Gestión del ciclo de vida del modelo de IA: visión general

En las empresas, el papel crítico de la IA requiere una metodología y una plataforma bien definidas y sólidas, y una empresa puede incluso fracasar si su metodología y plataforma no están a la altura. Por ejemplo, si la detección del fraude toma malas decisiones, una empresa se verá afectada negativamente. En el largo pipeline de la IA, el tiempo de respuesta, la calidad, la equidad, la explicabilidad y otros elementos deben gestionarse como parte de todo el ciclo de vida. Es imposible gestionarlos individualmente.

Por lo tanto, lo que llamamos "Gestión del ciclo de vida del modelo de IA" gestiona el complicado pipeline de la IA y ayuda a garantizar los resultados necesarios en la empresa. Detallaremos la gestión del ciclo de vida del modelo de IA en una serie de entradas de blog. Además, mostraremos cómo IBM® Cloud Pak for Data puede ayudar a la gestión del ciclo de vida del modelo de IA.

Esperamos que estas entradas de blog sean de interés para las siguientes personas:

• Líderes en ciencia de datos e IA: para comprender mejor cómo aumentar el rendimiento de las inversiones en ciencia de datos e IA.
  
  
• Científicos de datos: para apreciar mejor cómo las actividades de ciencia de datos pueden aprovechar/integrarse con las herramientas/procesos de DevOps, y para comprender más profundamente la estrategia de IBM para la gestión integral del ciclo de vida del modelo de IA.
  
  
• Ingenieros de DevOps: para comprender mejor el proceso de desarrollo de IA, sus complejidades asociadas y cómo puede integrarse con DevOps.

Pensemos en lo que es necesario para la gestión del ciclo de vida del modelo de IA. El primer requisito es un conjunto de componentes para todo el pipeline. El documento "The IA Ladder – Demystifying AI Challenges" explica cómo introducir la IA en la empresa y describe claramente cuatro pasos en el pipeline:

• Recopilar: haga que los datos sean sencillos y accesibles.
  
  
• Organizar: cree una base de análisis preparada para la empresa.
  
  
• Analizar: cree y escale la IA con confianza y transparencia.
  
  
• Infundir: operacionalizar la IA en toda la empresa.

Otro requisito es el gobierno de datos de todo el pipeline. La calidad es esencial en la empresa, y la explicabilidad y la equidad son cada vez más esenciales. Durante todo el pipeline, el gobierno de datos para la gestión del ciclo de vida del modelo de IA debe monitorizar y proporcionar feedback sobre la calidad, la imparcialidad y la explicabilidad.

Como hemos visto, la gestión del ciclo de vida de los modelos de IA no es fácil. Es imposible hacerlo manualmente. Por lo tanto, las herramientas necesarias deben tener las siguientes características para respaldar eficazmente la gestión del ciclo de vida del modelo de IA en una nube:

• Facilidad de entrenamiento e implementación de modelos
  
  
• Implementación y entrenamiento de modelos a escala
  
  
• Monitorización del gobierno de datos, la calidad y el cumplimiento
  
  
• Visualización de todo el pipeline
  
  
• Conectores enriquecidos a fuentes de datos

Un ejemplo de estas herramientas es IBM Cloud Pak for Data. IBM Cloud Pak for Data es una plataforma de IA y datos multinube con herramientas integrales para la gestión del ciclo de vida del modelo de IA de nivel empresarial, ModelOps. Ayuda a las organizaciones a mejorar el rendimiento general de las actividades de ciencia de datos y a lograr un tiempo de obtención de valor más rápido de sus iniciativas de IA. Cloud Pak for Data incluye las siguientes capacidades clave:

• Herramientas de desarrollo y entrenamiento de modelos, que incluyen AutoAI y no-code, capacidades de arrastrar y soltar, y soporte para un conjunto rico de bibliotecas y marcos de código abierto de uso común.
  
  
• Herramientas de implementación de modelos para escalar modelos implementados en producción para aplicaciones modernas y cumplir con los requisitos de rendimiento.
  
  
• Modele herramientas de monitorización y gestión para ofrecer una IA de confianza.
  
  
• Capacidades de virtualización de datos para aumentar significativamente el rendimiento de la IA de los equipos de ciencia de datos ayudando a los científicos de datos a acceder de manera eficiente al amplio conjunto de fuentes de datos de una empresa en un entorno multicloud híbrido, sin tener que copiar datos.
  
  
• DataOps para cumplir con los requisitos de gobierno de datos, calidad y cumplimiento.
  
  
• Servicios de datos completos, con un amplio conjunto de conectores de datos y capacidades escalables de integración de datos multinube para permitir operaciones eficientes de extracción, transformación y carga (ETL) desde una variedad de fuentes de datos.

Gobierne modelos de IA generativa creados desde cualquier lugar e implementados en la nube o en las instalaciones.