ความท้าทายทางธุรกิจและความเสี่ยงที่เกี่ยวข้องกับ MLOps

MLOps สำหรับธุรกิจ

Arne Jonas Warnke

Head of Emerging Curriculum

วาระของบทที่ 3

วิดีโอ ความท้าทายทางธุรกิจและความเสี่ยงที่เกี่ยวข้องกับ MLOps:

วิดีโอ วิธีที่ทีม MLOps ดำเนินงานได้อย่างมีประสิทธิภาพ:

วิดีโอ สถานะของ MLOps ในปัจจุบัน

$$ หลายองค์กรประสบปัญหา

กรณีการใช้งาน ML

ความท้าทาย

MLOps อยู่ที่จุดตัดระหว่าง Machine Learning, Data Engineering และ Software Engineering

ทีมมักจะ

ซึ่งอาจนำไปสู่

ผู้คนร่วมกันแก้ปริศนา

การทำงานร่วมกันเป็นสิ่งสำคัญเพื่อให้แน่ใจว่า

วัฒนธรรมและนิสัยของ

ผู้คนทำงานร่วมกันหน้าคอมพิวเตอร์

เทคโนโลยี

เปลี่ยนแปลงเร็ว
ไม่มีชุดเครื่องมือ MLOps มาตรฐาน
- แต่ละทีมใช้แนวทางเทคโนโลยีที่แตกต่างกันอย่างมาก
- แนวทางปฏิบัติที่ดีที่สุดด้านเทคโนโลยียังไม่เป็นที่ยอมรับกว้างขวาง

ข้อผิดพลาดที่พบบ่อย

$$ กราฟเครือข่ายอัจฉริยะ

ความเสี่ยงจากการใช้งานโมเดล Machine Learning:

ความเสี่ยงทางธุรกิจและการเงิน
- แอปพลิเคชัน/โมเดลอาจไม่พร้อมใช้งาน
- คุณภาพของการพยากรณ์อาจลดลง
- ความเสี่ยงด้านการบำรุงรักษา
ความเสี่ยงด้าน Governance
- การพยากรณ์อาจผิดพลาดอย่างมาก
- อาจเกิด อคติ (bias)
ความเสี่ยงด้านความปลอดภัย (ไซเบอร์)

ภาพประกอบแสดงความเสี่ยงประเภทต่าง ๆ

ซอฟต์แวร์แบบดั้งเดิม

MLOps

$$ มนุษย์กำลังเขียนโค้ด

$$ หุ่นยนต์และมนุษย์เขียนโค้ดร่วมกัน

MLOps สำหรับธุรกิจ