como camiones de reparto, maquinaria de construcción o equipos agrícolas— pueden usar aplicaciones de IA desplegadas en el dispositivo para ofrecer información en tiempo real a los operadores, mejorando la productividad y la seguridad. Una solución de gestión del edge https://www.nvidia.com/en-us/data-center/products/fleet-command/ que despliegue aplicaciones, facilite las comunicaciones y proporcione capacidades de monitorización es fundamental. · Establecer capacidades de MLOps, ModelOps y monitorización de infraestructura. Los equipos de ciencia de datos necesitarán MLOps https://www.nvidia.com/en-us/data-center/solutions/mlops/ para automatizar el paso a producción, mientras que el cumplimiento requerirá ModelOps y actualizaciones de modelos para abordar el “model drift”. Los equipos de infraestructura y operaciones necesitarán monitorización para revisar costes, rendimiento y fiabilidad en la nube. Los equipos de TI no sólo despliegan aplicaciones. También participan en la planificación para lograr resultados de negocio y, posteriormente, implantan DevOps para garantizar la entrega y la mejora continua. Aplicar prácticas similares a la ciencia de datos, el aprendizaje automático y la IA mejorará el éxito tanto en pilotos como en entornos de producción. 1 IDC FutureScape: Worldwide Artificial Intelligence 2021 Predictions — India Implications