调整AI和机器学习部署的四种方式

一家机构金融公司希望缩短已部署的人工智能(AI)和机器学习(ML)应用的上市时间。目标是减少AI和ML应用程序的交付时间，这需要12到18个月的开发时间。漫长的交付周期削弱了公司在运营效率、合规性、风险管理和商业智能领域实现上市时间目标的能力。

在使用生命周期管理软件开发和部署其AI和ML应用程序后，该公司能够将其AI和ML应用程序的上市时间缩短到几天，有时甚至几个小时。流程改进使企业数据科学家能够将90%的时间用于开发数据模型，而不是80%的时间用于解决笨拙的部署流程带来的技术挑战。

这一点很重要，因为您扩展大数据以及AI和ML建模的时间越长，开发和交付流程所需的时间就越长，当建模、数据和应用程序准备就绪时，最终实现的风险就越大。只是在合规领域，这就带来了风险和风险。

提供软件的ModelOP首席技术官Stu Bailey表示：“企业在启动人工智能和机器学习项目时面临的三个主要问题是无法快速部署项目、数据性能下降以及与合规性相关的责任和损失。您可以部署、监控和管理数据科学AI和ML模型。

贝利认为，大多数问题是由于

及时将数据模型投入生产，没有数据科学、IT和业务团队之间的所有权和协作。反过来，这些延迟将对盈利能力和上市时间产生不利影响。

贝利说：“组织很难管理其数据模型生命周期的另一个原因是，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，但没有关于如何部署和管理它们的标准。”

大数据、AI和ML的生命周期管理可能是一项艰巨的任务。不仅软件和自动化可以完成一些“重活”。此外，许多组织缺乏执行这些任务的策略和流程。在这种环境下，数据可能会很快过时，应用程序逻辑和业务条件可能会发生变化，人们必须教给机器语言应用程序的新行为可能会被忽略。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！