但是大规模人工智能部署面临的一个新障碍——技术债务问题——威胁着人工智能应用开发的持续增长和采用。
所谓技术债务是指为了保证项目在承诺的交付日期前按时完成,软件中一些开发工作被省略或推迟,即使所有功能在发布前还没有完成。
对于人工智能来说,技术债务更加复杂,因为人工智能本身存在很大的未知性,为了迅速部署,许多工作被忽视了,但它是项目成本上升和延误的关键催化剂。
构建和部署传统的应用程序和软件系统是一个确定性的、单向的正向迭代过程,随后是必要的更改。在每个版本中,会预测、计划和减少过程中的技术债务。由于这种形式的技术债务是可预测的,它像任何其他支出一样被纳入预算。
但人工智能技术债务并非如此,它有不同的构成。
什么是人工智能技术债务?
企业和人工智能初创企业的决策者们正在通过人工智能开发——比如聊天机器人、面部识别、智能语音助手和自动文本撰写——追求新的业务能力,他们必须意识到人工智能技术的差异,并采取措施消除和防止它。
人工智能开发的目标是发现、训练和部署准确可靠的预测模型。然而,人工智能技术债务包括实现这一切所需的复杂流程和程序的成本。在人工智能中,技术债务不是人类决策的结果,而是实现所需智能水平和软件的功能要求的结果。
特别是在深度学习(DL)中,使用神经网络和Transformer(前序编解码预测器)算法进行自然语言处理(NLP)、机器视觉、声音识别和合成等,模型的复杂性使得有效管理技术债务比应用程序开发困难得多。
这些功能性和程序性需求通常通过添加、特别编码和人工方式在循环任务中满足,这些任务用于管理和确保开发和部署AI模型的过程。问题在于,对于具有数十亿参数和潜在数百万美元训练成本的新一代深度学习模型而言,以这种方式管理深度学习的人工智能技术债务是不可持续的。风险太大了。
避免AI技术债务
深度学习的复杂性迅速增加,导致人工智能技术债务激增,为了应对这种情况,企业需要帮助。这就是AI编排和自动化平台(AI OAP-AI Orchestration and Automation Platform)动态软件基础设施可以提供帮助的地方。
研究公司Gartner将此类平台定义为为企业提供规划、自动化以及可生产准备和AI管线的能力。同时还提供企业级治理,包括可复用性、再现性、发布管理、沿继、风险和法规遵循管理以及安全控制。这些平台还可以统一开发;混合、多云和物联网交付;以及操作流和批处理上下文。
传统机器学习有很多人工智能编排和自动化平台(AI OAP),但只有少数支持深度学习的独特需求,提供多云透明性的就更少了。
三大超大型云服务提供商——亚马逊(AWS)、谷歌云平台(Google Cloud)和微软Azure——各自都提供自己专有的编排和自动化服务。对于使用单一云处理所有深度学习工作负载的企业,这些产品可以带来巨大的技术债务减免。但对于许多出于经济和监管原因而使用多云和混合云的公司来说,采用多个OAP会带来操作复杂性,从而大大降低其对人工智能技术债务的作用。
幸运的是,现在出现了一批新兴的AI OAP提供商,他们使用与云无关的产品和服务来解决多云和混合云用户的深度学习需求,这些产品和服务提供单用户界面和跨所有环境的通用功能。
这些平台的潜在用户会发现,这些平台在如何平衡人工智能从业者、管理人员和利益相关者对易用性、问责制和价值实现时间的需求方面存在差异。这些都是AI技术债务的关键因素,它们会因用户组织的不同而不同,因此选择最佳AI OAP解决方案意味着采取一种协作方式,以确保服务和整个组织之间的最佳契合。与AI技术债务斗争是一项团队运动。
随着深度学习继续成为各行业创新的重要工具,控制人工智能技术债务变得越来越紧迫,因为它很容易将一个有前途的计划埋葬在意外增加的成本中。AI OAP有助于消除AI技术债务,提高投资回报率,加快实现价值的时间,并确保广泛的深度学习需求符合法规要求。考虑到这些好处,这种类型的基础设施应该是每个公司未来AI战略的一个基本元素。