AES_7 2022

FOCUS Approfondimenti 50 Ottobre 2022 n Automazione e Strumentazione dai dati di training con cui sono stati addestrati. La AI si fa più affidabile e ad alte prestazioni, con un costo di training, per un sistema di classificazione delle immagini, che, dal 2018, è sceso del 63,6%, e tempi di training che sono migliorati del 94,4% . Verso la metodologia MLOps L’adozione della AI continua a crescere, secondo i risultati del più recente sondaggio della società di consulenza McKinsey sullo stato dell’intelligenza artificiale, condotto durante un anno di pandemia, e basato su 1.800 rispondenti, attivi in un’ampia gamma di settori industriali distribuiti a livello glo- bale. Una piena adozione delle best practice, riporta lo studio, risulta critica per raggiungere elevate per- formance, e, al quarto anno in cui viene realizzato il sondaggio, è la prima volta che il paradigma MLOps e le tecnologie cloud emergono come fattori diffe- renzianti di impatto decisivo. L’acronimo MLOps sta per “machine learning operations” e indica le best practice che rendono possibile realizzare, in analo- gia con il modello DevOps applicato nel software, un processo completo (end-to-end) di progettazione, sviluppo e gestione di software di machine learning che sia riproducibile, testabile ed evolvibile. Le organizzazioni che stanno traendo i maggiori benefici dall’intelligenza artificiale, spiega Michael Chui, partner di MGI (McKinsey Global Institute), in un’intervista pubblicata nel blog della società, in relazione ai risultati della survey, stanno professio- nalizzando o industrializzando le proprie capacità. Questi “high performers” hanno adottato MLOps, un insieme di pratiche e strumenti che, in maniera simile a DevOps, consentono di addestrare, implementare e collaudare i modelli molte volte più velocemente, rispetto alle applicazioni di AI sviluppate con le tec- niche convenzionali. Gli ambienti cloud, aggiunge Chui, permettono di utilizzare librerie e strumenti in grado di velocizzare il ciclo di sviluppo dei modelli AI, e, insieme, i risultati della survey indicano la combinazione d MLOps, cloud e best practice come una buona base per sfruttare il valore della AI su larga scala. Industrializzare la AI nel manufacturing Spesso le imprese incontrano difficoltà quando arriva il momento di portare i modelli di machine lear- ning, dall’ambiente di sviluppo a quello di produ- zione. Nonostante la crescente adozione del machine learning, molte organizzazioni, scrive la società di ricerca e consulenza Deloitte Insights, sono ostaco- late da processi di sviluppo e deployment disorganici, fragili, che soffocano la sperimentazione e impedi- scono la collaborazione tra team di prodotto, squadre operative e data scientist. Ed un sondaggio su 750 decisori aziendali ha messo in evidenza che i processi di deployment del software di machine learning sono troppo lenti, con un 22% che dichiara un tempo da uno a tre mesi per implementare un nuovo modello ML in produzione. Deloitte cita anche dati della società di ricerche IDC, secondo cui il 28% dei pro- getti di AI/machine learning fallisce principalmente a causa della mancanza delle necessarie competenze, di dati pronti per essere usati in produzione e di ambienti di sviluppo integrati. Ed è proprio in questo scenario che MLOps può giocare un ruolo deter- minante , ad esempio in applicazioni industriali come i processi del settore manufacturing, o la computer vision, dove i dati disponibili possono cambiare dopo che il modello di ML è già stato sviluppato. Un caso può essere quello di una linea di produzione in cui un algoritmo di ML è stato addestrato per identificare graffi o danni sulla superficie dei prodotti, partendo da un dato insieme di condizioni d’illuminazione: se le condizioni di luce della fabbrica, in seguito, subi- scono modifiche, il risultato è inficiare la validità e l’efficacia dell’algoritmo stesso nell’individuazione dei difetti. In questi casi, le pratiche MLOps possono aiutare, attraverso l’automazione, a razionalizzare e industrializzare l’applicazione degli aggiornamenti e delle attività di retraining che l’algoritmo di ML può richiedere nel corso del tempo. n La metodologia MLOps sta emergendo come fattore differenziante nel mondo delle applicazioni AI (fonte: Pixabay)