ปัญญาประดิษฐ์ (AI) มีความก้าวหน้ามากขึ้น องค์กรก็มีความทะเยอทะยานที่จะเปิดรับนวัตกรรมของเทคโนโลยีด้วยเช่นกัน ด้วยเจตนารมณ์อันแรงกล้า แต่สิ่งที่ยังเป็นปริศนาอยู่ก็คือ จะต้องใช้ AI ในสเกลระดับใด เพื่อให้บรรลุผลลัพธ์ที่ดีที่สุด คำตอบก็คือ องค์กรต่างๆ จะต้องปรับใช้และปรับใช้การดำเนินการเรียนรู้ของเครื่องจักร (Machine Learning Operations: MLOps) ซึ่งมีความสามารถที่ครอบคลุมและอาศัยความร่วมมือจากหลายกลุ่มงานเพื่อให้เกิดคุณค่าและประโยชน์จากข้อมูล ความร่วมมือที่พูดถึงนี้รวมถึง กลุ่มสร้างผลิตภัณฑ์ทางธุรกิจ วิศวกรรมข้อมูล วิทยาศาสตร์ข้อมูล ไอที และโครงสร้างพื้นฐาน โดยมีเป้าหมายร่วมกันที่จะสร้างมูลค่าจากการวิเคราะห์ที่ขับเคลื่อนด้วยข้อมูล

การเตรียมข้อมูลถือเป็นส่วนสำคัญของ ML หากต้องการปรับใช้ ML อย่างเต็มรูปแบบ ข้อมูลจะต้องอยู่ในรูปแบบที่ถูกต้อง ML ต้องการข้อมูลจำนวนมาก จึงจะมีประสิทธิภาพ  ซึ่งการรวบรวม การจัดการ และการจัดเก็บล้วนใช้เวลา โมเดล AI ต้องการข้อมูลคุณภาพสูงที่ได้รับการดูแลอย่างดีมีการปรับแต่งอย่างเหมาะสม อาจเป็นเรื่องท้าทายในทางปฏิบัติ อย่างเช่นธุรกิจในอุตสาหกรรมบริการทางการเงิน ที่ข้อมูลมักมีจำนวนมาก จัดเก็บไว้ในรูปแบบเดิมตั้งเดิม ยากต่อการรวบรวมและการใช้งานกับโมเดล ML สมัยใหม่ รูปแบบข้อมูลดั้งเดิมขององค์กรก็คือฐานข้อมูล ไฟล์ และระบบจัดเก็บข้อมูลที่ไม่มีโครงสร้างซึ่งยากต่อการใช้งาน ในบางองค์กรนั้น ข้อมูลที่จะนำมาใช้กับโมเดล ML มีความซับซ้อนและยุ่งยาก  เช่นพบว่า มีข้อมูลที่ผิดปกติ บ้างก็สูญหาย และความผิดปกติอื่นๆ การแปลงข้อมูลเกี่ยวข้องกับขั้นการเตรียมข้อมูลก่อนประมวลผล ซึ่งอาจใช้เวลานาน

การนำระบบการเรียนรู้ของเครื่อง (MLOps) มาใช้งานนั้น องค์กรต่างๆ จำเป็นต้องมีความเชี่ยวชาญในการออกแบบวิธีการใช้ประโยชน์ และมีวิธีการสนับสนุนการใช้งานระบบในระดับวัฒนธรรม ทักษะแรงงานนี้ยังเป็นเรื่องใหม่ และหลายองค์กรยังขาดแรงงานที่มีทักษะที่จำเป็น ความต้องการแรงงานด้านเทคนิคมีแนวโน้มยังคงมีอยู่ในห้าปีข้างหน้า โดยวิศวกร MLOps และสถาปนิกด้านไอทีในอุตสาหกรรมต่างๆ คาดว่าจะเป็นที่ต้องการสูงเป็นพิเศษ ข้อมูลจาก Deloitte แสดงให้เห็นว่า 26% ขององค์กรขาดวิศวกร MLOps และ 28% ต้องการสถาปนิกไอทีเพิ่มขึ้น สิ่งนี้แสดงให้เห็นถึงช่องว่างทักษะทางเทคนิคที่จำเป็นในการพัฒนา MLOps เพื่อขยายขีดความสามารถของ AI การจะเป็นผู้นำจำเป็นต้องเปลี่ยนแปลงวัฒนธรรม เพื่อปรับปรุงแนวทางดำเนินการทางธุรกิจ เพื่อรวมความสามารถของ MLOps ในทุกด้านของการดำเนินธุรกิจ ไม่ใช่แค่เพื่อทำงานชั่วครั้งชั่วคราว

มีเทคโนโลยีจำนวนมากที่พร้อมใช้ องค์กรที่ต้องการลงทุนในขีดความสามารถ MLOP สามารถเลือกสรร แม้บริการคลาวด์จะนำมาใช้ในองค์กรอย่างกว้างขวาง แต่ผลการสำรวจพบว่ามีการนำเทคโนโลยีอื่นๆ เช่น ออลอินวันและแพลตฟอร์ม MLOps เฉพาะทางอื่นๆ มาใช้ด้วยเช่นกัน อย่างไรก็ตาม อัตราการใช้งานก็ยังนับว่าช้าอยู่ เนื่องจากองค์กรส่วนใหญ่ให้ความสำคัญกับ AI ทั้งนี้องค์กรต่างๆ กำลังวางแผนลงทุนจำนวนมาหาศาลเพิ่มเติมในหลากหลายเทคโนโลยีในอนาคตอันใกล้นี้

โครงสร้างพื้นฐานด้านเทคโนโลยีแบบเดิมคือหนึ่งในความท้าทายสามอันดับแรก ซึ่งอยู่รองจากข้อจำกัดด้านข้อมูลและทางเทคนิค และทุนสำหรับการลงทุนที่สูง เห็นได้อย่างชัดเจนโดยเฉพาะในอุตสาหกรรมเทคโนโลยี สื่อ และโทรคมนาคม (TMT) การเปลี่ยนจากระบบมีค่าใช้จ่ายสูงและใช้เวลานาน แต่เป็นความจำเป็น เพื่อให้เกิดการพัฒนาไปสู่องค์กรที่มีเทคโนโลยี AI ที่สมบูรณ์ สิ่งนี้แสดงให้เห็นถึงความเสี่ยงขององค์กรต่างๆ ที่ใช้ AI โดยไม่มีโครงสร้างพื้นฐานเพื่อป้องกันความล้มเหลวของระบบ ซึ่งอาจเกิดผลกระทบในวงกว้าง ภาคส่วนที่จะเกิดผลกระทบรุนแรงที่สุดจากความล้มเหลวของระบบ คือภาครัฐและบริการสาธารณะ 36% ที่เป็นเช่นนี้ก็เพราะโครงสร้างพื้นฐานในปัจจุบันของภาคส่วนนี้ยังไม่ตรงตามข้อกำหนดด้านเทคนิคของ MLOps  สำหรับงานบริการทางการเงิน มีรายงานว่าสองในสามองค์กรขนาดใหญ่ (มูลค่ากว่า 5 พันล้านดอลลาร์สหรัฐ) มีโครงสร้างพื้นฐานไม่ตรงตามข้อกำหนดในปัจจุบัน

AI พัฒนาไปอย่างรวดเร็ว เทคโนโลยีๆ ใหม่จะถูกนำมาใช้ประโยชน์โดยองค์กรที่มีความความสามารถในการแข่งขันสูง พร้อมที่เพิ่มขีดความสามารถทางด้าน AI และจะเผชิญกับความท้าทายที่ MLOps มอบให้ องค์กรควรตั้งเป้าหมายที่จะพัฒนาขีดความสามารถ MLOps ให้มากเท่าที่จะทำได้ ซึ่งก็คือเอาชนะอุปสรรคที่มาจาก การปรับปรุงข้อมูล โครงสร้างพื้นฐานที่ล้าหลัง และการขาดการลงทุน องค์กรจะต้องตระหนักถึงความสำคัญของปัจจัยด้านกฎระเบียบ ลดความเสี่ยงให้เหลือน้อยที่สุด เป็นผลให้เพิ่มความเชื่อมั่นของผู้บริโภคและนักลงทุน ความเชี่ยวชาญและแรงงานด้าน ML จะทำให้องค์เข้าถึงและได้รับประโยชน์ของเทคโนโลยีซึ่งีควรดำเนินการทันที ดังนั้น MLOps ถือเป็นกุญแจสำคัญในการปลดล็อกศักยภาพอันมหาศาลของการใช้ระบบ AI ซึ่งจะนำพาองค์กรไปสู่การเติบโตในอนาคต

Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

As artificial intelligence (AI) has grown more advanced, so too has the organization’s ambition to embrace these innovative technologies. Given

With their expanding aspirations, the puzzle for organizations is how they can scale AI to achieve the best outcome. The answer is that organizations must adopt and implement machine learning operations (MLOps), an across-functional capability involving several departments cooperating to deliver value and leverage data. Collaboration occurs across all aspects of an organization, including business product owners, data engineering, data science, IT, and infrastructure, with a common goal of generating value from data-led analytical solutions.

Data transformation is a critical aspect of ML. To fully deploy ML, data needs to be in eh correct form. ML requires a large amount of data to be effective, and it is time-consuming to collect, manage, and store. AI models require high-quality data that are well-governed and properly transformed, which can be challenging in practice. Often well-established businesses, like those in the financial services industry, have significant amounts of data stored in legacy formats. This makes it difficult to integrate and use in modern ML models.  For example, traditional forms of enterprise data are databases, files, and systems with unstructured text that are difficult to utilize. Data used for the ML model is complex and messy in some organizations, with missing values, outliers, and other anomalies. Data transformation involves cleaning and pre-processing this data, which can be time-consuming.

In implementing machine learning operations (MLOps), organizations need the expertise to engineer the solution and support culture. It is a new field, and many organizations lack of staff with the necessary skill sets. Demand for technical talent will likely persist in the next five years with demand for MLOps engineers and IT architects across industries expected to be particularly high. The data from Deloitte shows that 26% of organizations are missing MLOps engineers and 28% need more IT architects. This demonstrates a gap in the technical skill sets required to develop MLOps to scale AI capabilities. A cultural shift is required among business leaders to redesign business practices to incorporate MLOps capability across all aspects of business operations, not just single-use cases.

Many technologies are available to organizations who want to invest in MLOPs capability. Despite the wide usage of cloud services among organizations, implementing other technologies like all-in-one and other specialist MLOps platforms are also being explored. However, they still lag behind the rate of adoption required, given most respondents focus on AI. Organizations are overwhelmingly planning to invest further in a wide range of technology in the near future.

Legacy technology infrastructure is one of the top three challenges, behind data and technical limits, and high investment costs. This was particularly noticeable in the technology, media, and telecom (TMT) industry. Transitioning out of a legacy system can be costly and time-consuming, but it is needed to evolve into a more AI-mature organization. This demonstrates the risks of organizations deploying AI without the infrastructure in place to prevent system failures. A system failure can have significant consequences. The sectors most affected by system failure are government and public services. A significant 36% from this sector say their current infrastructure does not meet their current MLOps technical requirements. In financial services, two in three large organizations (>USD 5 billion) report their current infrastructures do not meet requirements.

Conclusion

AI is developing rapidly, and emerging technologies will be harnessed by ambitious organizations ready to scale their AI capabilities and meet the challenge with MLOps. Organizations should aim to develop the greatest possible MLOps capability by overcoming key barriers of data transformation, lagging infrastructure, and lack of investment. Too, organizations must recognize the importance of the regulatory environment, minimizing risk and consequently boosting the confidence of consumers and investors. ML expertise and talent are vital to benefit from the many gains, but organizations must act now. MLOps holds the key to unlocking the enormous potential of AI and leading organizations into future growth.

Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech

人工知能 (AI) がより高度になるにつれてこれらの革新的なテクノロジーを採用したいという組織の野心も高まっている。拡大する願望を考慮すると組織にとっての課題は最良の結果を達成するためにAIをどのように拡張できるかという事だ。その答えは組織が機械学習オペレーション (MLOps) を採用し実装する必要があるという事に他ならない。これは価値を提供しデータを活用するために複数の部門が協力する機能横断的な機能だ。コラボレーションはデータ主導の分析ソリューションから価値を生み出すという共通の目標に向かってビジネス プロダクト オーナー、データ エンジニアリング、データ サイエンス、IT、インフラストラクチャなど、組織のあらゆる側面にわたって行われる。

データ変換はMLの重要な側面だ。MLを完全に展開するにはデータが正しい形式でなくてはならない。MLを効果的に行うには大量のデータが必要であり収集、管理、保存には時間が掛かる。AIモデルには適切に管理され適切に変換された高品質のデータが必要だが実際には困難な場合がある。金融サービス業界などの確立された企業では多くの場合大量のデータがレガシー形式で保存されている。このため最新のMLモデルに統合して使用することが困難なのだ。 例えば企業データの従来の形式は利用が難しい非構造化テキストを含むデータベース、ファイル、システムだ。組織によってはMLモデルに使用されるデータは複雑で乱雑であり欠損値、外れ値、その他の異常が存在する。データ変換にはこのデータのクリーニングと前処理が含まれるがこれには時間がかかる場合がある。

機械学習オペレーション (MLOps) を実装する場合組織はソリューションを設計し文化をサポートするための専門知識を必要とする。これは新しい分野であり多くの組織では必要なスキルセットを備えたスタッフが不足している。技術人材の需要は今後5年間続くと考えられ業界全体でMLOpsエンジニアとITアーキテクトの需要が特に高まる事が予想される。Deloitte のデータによると26%の組織でMLOpsエンジニアが不足しており28%の組織でより多くのITアーキテクトが必要との事だ。これはAI 機能を拡張するためのMLOpsを開発するために必要な技術スキル セットにギャップがある事を示している。ビジネス リーダーの間ではビジネス プラクティスを再設計して単一ユース ケースだけでなくビジネス運営のあらゆる側面にMLOps機能を組み込む文化的な転換が必要なのだ。

MLOP機能に投資を考えている組織は多くのテクノロジーを利用できる。組織間でクラウド サービスが広く使用されているにもかかわらずオールインワン プラットフォームやその他の専門的なMLOpsプラットフォームなどの他のテクノロジーの実装も検討されている。しかし殆どの回答者がAIに焦点を当てているため必要な導入率には依然として遅れている。圧倒的に多くの組織が近い将来に幅広いテクノロジーへのさらなる投資を計画している。

レガシー テクノロジーのインフラはデータと技術的な限界およびに高い投資コストの背後にあるトップ 3 の課題の 1 つだ。これはテクノロジー、メディア、通信 (TMT) 業界で特に顕著であった。レガシー システムからの移行にはコストと時間がかかる場合があるがよりAIが成熟した組織に進化するためにはここを避けて通る事はできない。これはシステム障害を防ぐためのインフラストラクチャを整備せずにAIを導入する組織のリスクを示している。システム障害は重大な結果をもたらす可能性がある。システム障害によって最も影響を受ける部門は政府および公共サービスだ。この分野のなんと36%が現在のインフラストラクチャが現在の MLOps 技術要件を満たしていないと回答している。金融サービスでは大規模組織の3社のうち2社 (50 億米ドル以上) が現在のインフラストラクチャが要件を満たしていないと報告している。

AIは急速に発展しておりAI 機能を拡張しMLOpsで課題に対処する準備ができている野心的な組織は新興テクノロジーを活用することになる。組織はデータ変換、遅れているインフラストラクチャ、投資不足などの主要な障壁を克服して可能な限り最大限の MLOps 機能の開発を目指す必要がある。また組織は規制環境の重要性を認識しリスクを最小限に抑えその結果消費者や投資家の信頼を高める必要がある。多くのメリットを享受するにはMLの専門知識と人材が不可欠だが組織は今すぐ行動するべきである。MLOpsはAIの膨大な可能性を解き放ち組織を将来の成長に導く鍵を握っている。

Article by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., Senior Editor & MEGA Tech