Als gecentraliseerde MLOps en technische groups deze vragen stellen, kan het bedrijf de ruimte krijgen om klantproblemen op te lossen en na te denken over hoe technologie de evolutie van nieuwe oplossingen en ervaringen kan blijven ondersteunen.

Huur niet zomaar eenhoorns, maar bouw ze

Het lijdt geen twijfel dat het voldoen aan de behoeften van zakenpartners in de moderne onderneming aanzienlijke hoeveelheden MLOps-expertise vergt. Het vereist zowel software-engineering als ML-engineeringervaring, en – vooral naarmate de AI/ML-mogelijkheden zich ontwikkelen – mensen met diep gespecialiseerde vaardigheden, zoals mensen met diepgaande experience op het gebied van grafische verwerking (GPU).

In plaats van een ‘eenhoorn’-persoon in dienst te nemen, moeten bedrijven zich concentreren op het opbouwen van een eenhoornteam met het beste van twee werelden. Dit betekent dat er diepgaande consultants zijn op het gebied van wetenschap, techniek, statistiek, productmanagement, DevOps en andere disciplines. Dit zijn allemaal complementaire vaardigheden die samen een krachtiger collectief vormen. Samen zijn individuen die effectief als staff kunnen werken, blijk geven van leergierigheid en het vermogen om zich in te leven in de problemen die u oplost, internet zo belangrijk als hun unieke domeinvaardigheden.

Ontwikkel een productmentaliteit om betere instruments te produceren

Final however not least is het belangrijk om een ​​productgerichte mentaliteit aan te nemen bij het bouwen van nieuwe AI- en ML-tools voor interne klanten en zakenpartners. Het vereist niet alleen dat je nadenkt over wat je bouwt als slechts een taak of venture dat van de lijst kan worden afgevinkt, maar dat je ook de klant voor wie je bouwt begrijpt en een holistische aanpak hanteert die aansluit bij hun behoeften.

Vaak zien de producten die MLOps-teams bouwen (of het nu gaat om een ​​bibliotheek met nieuwe functies of een device voor uitlegbaarheid) er anders uit dan wat traditionele productmanagers leveren, maar het proces voor het maken van geweldige producten zou hetzelfde moeten zijn. Door zich te concentreren op de behoeften en pijnpunten van de klant kan iedereen betere producten leveren; het is een spier die veel consultants op het gebied van datawetenschap en engineering moeten opbouwen, maar die ons uiteindelijk allemaal helpt betere instruments te creëren en meer waarde voor de klant te leveren.

Het komt erop neer dat de meest effectieve MLOps-strategieën tegenwoordig niet alleen over technische capaciteiten gaan, maar ook over opzettelijke en doordachte cultuur-, samenwerkings- en communicatiestrategieën. Bij grote ondernemingen is het belangrijk om te beseffen dat niemand in een vacuüm opereert. Hoe moeilijk het in de dagelijkse praktijk ook magazine zijn, alles binnen de onderneming is uiteindelijk met elkaar verbonden, en de mogelijkheden die AI/ML-tooling en engineeringteams met zich meebrengen hebben belangrijke implicaties voor de hele organisatie.

Deze inhoud is geproduceerd door Capital One. Het is niet geschreven door de redactie van MIT Know-how Assessment.