Intraprendere il percorso AI-driven

Approfondimenti

In questo articolo si vuole approfondire come, secondo Humanativa, le aziende possano diventare AI-driven.

Esistono 3 problemi chiave da risolvere per poter intraprendere un percorso AI-driven:

    1. Big Data e Algoritmi Complessi
    2. Superare la Diffidenza del Business
    3. Riorganizzare i Processi

Big Data e Algoritmi Complessi

Per questo primo punto, spesso il Cliente può trovarsi nella situazione in cui:

  • dispone di grandi volumi di dati che sono certamente una buona base per qualunque sistema di ML per il suo apprendimento iniziale
  • ma per risolvere il suo problema con il ML, deve poter usare Algoritmi Complessi di ML di Ultima Generazione

Questa è la situazione tipica per la quale si suggeriscono i Servizi di ML in Cloud.

Scegliere il percorso dei Servizi in Cloud per il ML significa per il Cliente:

  • Dotarsi della capacità di ridurre la complessità delle elaborazioni Big Data con una maggiore attenzione verso tecniche quali il Calcolo Distribuito che definiranno il giusto bilanciamento di una funzione di costo.
    Il Calcolo Distribuito assicura la riduzione dei tempi di definizione dei Modelli di ML sia in fase di training che in fase di re-training (MLOps).
  • Avere contezza del Costo del Machine Learning nel Cloud.

Highlights:

  • Calcolo Distribuito (riduce i tempi di apprendimento del ML).
    Humanativa ha competenze sul calcolo distribuito in Cloud. Efficientare i Modelli per il Calcolo Distribuito (o con soluzioni alternative quali l’addestramento su GPU) è un fattore determinante in ambito Big Data e IOT, soprattutto per i modelli di reti neurali.
    Siamo in grado sia di integrare i servizi offerti dai maggiori fornitori di Cloud, sia di fornire nuovi componenti di ML e algoritmi riadattabili o «nativi» per il calcolo distribuito.
  • Costo del ML del Cloud:
    Abbiamo esperienza sui costi dei 3 cloud.
    Humanativa è in grado di fornire servizi per l’ottimizzazione dei Costi. Humanativa sta ingegnerizzando un sistema di Analisi dei Costi Predittiva (studiando algoritmi di predizione che verranno trasformati in servizi di predizione per il Cliente).

Superare la Diffidenza del Business

Il secondo punto, “Superare la Diffidenza del Business” è il cuore del percorso. Il cosiddetto Business è la business unit che ha un bisogno sul proprio servizio e alla quale occorre proporre soluzioni con il ML. Il Business per poter comprendere e utilizzare l’analisi avanzate ha bisogno di:

  • possibilità di sperimentare senza essere esperti di ML
  • strumenti di ML semplici all’uso orientati al Business.

Humanativa è in grado di avvicinare il Business all’ AI & ML attraverso le seguenti linee:

  • Training al Cliente di Business per renderlo autonomo.
  • Consulenza per il miglioramento dei Processi di Business.
  • Best Practice per monitorare in modo regolamentato tutto il processo end-to-end di un servizio di ML (MLOps).
  • Innovazione. Tecniche di AI & ML che accelerano e semplificano l’uso del ML.

La chiave di volta per superare la Diffidenza del Business è di introdurre il concetto della Semplicità di Utilizzo del ML per Esperti del Dominio.

Raggiungere la semplicità d’uso significa rendere “operativamente” più semplice sia il processo di creazione di un modello (es. via AutoML) che il processo di delivery del modello stesso (via MLOps). In che modo? Questi due temi sono offerti da Humanativa sia come Consulenza Operativa che di Governo del Processo. Siamo quindi in grado di offrire:

  • Consulenza Operativa:
    • AutoML integration. governare e gestire le funzionalità di AutoML proposte dai maggiori Cloud services sia per produrre che per sperimentare Modelli.
    • MLOps Pipelines regolamentate e replicabili per automatizzare il processo di delivery in esercizio dei Modelli.
  • Consulenza di Governo del Processo:
    • Monitorare i risultati e gestire il re-training.
    • Monitorare i Costi del ML sia in fase di stima che durante l’uso in produzione.

Più in generale, seguendo l’orientamento di Servizi in Cloud, in funzione del problema da risolvere con il ML, possiamo presupporre che nei grandi Clienti sia possibile la compresenza di più fornitori di servizi Cloud (vedi Google GCP, Amazon AWS, Microsoft Azure) in una situazione “MultiCloud”. Nel caso dell’Auto-ML ad esempio siamo in grado di dare indicazioni su quale servizio (AWS, GCP o Azure) sia più consono alla risoluzione di un problema di ML.

In conclusione, facendo riferimento alla nostra metodologia HN ML Method, semplificare l’usabilità del ML significa accompagnare il Cliente in tutte le fasi: dall’utilizzo dei servizi di base offerte dai gestori del Cloud, alla progettazione e messa in opera dei Modelli di ML, al governo dei Costi del Servizio di ML.

Riorganizzare i Processi

Il terzo punto è relativo alla Riorganizzazione dei processi legati ai servizi di ML e va affrontato secondo diverse prospettive sia manageriali che operative.

La figura seguente ci mostra 4 temi che vanno dalla gestione dei processi al controllo dei costi, alla crescita nel tempo di livelli di maturità via via maggiori dei servizi di Machine Learning.

In breve:

  • Oggi quando si parla di ML si pensa solitamente alla fase di Apprendimento per la produzione dei Modelli, non si pensa a tutto il Ciclo End-to-End che va governato e monitorato sia operativamente che nei costi.
  • Consapevolezza e Governo dei Costi del ML lungo tutto il processo end-to-end di ML e Monitorare il Costo dei Cloud in modo agile.
  • Funzioni costo focalizzate all’obiettivo del servizio di ML
  • Porsi come obiettivo il “miglioramento continuo” seguendo un proprio Machine Learning Maturity Model ad esempio:
    • introducendo automatismi via via maggiori sia in fase di modellazione
    • introducendo automatismi via via maggiori in fase di delivery e re-training dei modelli di ML
    • riducendo la latenza degli aggiornamenti dei Modelli
    • introducendo alert nel monitoraggio dei risultati del ML in produzione al fine di aggiornare i Modelli di ML in consideraizone sia della funzione di costo del servizio di ML sia del superamento di soglie di livello di errore quando incompatibili con la funzione di costo.
    • Formando nuove figure professionali da introdurre in azienda per trasformarsi soprattutto se si affronta la soluzione verso l’AI-Cloud.
    • sfruttare le risorse non IAAS ma Serverless: si paga solo nel momento in cui si esegue una attività.

In conclusione, in tutti e 3 i punti chiave, enunciati in questa breve guida verso l’azienda AI-driven, il “fil rouge” è sostanzialmente Governare Processi e Costi del Machine Learning, dando “fiducia” ad un percorso di innovazione che porta ad un rinnovamento dell’azienda sotto tutti i punti di vista manageriali, operativi, di know-how, dei costi, e infine del valore del cliente finale.