Kan mÀnniskocentrerade MLOps hjÀlpa AI att leva upp till hypen?

Kan mÀnniskocentrerade MLOps hjÀlpa AI att leva upp till hypen?


Konceptet med “mĂ€nsklig-centrerad AI” har genomsyrat artificiell intelligens tidsanda under de senaste Ă„ren. Det Ă€r delvis tack vare organisationer som Stanfords Institute for Human-Centered AI (HAI), som lanserades 2019.

Men enligt Dr Vishal Sikka, grundare och VD pĂ„ Palo Alto, CA-baserade Vianai Systems (som ocksĂ„ tidigare var VD för Infosys och fungerar som rĂ„dgivande rĂ„dsmedlem pĂ„ HAI), Ă€r mĂ€nsklig centrerad AI mer Ă€n ett hajpat modeord eller filosofiska ramar. Även om det fokuserar pĂ„ hur AI kan förstĂ€rka och förbĂ€ttra mĂ€nskliga prestationer, handlar det egentligen om att hjĂ€lpa företag att bygga och hantera bĂ€ttre AI.

“Företag mĂ„ste förstĂ„ tillstĂ„ndet i deras AI-landskap – hur mĂ„nga modeller de har, vad de gör med dem, vad modellerna ska göra, gör de vad de ska göra,” sa han.

För det ÀndamÄlet kombinerar företagets nylanserade Vian H+AI MLOps-plattform flera verktyg med öppen kÀllkod, proprietÀra tekniker och optimeringar och designtÀnkande, med mÄlet att tillhandahÄlla en grund för att tillföra mÀnniskocentrerade AI-system till företaget i stor skala. En enhetlig anvÀndarupplevelse tillÄter MLOps-ingenjörer att snabbt operationalisera modeller, oavsett vilka verktyg som anvÀnds av datavetare för att skapa dessa modeller; samt plug and play och fatta beslut om komponenter utan att Àndra API.

Stödja mÀnskligt beslutsfattande med AI

De nya verktygen Àr avsedda att hjÀlpa företag att utnyttja AIs fulla löfte och potential för att driva sina verksamheter, förklarade Sikka, samtidigt som de sÀkerstÀller att AI- och ML-lÀgen Àr ansvarsfulla, förklarliga och etiska, och samtidigt stödjer det mÀnskliga beslutsfattandet istÀllet för att ersÀtta den.

“Det krĂ€ver att vĂ„rt verktyg tar ett steg tillbaka till ett metateoretiskt perspektiv pĂ„ en modell, för att försöka förstĂ„ dess begrĂ€nsningar,” sa Sikka. “Vilka Ă€r de omrĂ„den dĂ€r det producerar falska positiva och falska negativa? HĂ€nder det mer Ă€n det hĂ€nde nĂ€r vi trĂ€nade modellen eller nĂ€r vi byggde modellen? Kan vi titta in i det och se vilken typ av osĂ€kerhet som finns – osĂ€kerheten i data eller i modellen?”

Resultatet Àr tÀnkt att möta företagens unika AI-behov, men ur ett mÀnskligt perspektiv. Sikka pekar till exempel pÄ ett system som Vianai byggt med hjÀlp av MLOps-plattformen för en av vÀrldens största banker, vilket hjÀlper fastighetsbedömare att bÀttre bedöma deras fastigheter.

“Traditionellt tittar de pĂ„ jĂ€mförbara saker och gör justeringar baserat pĂ„ till exempel om fastigheten har en pool, eller om brottet i omrĂ„det var vĂ€rre eller om bullret frĂ„n motorvĂ€gen var bĂ€ttre”, sa han. Vianai kunde hjĂ€lpa företaget att förstĂ„ över 20 000 fler jĂ€mförbara saker och hundra gĂ„nger sĂ„ mĂ„nga justeringar.

“I slutĂ€ndan Ă€r det de som fattar beslutet om vĂ€rdet pĂ„ fastigheten, snarare Ă€n att göra det automatiskt”, sa han. “Vi gav dem verktygen för bedömare att analysera informationen mycket snabbare, pĂ„ mycket större mĂ€ngder data, Ă€n de nĂ„gonsin kunde göra.”

Sikka, som ocksÄ Àr en nuvarande ledamot av Oracles styrelse och styrelseledamot pÄ BMW, sa att Vianai har Àgnat de senaste tre Ären Ät att bygga den nya MLOps-plattformen, som han sa adresserar tvÄ grundlÀggande, lÄngvariga företags AI-utmaningar.

Ta itu med prestanda och riskhantering

Den första Ă€r att hjĂ€lpa företag att fĂ„ bĂ€ttre prestanda frĂ„n AI genom att accelerera modellhastighet och genomströmning Ă€ven pĂ„ rĂ„varuhĂ„rdvara. “AI har blivit en otrolig datorhog”, sa han.

Till exempel hade Schneider Electric, ett av vĂ€rldens största elektroniktillverkningsföretag, utrustning som satt i avlĂ€gsna omrĂ„den lĂ„ngt frĂ„n molnet, inklusive fabriker, i oljefĂ€lt och pĂ„ fartyg. Företaget hade nĂ„gra dussin komplexa AI-modeller som kördes pĂ„ avancerade enheter som distribuerades globalt. Men de sprang för lĂ„ngsamt – runt en bildruta per sekund med bilder. MLOps-plattformen förbĂ€ttrade körtiden dramatiskt och distribuerade optimerade modeller till edge-enheterna.

“En lösning skulle vara att fĂ„ mycket dyrare och större utrustning, men Ă€ven om du kunde fĂ„ den utrustningen dĂ€r, skulle det ta otroligt lĂ„ng tid att fĂ„ maskinerna uppgraderade”, förklarade han. “Vi gjorde det möjligt för dem att köra mĂ„nga tusen fler bilder per sekund pĂ„ samma hĂ„rdvara.”

MLOps-plattformen tar ocksĂ„ upp riskövervakningsmöjligheter, sĂ„som datakvalitet och integritet, drift, osĂ€kerhet, partiskhet och förklaringsbarhet. “Företaget behöver förmĂ„gan att fĂ„ grepp om vilka begrĂ€nsningarna för dessa modeller Ă€r”, sa Sikka. ”I grunden handlar det om om företaget förstĂ„r vad en modell gör? Kan en riskansvarig eller operationsperson förstĂ„ riskerna och styrningen kring modellen?”

MÀnniskocentrerad AI krÀver designtÀnkande

För att förstĂ„ dessa grĂ€nser, eller begrĂ€nsningarna för en AI-modell, “mĂ„ste du överskrida den”, tillade han. “John McCarthy, fadern till AI, brukade kalla det “att försöka förstĂ„ verkligheten bakom utseendet.”

I slutĂ€ndan, förklarade han, Ă€r mĂ€nniskocentrerad AI en “ödmjuk” AI som försöker förstĂ€rka mĂ€nskligt arbete och förbĂ€ttra mĂ€nskligt omdöme. För att göra det krĂ€vs kraften i designtĂ€nkande – det vill sĂ€ga att förstĂ„ verkligheten av hur mĂ€nniskor kommer att engagera sig i AI.

“PoĂ€ngen med maskininlĂ€rning Ă€r att förbĂ€ttra den mĂ€nskliga situationen, inte att ersĂ€tta personens omdöme,” sa han. “Du kan inte ha mĂ€nniskocentrerad AI utan att förstĂ„ designen av AI-aktiviteten, hur den kopplas in i mĂ€nskligt beslutsfattande.”

VentureBeats uppdrag ska vara ett digitalt stadstorg för tekniska beslutsfattare att fÄ kunskap om transformativ företagsteknologi och handla. LÀs mer om medlemskap.