IA em escala

Acelerar a integração da IA em toda a sua empresa pode gerar crescimento positivo para os negócios. 90% das iniciativas corporativas de IA estão lutando para migrar além dos estágios de teste. As organizações estão amadurecendo em ciência de dados, mas ainda não conseguem integrar e dimensionar análises avançadas e IA/ML na tomada de decisões diárias e em tempo real. Portanto, não conseguem colher o valor da IA. Será necessária uma transformação digital acelerada para o novo mundo do trabalho remoto e a IA/ML pode ser aproveitada para alcançar isso de forma mais rápida. E resultam em operações mais eficientes, experiências do cliente mais atraentes e Tomada de decisão mais criteriosa. As organizações podem obter ganhos significativos em toda a cadeia de valor com a IA, mas as organizações precisam fazer isso desde o início ou correr o risco de acumular multas, penalidades, erros, resultados corrompidos e desconfiança geral dos usuários corporativos e do mercado.

Empresas que escalam estrategicamente a IA relatam quase 3 vezes o retorno dos investimentos em IA em comparação com empresas que buscam provas de conceito isoladas.

A IBM Services possui recursos de ponta a ponta para gerar valor da IA. Impulsione a inovação sustentável em toda a empresa com modelos de IA/ML escaláveis, que são ambientalmente amigáveis, praticáveis, reutilizáveis e escaláveis, que não são apenas experimentos científicos únicos. Os serviços da IBM para IA em escala visam escalar os atuais engajamentos e aplicações de IA para uma configuração empresarial. Consiste em vários pilares, que estão construindo a oferta geral:

Começamos com a visão de estabelecer e expandir a IA e os dados confiáveis como componentes essenciais da estratégia de negócios para obter vantagem competitiva. Nós o baseiamos em uma framework de medição para gerar valor genuíno de IA no qual você e seus clientes podem confiar.

Aconselhamos e trabalhamos em colaboração com a sua equipe para construir um modelo operacional personalizado. Entendemos que cada organização é diferente, e o que funciona para uma não funcionará para outra. Por exemplo, um modelo federado em vez de um modelo não federado. Em seguida, trabalhamos lado a lado com você para desenvolver um pipeline de iniciativas que produza valor empresarial mensurável por meio da colheita de ativos de IA por equipes escaláveis e conectadas.

Orientamos sua direção de dados e tecnologia para IA com a capacidade de migrar e criar novos aplicativos orientados por dados de IA e ML usando um portfólio de produtos de IA flexíveis o suficiente para reunir, integrar e gerenciar dados para vários casos de uso, plataformas e nuvens .

Posicionamos as operações como um componente crítico e parte crítica da implementação de ciência de dados e modelos de IA de forma repetida, consistente e em escala, com quatro objetivos principais: engenharia, implementar, monitoramento e confiança.

Ajudamos a desenvolver a gestão de mudanças para aumentar as taxas de adoção de IA com o mínimo de risco, estabelecendo uma gestão ativa de mudanças em nível de empresa. Essa abordagem pode identificar e lidar com os empecilhos às formas pelas quais a IA pode criar valor para a sua empresa.

Ajudamos na escolha do conjunto de skills, das funções e na configuração da equipe na organização de IA, o que é essencial para alcançar maturidade e escalabilidade.

Um detalhe importante dos IBM Services for IA em escala é que você não precisa começar de novo. A IBM trabalha com seu ambiente existente: sua automação de inteligência, sua governança e seu gerenciamento de dados. O cliente pode obter visibilidade e controle totais sobre suas cargas de trabalho, onde quer que sejam executadas, gerando valor comercial real. Com o objetivo de minimizar o tempo de implementação e o tempo de valorização com risco minimizado, o processo da IBM inclui uma abordagem de quatro fases para a IA na implementação em escala.

1. Fase de avaliação (4-6 semanas): Auditoria, avaliação e planejamento de curto prazo – para identificar lacunas no processo, métodos e ferramentas existentes. Trabalhe com o cliente em uma colaboração conjunta para executar as primeiras soluções.

2. Projetar e estabelecer (4-6 semanas): Construa colaborativamente um framework para construir, dimensionar e manter a IA. Configure um framework de escalabilidade com o cliente com base no ambiente existente.

3. Adotar (3-4 meses): trabalhe em conjunto para entregar os primeiros projetos. Faça um projeto piloto de 3 a 5 MVP em framework para aprimorá-lo; finalizar e configurar arquitetura, processos, programa. Trabalhe com o cliente em uma colaboração conjunta para executar as primeiras soluções. IBM Garage: Cocriar, Coexecutar, Cooperar.

Escala (em andamento): configurar a equipe de escalabilidade, gerenciar o aprendizado de máquina na produção. Fornecer ao cliente IA totalmente gerenciada como um serviço em toda a organização, para que o cliente possa se concentrar nos desafios do negócio.

RAD-ML é a estrutura de abordagem da IBM para acelerar rapidamente o tempo de produção de aplicações de ciência de dados por meio de automação. Com o suporte da metodologia Rapid Asset Development – Aprendizado de Máquina (RAD-ML) e de outros ativos e aceleradores da IBM, o IBM Services for IA em escala oferece frameworks responsáveis, consistentes e inovadores para lidar com e aproveitar a ciência de dados para criar modelos de IA/ML repetíveis, reutilizáveis, escaláveis e praticáveis. A oferta da IBM reduz radicalmente o tempo de desenvolvimento desses modelos e estabelece pipelines para acelerar a implementação em produção, ao mesmo tempo em que aumenta a eficiência dos cientistas de dados dos clientes, permitindo que eles se concentrem em alcançar os resultados comerciais esperados e façam o que fazem de melhor e mais gostam.

O IBM Services for AI em escala é um serviço de "consultoria para operação" que fornece um meio de integrar e dimensionar consistentemente os PoCs de IA/ML em produção, bem como executar e gerenciar esses modelos de IA/ML ao longo do tempo. Os ativos desenvolvidos usando as diretrizes do método RAD-ML podem ser implementados com mais facilidade em uma arquitetura escalável de aprendizado de máquina.

RAD-ML é um framework comprovado para desenvolver ativos ML escaláveis, definindo a prontidão de ativos em dimensões funcionais e estratégicas, e pode ser usado como ponto de partida para qualquer solução de IA/ML se o cliente não tiver um framework comum. Ele pode ser aproveitado para desenvolver ativos ou módulos de ciência de dados independentes, além das soluções existentes. Ele permite a criação de ativos de aprendizado de máquina que respeitam os três recursos (acionáveis, reutilizáveis e escaláveis) usando os seguintes conceitos-chave:

Os ativos de aprendizado de máquina devem ser integrados aos processos de negócios com ROI comprovado

Os ativos de aprendizado de máquina devem ser flexíveis a diferentes contextos de dados e investimentos em tecnologia

Os ativos de aprendizado de máquina devem ser baseados em um design robusto de tecnologia e operações que possa ser ampliado

Cada projeto RAD-ML deve ser integrado ao ambiente preexistente do cliente. Ele também deve adicionar os aceleradores RAD-ML de código aberto e gratuitos: Brainstem, blocos de dashboard, arquitetura e modelos de documentos. Para definir uma arquitetura de operações de ML adequada e padronizada, é necessário estabelecer uma visão geral detalhada do componente-alvo. Os componentes-alvo serão alinhados com a infraestrutura interna e a configuração de ferramentas.

A IBM pode implementar este framework em praticamente qualquer nuvem, incluindo uma multinuvem híbrida. Veja a seguir um exemplo de como a IBM pode usar as ferramentas AWS para criar um pipeline de aprendizado de máquina.

O AWS CodeCommit substitui um repositório git convencional – esse é o local essencial onde todo o código usado de um projeto é armazenado.

O CodeBuild executará todos os testes de unidade e integração, bem como criará um prior a partir das fontes python especificadas, que podem ser implementadas em um contêiner do Docker posteriormente. O CodeDeploy executará um cenário de implementação específico, que executará, por exemplo, constrói o contêiner do Docker, envia para um repositório de imagens do Docker e, no final, carrega a imagem em uma configuração de produção.

O AWS ECR funciona como repositório para todos os contêineres do Docker, que são construídos no pipeline mencionado acima. Ele atua como repositório para contêineres, assim como o CodeCommit atua como repositório para arquivos de configuração e código fonte. Esse é o ponto em que o AWS SageMaker procurará uma imagem docker especificada, quando um trabalho de treinamento é acionado com os respectivos parâmetros do lado de fora.

O AWS SageMaker atua como o ambiente de tempo de execução para todos os trabalhos de treinamento. O AWS SageMaker pode ser acionado por meio de uma vinculação de API/python. O usuário especifica que tipo de modelo deve ser executado e onde os respectivos dados de entrada e saída estão localizados. O AWS SageMaker aceitará imagens docker com um ponto de entrada predefinido contendo o código de treinamento. No entanto, também é possível executar um trabalho definido por TensorFlow/MXNext/ONNX lá. O SageMaker oferece uma interface do usuário para administração e pode ser escalado de forma elástica, pois é um serviço gerenciado. Portanto, o usuário pode escolher entre uma ampla variedade de máquinas usadas para treinar um modelo específico. O AWS SageMaker também pode ser usado para executar o ajuste de hiperparâmetros, que também pode ser acionado por meio da API. A ferramenta selecionará automaticamente a combinação de hiperparâmetros de melhor desempenho. Os resultados de uma execução podem ser gravados diretamente no S3 ou até mesmo no DynamoDB.

O AWS S3 atua como o sistema de arquivos básico para arquivos de entrada e saída. Normalmente, o S3 é usado para armazenar grandes arquivos de dados de treinamento e também pode ser usado para armazenar modelos serializados. O AWS S3 integra-se perfeitamente ao SageMaker.

O AWS DynamoDB é um banco de dados NoSQL baseado em chave-valor totalmente gerenciado pela AWS e pode ser escalado sob demanda. O banco de dados pode ser usado para manter os KPIs de uma execução de modelo para acompanhar o desempenho do modelo ao longo do tempo, por exemplo. Também é utilizado para integrar informações de tempo de execução e metadados de desempenho para uma execução de modelo. O AWS DynamoDB pode ser perfeitamente integrado ao QuickSight, que é uma ferramenta de visualização de dados oferecida pela AWS.

O AWS Elastic Inference é uma instância de EC2 com muito potencial. Os modelos treinados no AWS SageMaker podem ser hospedados em uma instância de EI para previsão. A(s) máquina(s) subjacente(s) pode(m) ser dimensionada(s) sob demanda.

A questão da ética não é apenas um problema de modelagem, mas um problema de negócios. 60% das empresas veem a conformidade como uma barreira para alcançar o sucesso na aplicação da IA, em parte devido à falta de confiança e de compreensão do sistema. IBM desenvolveu uma abordagem de três frentes para cultivar confiança, transparência e imparcialidade, visando operar, manter e dimensionar a IA de forma consistente, preservando a confiança e reduzindo os riscos à marca e à reputação. A IBM pode auxiliar o cliente na adoção da cultura necessária para escalar a IA com segurança, por meio de engenharia de IA utilizando ferramentas forenses para analisar algoritmos complexos, e também na governança para garantir que a engenharia esteja alinhada à cultura da empresa. No centro da IA confiável estão as ferramentas de telemetria e forenses que a IBM detém na comunidade para nossa base de código aberto e Linux.

O IBM Services for AI at Scale baseia-se no toolkit de código aberto da IBM Research, no AI Fairness 360 e nas fichas técnicas. Os desenvolvedores podem compartilhar e receber códigos de última geração e conjuntos de dados relacionados à detecção e mitigação de vieses de IA. Esses esforços de pesquisa da IBM também nos levaram a integrar o IBM Watson OpenScale, uma oferta comercial projetada para criar soluções ou empresas baseadas em IA para detectar, gerenciar e mitigar o viés da IA.