AI dalam Skala Besar

Mempercepat integrasi AI di seluruh perusahaan Anda dapat menghasilkan pertumbuhan bisnis yang positif. 90% dari inisiatif AI perusahaan berjuang untuk pindah melampaui tahap pengujian. Organisasi makin matang dalam Ilmu Data, tetapi masih gagal untuk mengintegrasikan dan menskalakan Advanced Analytics dan AI/ML ke dalam pengambilan keputusan real-time setiap hari — sehingga mereka tidak dapat menuai nilai AI. Transformasi digital yang dipercepat akan diperlukan untuk dunia baru pekerjaan jarak jauh dan AI/ML dapat dimanfaatkan untuk mencapai ini lebih cepat. Dan ini menghasilkan operasi yang lebih efisien, pengalaman pelanggan yang lebih menarik, dan pengambilan keputusan yang lebih berwawasan luas. Perusahaan dapat memperoleh keuntungan yang signifikan di seluruh rantai nilai dengan AI, tetapi organisasi harus melakukannya sejak awal atau menghadapi risiko timbul denda, penalti, kesalahan, hasil yang rusak, dan ketidakpercayaan umum dari pengguna bisnis mereka dan pasar.

Perusahaan yang secara strategis menskalakan AI melaporkan hampir 3X pengembalian dari investasi AI dibandingkan dengan perusahaan yang mengejar bukti konsep yang tertutup.

IBM Services memiliki kemampuan menyeluruh untuk mendorong nilai dari AI. Mendorong inovasi berkelanjutan di seluruh perusahaan dengan model AI/ML yang dapat diskalakan, yang ramah lingkungan, dapat ditindaklanjuti, dapat digunakan kembali, dan dapat diskalakan, yang tidak hanya merupakan eksperimen sains sekali pakai. Layanan IBM untuk AI dalam skala besar bertujuan untuk meningkatkan keterlibatan dan aplikasi AI saat ini menuju pengaturan perusahaan. Ini terdiri dari beberapa pilar, yang membangun penawaran keseluruhan:

Kami mulai dengan visi untuk membangun dan menskalakan AI dan data yang dapat dipercaya sebagai komponen strategi bisnis utama untuk keunggulan kompetitif. Kami mendasarkannya pada kerangka kerja untuk menghasilkan nilai AI asli yang dapat Anda dan klien Anda percayai.

Kami menyarankan dan bekerja sama dengan tim Anda untuk membangun model operasi yang disesuaikan. Kami memahami bahwa setiap organisasi berbeda, dan apa yang berhasil untuk satu organisasi tidak selalu berhasil untuk yang lain. Misalnya, model federasi dibanding model non-federasi. Kami kemudian bekerja sama dengan Anda untuk mengembangkan serangkaian inisiatif yang menghasilkan nilai bisnis yang dapat diukur melalui pemanfaatan aset AI oleh tim yang dapat diskalakan dan terhubung.

Kami memandu arah data dan teknologi Anda untuk AI dengan kemampuan untuk bermigrasi dan membangun aplikasi berbasis data AI dan ML baru dengan menggunakan portofolio produk AI yang cukup fleksibel untuk mengumpulkan, mengintegrasikan, dan mengelola data untuk berbagai contoh penggunaan, platform, dan cloud.

Kami memosisikan operasi AI sebagai komponen utama dan bagian penting dalam meluncurkan ilmu data dan model AI secara berulang, konsisten dan dalam skala besar dengan empat tujuan utama: merekayasa, menerapkan, memantau, dan memercayai.

Kami membantu mengembangkan manajemen perubahan untuk meningkatkan tingkat adopsi AI dengan risiko minimal dengan membangun manajemen perubahan tingkat perusahaan yang aktif. Pendekatan ini dapat mengidentifikasi dan mengatasi hambatan yang menghalangi cara-cara di mana AI dapat menciptakan nilai bagi perusahaan Anda.

Kami membantu dalam memilih set keahlian, peran, dan pengaturan tim yang tepat dalam organisasi AI yang penting untuk mencapai kematangan dan skalabilitas.

Detail penting dari IBM Services for AI at Scale adalah Anda tidak harus memulai dari awal. IBM bekerja dengan lingkungan Anda yang ada: otomatisasi intelijen Anda, tata kelola Anda, dan manajemen data Anda. Klien dapat memperoleh visibilitas dan kendali penuh atas beban kerja mereka—di mana pun beban kerja tersebut dijalankan—sehingga menghasilkan nilai bisnis yang nyata. Dengan tujuan meminimalkan waktu implementasi dan waktu untuk mendapatkan nilai (time to value) dengan risiko yang minimal, proses IBM mencakup pendekatan bertahap empat fase untuk implementasi AI skala besar.

1. Tahap penilaian (4-6 minggu): Audit jangka pendek, penilaian, dan perencanaan – untuk mengidentifikasi kesenjangan dalam Proses, Metode, dan Alat yang ada. Bekerja dengan klien dalam kolaborasi bersama untuk mengeksekusi solusi pertama.

2. Desain dan Menetapkan (4-6 minggu): Secara kolaboratif membangun kerangka kerja umum untuk membangun, menskalakan, dan memelihara AI. Siapkan kerangka kerja skalabilitas dengan klien berdasarkan lingkungan yang ada.

3. Adopsi (3-4 bulan): Bekerja sama untuk menyelesaikan proyek pertama. Percontohan 3-5 MVP pada kerangka kerja untuk mengasahnya; menyelesaikan dan mengatur arsitektur, proses, program. Bekerja dengan klien dalam kolaborasi bersama untuk mengeksekusi solusi pertama. IBM Garage: Berkreasi bersama, eksekusi bersama, kerja sama.

Skalabilitas (berlangsung): Membentuk Tim Skalabilitas, mengelola Machine Learning dalam produksi. Menyediakan layanan AI yang sepenuhnya dikelola sebagai layanan (AI as a Service) di seluruh organisasi, sehingga klien dapat fokus pada tantangan bisnis.

RAD-ML adalah kerangka kerja pendekatan IBM untuk mempercepat waktu produksi aplikasi ilmu data melalui otomatisasi dengan cepat. Didukung oleh metodologi Rapid Asset Development – machine learning (RAD-ML) serta aset dan akselerator IBM lainnya, IBM Services untuk AI dalam skala besar menyediakan kerangka kerja yang bertanggung jawab, konsisten, tetapi inovatif untuk menangani dan memanfaatkan ilmu data guna membangun model AI/ML yang dapat diulang, dapat digunakan kembali, dapat diskalakan, dan dapat ditindaklanjuti. Penawaran IBM secara radikal mengurangi waktu pengembangan model-model tersebut dan membangun pipeline untuk mempercepat penerapan ke dalam produksi, sambil meningkatkan efisiensi ilmuwan data klien — memungkinkan mereka untuk fokus pada pencapaian hasil bisnis yang diharapkan dan melakukan apa yang paling mereka lakukan dan paling nikmati.

IBM Services for AI at Scale adalah layanan “konsultasi hingga implementasi” yang menyediakan cara untuk secara konsisten mengintegrasikan dan menskalakan PoC AI/ML ke dalam produksi, serta menjalankan dan mengelola model AI/ML tersebut seiring waktu. Aset yang dikembangkan menggunakan pedoman metode RAD-ML dapat lebih mudah diimplementasikan pada arsitektur machine learning yang dapat diskalakan.

RAD-ML adalah kerangka kerja yang terbukti untuk mengembangkan aset ML yang dapat diskalakan, mendefinisikan kesiapan aset di seluruh dimensi fungsional dan strategis, dan dapat digunakan sebagai titik awal untuk solusi AI/ML apa pun jika klien tidak memiliki kerangka kerja yang sama. Ini dapat dimanfaatkan untuk mengembangkan aset atau modul ilmu data mandiri di atas solusi yang ada. Ini memberdayakan pembuatan aset machine learning yang menghormati tiga kemampuan (dapat ditindaklanjuti, dapat digunakan kembali, dan dapat diskalakan) dengan menggunakan konsep-konsep utama berikut ini:

▪ Aset machine learning harus diintegrasikan dalam proses bisnis dengan ROI yang terbukti

▪Aset machine learning harus fleksibel untuk konteks data dan investasi teknologi yang berbeda

▪Aset machine learning harus didasarkan pada teknologi yang kuat dan desain operasi yang dapat ditingkatkan

Setiap proyek RAD-ML harus diintegrasikan ke dalam lingkungan klien yang sudah ada sebelumnya. Selain itu, juga harus menambahkan akselerator RAD-ML sumber terbuka dan gratis: Brainstem, dash-blocks, arsitektur, dan templat dokumen. Untuk mendefinisikan arsitektur ML Ops yang sesuai dan terstandarisasi, perlu ditetapkan gambaran komponen target yang terperinci. Komponen target akan diselaraskan dengan infrastruktur internal dan pengaturan alat.

IBM dapat mengimplementasikan kerangka kerja umum ini pada hampir semua platform cloud, termasuk hybrid multicloud. Berikut ini adalah contoh bagaimana IBM dapat menggunakan alat AWS untuk membuat pipeline machine learning.

AWS CodeCommit menggantikan repositori Git konvensional–ini adalah tempat utama di mana semua kode yang digunakan dalam suatu proyek disimpan.

CodeBuild akan menjalankan semua pengujian unit dan Integrasi, serta membangun tarball dari sumber python yang ditentukan, yang dapat diterapkan ke dalam kontainer docker nanti. CodeDeploy akan menjalankan skenario penerapan tertentu, yang akan mis. buat kontainer docker, dorong ke repositori gambar docker dan pada akhirnya muat gambar dalam pengaturan produksi.

AWS ECR berfungsi sebagai repositori untuk semua kontainer docker, yang dibangun dalam pipeline yang disebutkan di atas. Ini bertindak sebagai repositori untuk kontainer sama seperti CodeCommit bertindak sebagai repositori untuk file konfigurasi dan kode sumber. Ini adalah titik di mana AWS SageMaker akan mencari gambar docker tertentu, ketika pekerjaan pelatihan dipicu dengan parameter masing-masing dari luar.

AWS SageMaker berfungsi sebagai lingkungan waktu proses untuk semua tugas pelatihan. AWS SageMaker dapat dipicu melalui pengikatan API/Python. Pengguna menentukan, jenis model apa yang akan dijalankan dan di mana masing-masing data input dan output berada. AWS SageMaker akan menerima gambar docker dengan titik masuk yang telah ditentukan yang berisi kode pelatihan. Namun, dimungkinkan juga menjalankan pekerjaan yang ditentukan Tensorflow/mxNext/ONNX di sana. SageMaker menawarkan Antarmuka Pengguna untuk administrasi dan dapat diskalakan secara elastis karena merupakan layanan terkelola. Oleh karena itu, pengguna dapat memilih dari berbagai macam mesin, yang digunakan untuk melatih model tertentu. AWS SageMaker juga dapat digunakan untuk melakukan Hyperparameter Tuning, yang dapat dipicu melalui API juga. Alat ini secara otomatis akan memilih kombinasi hyperparameter yang berkinerja terbaik. Hasil dari run dapat langsung ditulis ke S3 atau bahkan DynamoDB.

AWS S3 bertindak sebagai sistem file dasar untuk file input dan output. Biasanya S3 digunakan untuk menyimpan file data pelatihan yang besar dan juga dapat digunakan untuk menyimpan model serial. AWS S3 terintegrasi dengan lancar dengan SageMaker.

AWS DynamoDB adalah database NoSQL berbasis nilai kunci, yang sepenuhnya dikelola oleh AWS dan dapat diskalakan sesuai permintaan. Database dapat digunakan untuk menyimpan KPI dari model yang dijalankan untuk melacak kinerja model dari waktu ke waktu misalnya. Ini juga dimanfaatkan untuk mengintegrasikan informasi waktu proses dan meta data kinerja untuk menjalankan model. AWS DynamoDB dapat diintegrasikan dengan lancar dengan QuickSight, yang merupakan alat visualisasi data yang ditawarkan oleh AWS.

AWS Elastic Inference adalah instance EC2 pada steroid. Model yang dilatih di AWS SageMaker dapat dihosting di instance EI untuk prediksi. Mesin yang mendasarinya dapat diskalakan sesuai permintaan.

Pertanyaan Etika bukan hanya masalah pemodelan tetapi masalah bisnis. 60% perusahaan melihat kepatuhan sebagai penghalang untuk mencapai kesuksesan dalam menerapkan AI, sebagian karena kurangnya kepercayaan dan pemahaman tentang sistem. IBM Merancang Pendekatan 3 Bidang untuk Memelihara  Kepercayaan, Transparansi & Keadilan untuk menjalankan, memelihara, dan menskalakan AI secara konsisten selagi mempertahankan kepercayaan dan mengurangi risiko merek dan reputasi. IBM dapat membantu klien dalam mengadopsi  budaya yang diperlukan untuk menerapkan dan mengembangkan AI secara aman, dengan rekayasa AI melalui alat forensik untuk memahami algoritme kotak hitam, serta dengan tata kelola  untuk memastikan rekayasa AI sesuai dengan budaya yang telah ditetapkan. Di pusat AI yang dapat dipercaya adalah alat telemetri dan forensik yang dipegang IBM di komunitas untuk sumber terbuka dan yayasan Linux kami.

IBM Services for AI at Scale didasarkan pada toolkit sumber terbuka IBM Research, AI Fairness 360, dan lembar fakta. Pengembang dapat berbagi dan menerima kode dan kumpulan data canggih yang terkait dengan deteksi dan mitigasi bias AI. Upaya riset IBM ini juga mengarahkan kami untuk mengintegrasikan IBM Watson OpenScale, penawaran komersial yang dirancang untuk membangun solusi berbasis AI atau perusahaan untuk mendeteksi, mengelola, dan mengurangi bias AI.