【部署AI應用】企業面對三大挑戰 應如何加快落地?

科技 19:25 2021/03/26

分享:

各產業都看好新興科技如AI所帶來的龐大效益,惟企業在開發至成功將AI方案落地應用的企業,往往面對溝通協作困難及後續監控改進等問題。

新冠肺炎疫情推動全球數碼轉型浪潮,催谷人工智能(AI)產業發展,最新更有調研報告預測,人工智能產業到2024年總營收將突破5,000億美元(約3.88萬億港元)。不過另有調查發現,可以由實驗環境到實際應用的企業卻為數不多。人工智能在落地應用時遇到甚麼困難?企業在未來發展時,又有何部署策略幫助加速應用?

近年人工智能發展迅速,隨着機器學習(Machine Learning)、深度學習(Deep Learning)、智能語音辨識、影像辨識等技術提升,各產業看好此新興科技所帶來龐大效益,更乘勢研發AI芯片、發展智能零售、智能駕駛、遠距及虛擬服務等搶佔商機。

【人工智能】Microsoft推AI平台與AR應用服務 拓展人工智能至邊緣運算

【AI自主監督學習】10億圖片作參數!Facebook新AI模型自主辨識圖像

不過,數據分析方案商SAS的台灣業務顧問部副總經理陳新銓,近日發布分析文章指出,企業往往在開發至應用技術上,面對3大挑戰令預期的部署計劃落後:

  • 部署模型時間長
  • 溝通協作困難
  • 模型數量增加導致後續監控成本提高

他舉例,若企業原本預期花一年時間規劃建立「VIP顧客最適商品預測模型」,僅需1種預測模型。到後期想要進階制定各類型顧客的最適商品預測模型,數據科學團隊就需要建立出1,000種預測模型,才能滿足預測需求情境,結果令部署難度及時間暴增。

而初期分析到每一次推出模型部署,工作涉及資料準備、模型訓練、再到模型部署等,可能由數據工程師、數據科學家、架構工程師等跨部門協作,內部需要花費大量的時間溝通,也容易令溝通與協作出現問題。

後續管理時,模型的準確率亦可能隨着顧客喜好改變而下降,需要付出相當大的時間成本作重新訓練,才可保持AI精準度。

所以企業更需要找出更具系統的「落地」方法,他建議,可以建立ModelOps(Model operations)運作流程,即是一個可循環及重複的管理系統,提供數據模型建立的協同整合機制,令部門之間在開發、部署到營運的流程做到標準化與自動化;同時可透過採用具備「自動化機器學習」(AutoML)功能的平台建立模型,將易用性擴大到所有不太懂人工智能的用家,更方便地選取數據進行即時回饋修正,協助縮短開發與重新訓練模型所需時間。

【疫下新常態】AI取代人力?科技股女股神:無人技術+機械人 將成長期趨勢

宜在雲端運行 調整更彈性

他解釋,面對人工智能擴大應用所面對的開發人力及時間成本上升等挑戰,導入ModelOps流程可做到持續整合(Continuous Integration)、持續部署(Continuous Deployment),令模型由建構、測試、到發布能夠更加快速、頻繁及可靠。其中藉API(應用程式介面)串連不同程式,將運作流程自動化,讓數據分析、IT到業務部門有效降低跨部門溝通障礙,加速主管協作時間。

此外,他又提醒,隨着數據量愈來愈大,企業在評估ModelOps流程時:

最好還要考慮是否具備隨需求調整運算資源的能力,即最好能架構在雲端運行,才能讓企業根據需求彈性調整,避免旺季不敷使用或淡季閒置浪費資源的問題。

責任編輯:張寶燕

緊貼財經時事新聞分析,讚好hket Facebook 專版