一家机构融资公司希望缩短其部署的人工智能(AI)和机器学习(ML)应用程序的上市时间。其目标是缩短AI和ML应用程序的交付时间，开发这两个应用程序需要12到18个月的时间。较长的交付时间危及了公司在运营效率、法规遵循、风险管理和商业智能等领域实现上市时间目标的能力。
在为其人工智能和ML应用程序开发和部署采用生命周期管理软件后，该公司能够将其人工智能和ML应用程序的上市时间减少到几天，在某些情况下，减少到几个小时。流程改进使企业数据科学家能够将90%的时间花在数据模型开发上，而不是将80%的时间花在解决由笨拙的部署流程导致的技术挑战上。
这很重要，因为您扩展大数据、人工智能和ML建模、开发和交付过程的时间越长，您最终得到的建模、数据和应用程序在准备实现时已经过时的风险就越大。仅在法规遵循领域，这就产生了风险和暴露。
“企业面临三大问题推出人工智能和机器学习项目无法迅速部署项目,数据性能衰变和合规责任和损失,”斯图·贝利说,首席技术官ModelOP,它提供了部署的软件,监控和管理数据科学人工智能和ML模式。
参见:GitHub上托管的十大机器学习语言(免费PDF)(TechRepublic)
Bailey认为，在及时地将数据模型投入生产时，大多数问题都是由于数据科学、IT和业务团队之间缺乏所有权和协作造成的。反过来，这些延迟会对盈利能力和业务时间洞察力产生不利影响。
“组织难以管理其数据模型生命周期的另一个原因是，现在有许多不同的方法和工具来生成数据科学和机器语言模型，但是没有关于如何部署和管理它们的标准，”Bailey说。
大数据、人工智能和ML生命周期的管理可能是非常艰巨的任务，超出了使用软件和自动化来完成一些“繁重的工作”。而且，许多组织缺乏执行这些任务的策略和程序。在这种环境中，数据可能很快就会过时，应用程序逻辑和业务条件可能会改变，而人类必须教给机器语言应用程序的新行为可能会被忽略。
参见:远程医疗、人工智能和深度学习正在革新医疗保健(免费PDF)(TechRepublic)
组织如何确保他们投入大数据、人工智能和ML应用程序的时间和人才保持相关性?
大多数组织承认数据科学、IT和最终用户之间的协作是重要的，但是他们不一定会坚持到底。部门之间的有效协作依赖于每个人在数据准备、遵从、上市速度和ML学习方面都遵循的明确的政策和程序。
公司经常无法建立定期的时间间隔来更新领域中大数据、人工智能和ML应用的逻辑和数据。学习更新周期应该是连续的——这是确保算法与它们所处环境之间的并发性的唯一方法。
就像他们的事务系统对手一样，总有一天，某些AI和ML应用程序将会大行其道。这是他们生命周期的结束，适当的做法是让他们退休。
如果您可以自动化大数据、人工智能和ML的一些生命周期维护功能，那么就这样做吧。自动化软件可以实现数据科学、IT和生产之间的自动切换。它使部署过程变得更加容易。
了解有关数据科学、大数据分析和人工智能的最新新闻和最佳实践。
