ご来場いただきありがとうございます。月曜日から金曜日まで、TNS の最高のコンテンツが届き、最新ニュースやゲームでのトップの座を維持できます。

受信トレイで確認メールを確認し、設定を調整したり、追加のグループに参加したりすることができます。

お気に入りのソーシャル メディア ネットワークで TNS をフォローしてください。

LinkedIn で TNS のフォロワーになりましょう。

最初の TNS ニュースレターを待つ間に、最新の特集記事やトレンド記事をチェックしてください。

人工知能に関する最近の 2 つの調査では、AI の価値提案が臨界点に達したことが示されています。PwC の 2023 年新興技術調査によると、米国の回答者の 73% が、自社が一部の事業領域で AI を導入していると述べています。最近の Forbes Advisor の調査では、回答者の 64% が AI によって顧客関係が改善され、生産性が向上すると述べ、60% が AI によって売上が伸びると予想しています。
しかし、企業が競争上の優位性を獲得するために予測的および生成的 AI を中心に業務を再構築するにつれて、機械学習オペレーション (MLOps) の効率を最大化し、ROI をプラスにする必要があります。大規模な AI により、企業が開発、トレーニング、または実稼働中の機械学習モデル (MLM) を常時数十または数百持つことができるようになるため、これは今日では簡単なことではありません。
適切な自動化とセルフサービス機能がなければ、大規模な分散 MLOps をサポートするワークフローによって、機械学習 (ML) エンジニアは終わりのないインフラストラクチャとコンポーネントの管理タスクを遂行できなくなります。その結果、MLM がサポートするモデルや AI アプリケーションに関する価値の高い作業に従事できなくなります。
プラットフォーム エンジニアリングが DevOps の動きから生まれ、アプリ開発ワークフローを合理化したのと同様に、プラットフォーム エンジニアリングは MLOps のワークフローを合理化する必要があります。これを実現するには、まず DevOps と MLOps の基本的な違いを認識する必要があります。そうして初めて、ML エンジニア向けの効果的なプラットフォーム エンジニアリング ソリューションを作成できます。大規模な AI を実現するには、企業は MLOps 専用のプラットフォーム エンジニアリング ソリューションの開発、展開、保守に取り組む必要があります。
データ ガバナンスの要件のためであれ、地理的にかなり離れた場所に大量のデータを移動することに関する実際的な懸念のためであれ、大規模な MLOps では、企業はスポークとホイールのアプローチを活用する必要があります。モデルの開発とトレーニングは一元的に行われ、トレーニングされたモデルはローカル データで微調整するためにエッジ ロケーションに配布され、微調整されたモデルはエンド ユーザーがモデルとやり取りする場所や、エンド ユーザーが活用する AI アプリケーションの近くに展開されます。
大規模に AI を導入している企業の数は次のとおりです。
大規模な MLOps 向けに設計されたプラットフォーム エンジニアリング ソリューションは、次の要件をすべて満たす必要があります。
AI エコシステムを取り巻くイノベーション経済により、AI スタックをほぼ毎日改善する新しいコンポーネントが導入されています。適切に開発されていれば、ML プラットフォーム エンジニアリング ソリューションは、強力な新技術が利用可能になったときにそれを活用できます。これを可能にするには、ML プラットフォーム エンジニアリング ソリューションをプロジェクトとしてではなく、製品として管理する必要があります。
これには、プラットフォームに携わるデータ サイエンティストや ML エンジニアを顧客として扱い、ソリューションの機能バックログを管理する専任の製品サポート チームを割り当てることが必要です。プラットフォーム エンジニアリング製品チームは、要件の変化やテクノロジーの進化に合わせて、ソリューションを継続的に改善する必要があります。
企業は、プラットフォーム エンジニアリングの役割を適切に果たすために、MLOps の経験を持つエンジニアを雇用する必要があります。世界経済フォーラムの調査によると、AI は 2025 年までに約 9,700 万の新しい雇用を生み出すと予測されています。これらの機会のうち、ML プラットフォーム エンジニアリングの役割はますます増えていくでしょう。
MLOps プラットフォーム エンジニアリング アプローチを採用する企業は、ML エンジニアが雇用された目的である価値の高いデータ サイエンス作業に常に集中できるようにすることで、運用効率を即座に高め、AI プログラムを将来にわたって使い続けられるようにすることができます。

コミュニティが作成したロードマップ、記事、リソース、開発者向けのジャーニーは、あなたの進路の選択とキャリアの成長に役立ちます。

元記事: https://thenewstack.io/optimize-ai-at-scale-with-platform-engineering-for-mlops/

コメントを残す

メールアドレスが公開されることはありません。 が付いている欄は必須項目です

このサイトはスパムを低減するために Akismet を使っています。コメントデータの処理方法の詳細はこちらをご覧ください