Sztuczna inteligencja? Naturalnie!
Czym dokładnie jest MLOps?
Nowe podejście wiąże się m.in. ze zmianą tradycyjnego stosunku nie tylko do analizy danych, ale także kompetencji analityka danych. W przeszłości oczekiwano od niego przede wszystkim solidnej wiedzy w dziedzinie matematyki, informatyki i biznesu. W praktyce największą rolę w jego codziennej pracy odgrywały matematyka oraz statystyka, a standardowe projekty przebiegały stosunkowo liniowo. Najpierw określano ich zakres, następnie pozyskiwano dane, modelowano je, a na końcu „przekładano” na zastosowanie biznesowe. Podejście MLOps choć w zarysie może wydawać się podobnym do tradycyjnego, to wzmacnia sprzężęnia zwrotne między każdym z etapów i prioretyzuje działające, końcowe rozwiązania pozwalając na szybsze i bardziej efektywne finalizowanie projektów – mówi Dominik Deja, Data Science Manager w Capgemini.
Są korzyści, chcemy więcej
Organizacje korzystające z MLOps automatyzują procesy pracy nad danymi, co skutkuje szybkimi, niezawodnymi, lepszej jakości wdrożeniami. To pomocne na wielu poziomach – od przyspieszenia testów do szybszej aktualizacji danych. Rozwiązania budowane w ten sposób dostarczają bardziej wartościowych informacji, co przekłada się na wymierne korzyści dla przedsiębiorstw, m.in. w zakresie optymalizacji procesów czy osiągania przewagi konkurencyjnej. Przyszłość należy do projektów budowanych w ten sposób. Będą przy nich pracować ci analitycy danych, których interesuje tworzenie modeli uczenia maszynowego, wpisujących się w szersze zastosowania biznesowe. Drugą ścieżką jest praca przy krótkich projektach badawczych i doraźnych analizach – dodaje Dominik Deja, Data Science Manager w Capgemini.