Практика побудови механізму технічного обслуговування ШІ

ШІ, які пропонують рушіям переглядати та аналізувати інформацію в базі знань, розгортати конструкцію та продуктивність дисплея. Вони являють собою абсолютно новий світ, в якому додатки матимуть можливість використовувати ІННОВАЦІЯ ШІ для підвищення операційної ефективності, а також для вирішення значних проблем з обслуговуванням.

Ідеальні Практики

Я мав справу з клієнтами Redis Labs, щоб набагато краще зрозуміти їхні перешкоди для впровадження штучного інтелекту у виробництво, а також те, як їм потрібно розробити механізми пропозиції штучного інтелекту. Щоб допомогти, ми створили список найкращих практик:

Швидка наскрізна подача

Якщо ви підтримуєте програми в режимі реального часу, вам потрібно переконатися, що додавання можливостей штучного інтелекту до вашої купи, безумовно, майже не вплине на продуктивність програми.

Ніяких простоїв

Оскільки кожна торгівля потенційно передбачає певну обробку ШІ, вам потрібно підтримувати регулярну. Стандартний SLA, бажано мінімум п'ять дев'яти (99,999%) для критично важливих для критично важливих застосувань, використовуючи перевірені механізми, такі як резервування, збереження даних, багатозонність / стійка, активна геооблікація, регулярне резервне копіювання та відновлення автокластерів.

Масштабованість

Завдяки діям клієнтів створюються численні програми для обслуговування пікових випадків використання, від Чорної п'ятниці до великої гри. Вам потрібна універсальність, щоб масштабувати або масштабувати двигун, що пропонує штучний інтелект, на основі ваших очікуваних та існуючих тонн.

Довідка для багаточислених систем

Ваш механізм обслуговування штучного інтелекту повинен мати можливість підтримувати моделі глибокого навчання, навчені передовими системами, такими як TensorFlow або PyTorch. Крім того, проекти машинного навчання, такі як випадковий ліс, а також лінійна регресія, все ще забезпечують хорошу передбачуваність для кількох випадків використання, а також повинні підтримуватися вашим механізмом пропозицій ШІ.

Прості в розгортанні абсолютно нові моделі

Більшість фірм хочуть отримати альтернативу часто оновлюванню своїх версій відповідно до ринкових тенденцій або маніпулюванню абсолютно новими можливостями. Оновлення версії має бути максимально прозорим і не повинно впливати на ефективність роботи програми.

Моніторинг продуктивності та перепідготовка кадрів

Каждый человек должен знать, насколько хорошо работает модель, которую он получил, а также уметь настраивать ее в соответствии с тем, насколько хорошо она работает в реальной жизни. Обязательно требуйте, чтобы ИИ, предлагающий движок, поддерживал A/B-тестирование, чтобы сравнить версию с моделью по умолчанию. Система также должна предоставлять инструменты для ранжирования реализации ИИ ваших приложений.

Розробка

У більшості випадків найкраще розробляти та досліджувати хмару, а також мати можливість запропонувати її де завгодно, наприклад, у хмарі постачальника, кількох хмарах, локальних, гібридних хмарах або на межі. Двигун, що обслуговує штучний інтелект, повинен бути платформним агностиком, заснованим на інноваціях відкритих ресурсів, і мати відому конструкцію випуску, яка може працювати на процесорах, вдосконалених графічних процесорах, потужних моторах і навіть пристрої Raspberry Pi.