Na ons vorig artikel rond Waarom ML gebruiken in productieprocessen, is het nu tijd voor de volgende stap: hoe kan je machine learning precies inzetten in productieprocessen. Want hoewel de technologie enorm potentieel heeft voor productiebedrijven, blijven veel projecten hangen in de prototype fase. Een machine learning project doorloopt idealiter drie opeenvolgende fasen en een doordachte aanpak in elk van deze fasen is essentieel voor het slagen van een project.
Van idee naar run
Bij het uitwerken van machine learning projecten ligt de aandacht vaak volledig op het trainen van het model, maar een bredere blik is essentieel om de technologie ook uiteindelijk te laten renderen in productie.
Uit onze ervaring hebben we drie concrete ‘vliegwielen’ geïdentificeerd die elkaar versterken om machine learning succesvol te implementeren in een organisatie: Ontwerp, Ontwikkeling & Onderhoud
- Ontwerp: Een goed machine learning project begint met een goede business case. Belangerijke criteria hierin zijn haalbaarheid, visibiliteit en ROI. In die initiële fase is het belangrijk om de scope van het project goed af te lijnen en te toetsen aan de bredere strategische visie van het bedrijf. De projectdefinitie moet vervolgens worden vertaald in een projectmanagement planning die verzekert dat het project tijdens de ontwikkeling gealigneerd blijft met de strategische visie van het bedrijf.
- Ontwikkeling: Een machine learning project onderscheidt zich van typische softwareprojecten door de nood aan kwalitatieve data en de onvoorspelbaarheid van de uiteindelijke performantie. Dergelijke projecten hebben daarom nood aan een agile aanpak met korte sprints zodat er tijdig kan bijgestuurd worden. Een ML model met onvoldoende accuraatheid kan bijvoorbeeld meer baat hebben van bijkomende data collectie of een andere projectscope dan bijkomende effort in de trainingsfase.
- Onderhoud: Eens een machine learning systeem beantwoordt aan de vereisten die tijdens de ontwerpfase zijn vastgelegd is het tijd om het ook effectief in productie te brengen. Dergelijke systemen moeten ook tijdens productie bijgetraind worden om zich te kunnen aanpassen aan nieuwe omstandigheden, dus er moet worden nagedacht over een pipeline die het ML algoritme monitort en op regelmatige basis bijtraint adhv geverifieerde data.
Zelfversterkend
Belangrijk is dat deze drie fasen ook retroactief versterkend werken. Een eerste ML project in productie leidt tot een pipeline die het makkelijker maakt om toekomstige projecten naar productie te brengen en ervaring met ML ontwikkeling maakt het eenvoudiger om in de planningsfase correcte inschattingen te maken en business buy-in te creeëren. Vliegwielen dus, die eens op gang gekomen adoptie van machine learning systemen radicaal kunnen versnellen.
Net daarom geloven wij bij Cronos aan de Leie in de “start small, think big” aanpak, waarbij aan de hand van een initieel kleinschalig project vertrouwen gekweekt wordt in de waarde van Machine Learning systemen. Wij beschikken over de nodige expertise om machine learning projecten van begin tot ‘einde’ te begeleiden.