Gestión del ciclo de vida del modelo de IA: descripción 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 de fraude toma malas decisiones, una empresa se verá afectada negativamente. En el largo proceso 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” administra el complicado pipeline de 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 de modelos 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 aprovecharse e integrarse con las herramientas y procesos de DevOps, y 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 las empresas y describe claramente cuatro pasos en el pipeline:

• Recopilar: haga que los datos sean simples y accesibles.
  
  
• Organizar: cree una base de analytics lista para el negocio.
  
  
• Analizar: cree y escale la IA con confianza y transparencia.
  
  
• Infundir: ponga en práctica la IA en toda una empresa.

Otro requisito es la gobernanza de datos de todo el pipeline. La calidad es esencial en las empresas, y la explicabilidad y la equidad son cada vez más esenciales. Durante toda el pipeline, la gobernanza de datos para la gestión del ciclo de vida del modelo de IA debe monitorear y dar feedback con respecto a la calidad, la equidad y la explicabilidad.

Como hemos visto, la gestión del ciclo de vida del modelo 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 y despliegue de modelos
  
  
• Despliegue y entrenamiento de modelos a escala
  
  
• Supervisión de gobernanza de datos, calidad y cumplimiento
  
  
• Visualización de todo el pipeline
  
  
• Conectores enriquecidos para fuentes de datos

Un ejemplo de estas herramientas es IBM Cloud Pak for Data. IBM Cloud Pak for Data es una plataforma de datos e IA 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 creación 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 capacidades AutoAI y sin código de arrastrar y soltar, y soporte para un conjunto amplio de bibliotecas de código abierto y marcos de uso común.
  
  
• Herramientas de despliegue de modelos para escalar modelos desplegados en producción a escala para aplicaciones modernas y cumplir con los requisitos de rendimiento.
  
  
• Modele herramientas de monitoreo y gestión para ofrecer IA confiable.
  
  
• Capacidades de virtualización de datos para aumentar significativamente el rendimiento de 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 multinube híbrido, sin tener que copiar datos.
  
  
• DataOps para satisfacer los requisitos de gobernanza 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 y desplegados en la nube u on premises.