MLOps er rigtig god forretning — hvis den får lov

Enhver AI og ML-model mister nøjagtigheden over tid. De data, der bruges til at træne den, bliver forældede og afspejler ikke længere markedsforholdene. Som følge heraf når virksomheden til de forkerte konklusioner, og reagerer ikke optimalt på ændringer i markedet. For at undgå dette skal man regelmæssigt indsamle nye data, opdatere modellen og integrere den med infrastrukturen. Det er tids- og ressourcekrævende, og udfordringerne vokser kun i takt med at man introducere flere modeller.

Men der er en løsning — MLOps (Machine Learning Operations). MLOps er et sæt praksisser og værktøjer, der har til formål at implementere og vedligeholde Machine Learning-modeller i produktionen, pålideligt og effektivt. Og har man valgt at anvende machine learning, er MLOps det naturlige næste skridt i den videre forretningstransformation. Men mange kæmper fortsat med at operationalisere MLOps, og det kan vise sig at være en forretningsstrategisk udfordring. Et par eksempler på dette — og hvad der kan opnås, når det er gennemført - kan være at Netflix efter sigende skal have sparet en milliard dollars ved brug af MLOps eller at Google’s deep learning machine learning rammer plet i 89% af tilfældene forhold til opsporing af brystcancer.

Besparelser og effektivisering af tid og ressourcer giver nemlig mulighed for at fokusere på modellens kvalitet. Særligt i dynamiske industrier, der genererer en masse konstant skiftende data som blandt andet detail- og e-handel, sundhedspleje og forsikring tilbyder MLOps store fordele. Det gør MLOps attraktiv i et omfang, at det globale MLOps-marked ifølge en Deloitte-rapport vil nå op på næsten $4 milliarder i 2025 .

Eksempelvis kan MLOps og machine learning bidrage til at forudsige efterspørgsel, styre kundeoplevelsen og optimere lager- og transportlogistik i detailhandelen.

I sundhedsvæsenet bruges ML til blandt andet at analysere patientdata og resultaterne af medicinsk forskning. Neurale netværk trænes på et stort antal billeder fra røntgenstråler, ultralyd, magnetisk resonansbilleddannelse (MRI'er) til computertomografi (CT) scanninger og andre kontroller. Brugen af ML er således med til at reducere risici og bidrage til rigtig valg af behandling.

Forsikringsselskaber analyserer mange variabler, når de beregner mulige risici, potentielle omkostninger og indtægter. Machine learning-teknologi hjælper her med at forudsige risikoen for omkostningerne ved forsikringssager og forbedre servicekvaliteten med mere. Men for virkelig at drage fordel af disse fordele er der brug for MLOps.

Beklageligvis bliver mange af disse store fordele aldrig opnået, fordi ML-modellerne ikke bliver fulgt til dørs, data udnyttet og den tilgængelige ML-løsning trænet og dermed optimeret igen og igen. Så projekterne risikerer at blive lagt til side, investeringerne bliver ikke hentet hjem og nyttig viden bliver ikke brugt.

Vi har forstået at data er godt og meget data er meget godt, men det er kun gældende hvis den bliver anvendt. Og det er der, det halter. Viden bliver ikke implementert, MLOps ikke operationaliseret og dermed står vi med en lose/lose situation i stedet for det modsatte.

En af forudsætningerne for at implementere MLOps-konceptet er arbejdet i hybride teams. Sådanne projekter involverer dataingeniører, Data Scientist, ML-ingeniører, ML-arkitekter, DevOps-ingeniører og AI-eksperter. Desværre mangler vi oftere og oftere disse ressourcer i Danmark.

Dette til trods kan det vise sig at være yderst forretningsstrategisk uheldigt at undlade målrettet at gå efter at udnytte de fordele, der ligger i operationaliseringen af MLOps.