Data science

MLOps: นำ AI มาสู่ Tactical Edge—และทำให้มันใช้งานได้

แมชชีนเลิร์นนิง (ML)—ความสามารถของเครื่องจักรในการรับรู้ เรียนรู้จากนามธรรม และดำเนินการกับข้อมูล—เป็นตัวเร่งปฏิกิริยาสำหรับนวัตกรรมและความก้าวหน้าในทุกภาคส่วน โดยที่ความมั่นคงของชาติก็ไม่มีข้อยกเว้น ในปีที่แล้วเพียงปีเดียว มีตัวอย่างสำคัญหลายประการของข้อเสนอ ML ที่มีโอกาสมหาศาลเกี่ยวกับปัญญาประดิษฐ์ (AI) สำหรับการป้องกันและชุมชนปัญญา กระทรวงกลาโหมสหรัฐ (DoD) ยังคงพยายามอย่างต่อเนื่องในการปรับขนาด AI และเฉลิมฉลองความสำเร็จใหม่ ๆ เช่นการใช้ AI เพื่อช่วยควบคุมเครื่องบินลาดตระเวน U-2 “Dragon Lady” – ครั้งแรกที่ AI เข้าควบคุมระบบทหารของสหรัฐฯ . ความเป็นไปได้สำหรับความก้าวหน้าไม่มีที่สิ้นสุด: ด้วยการช่วยเหลืองานที่เกี่ยวข้องกับการเก็บรวบรวมข้อมูล การประมวลผล และการวิเคราะห์ ML สามารถตรวจจับการละเมิดและแฮ็กทางไซเบอร์ได้ก่อนที่มนุษย์จะทำได้ เร่งการตอบสนองต่อการโจมตีสงครามอิเล็กทรอนิกส์ และกำหนดเป้าหมายการตอบสนองต่อการยิงจลนศาสตร์อย่างใกล้ชิดยิ่งขึ้นผ่าน ความสามารถในการอัปเดตและการเรียนรู้อย่างต่อเนื่อง นักสู้สามารถใช้ ML เพื่อค้นหาโดเมนและทรัพยากรต่างๆ ตั้งแต่เรือรบไปจนถึงปืนใหญ่ เพื่อจับคู่เป้าหมายกับทรัพยากร ในขณะที่เราปรับตัวเข้ากับ 10 มีแง่มุมหนึ่งของ AI/ML ที่ไม่ควรมองข้าม: วิธีนำ AI/ML ไปให้อยู่ในมือของนักสู้ที่ขอบยุทธวิธีอย่างมีประสิทธิภาพ ซึ่งการตัดสินใจที่รวดเร็วนั้นอยู่ที่ พลังการประมวลผลระดับพรีเมียมและการเชื่อมต่อมักจะหายาก จำเป็นอย่างยิ่งที่กรณีการใช้งาน Edge เหล่านี้จะกำหนดลักษณะและกำหนดรูปแบบการวางแผนสำหรับการลงทุนที่ขับเคลื่อนด้วย AI และ ML เนื่องจากการแปลงเป็นดิจิทัลยังคงเร่งความเร็วของสงคราม ข้อจำกัดและความท้าทายของ AI/ML ในปัจจุบัน นวัตกรรม AI/ML จำนวนมากในปัจจุบันเกี่ยวข้องกับ “อัลกอริธึมบูติก” ที่ทำงานในระบบคลาวด์โดยมีเป้าหมายเพื่อทำให้สิ่งเหล่านี้ใหญ่ที่สุดและดีที่สุด การปรับใช้ในระบบคลาวด์เชิงพาณิชย์หมายถึงทรัพยากรที่ไม่จำกัดสำหรับการฝึกอบรมฐานข้อมูล ด้วยการประมวลผลที่ทรงพลังและแบนด์วิดท์ที่ยอดเยี่ยม อัลกอริธึมจะฝึกและดำเนินการในไซโลที่มีทรัพยากรครบถ้วน—ไม่ใช่ภาคสนาม—ด้วยมาตรการมากมายที่จะปกป้องพวกเขาจากอิทธิพลภายนอก เช่น การปลอมแปลงและการติดขัด กล่าวโดยย่อ เป็นการดีหากแบบจำลองให้ผลลัพธ์ที่น่าอัศจรรย์ “ในห้องปฏิบัติการ” แต่อัลกอริธึมเดียวกันนี้ไม่มีประโยชน์หากไม่สามารถใช้งานได้และปรับเปลี่ยนได้เมื่อใดและที่ใดที่นักสู้รบต้องการมากที่สุด การนำ AI/ML ไปใช้ที่ Edge นั้นจำเป็นต้องมีการลงทุนเชิงกลยุทธ์ใน 4 ด้านหลัก ได้แก่ ความจุในการประมวลผลและการจัดเก็บข้อมูล โมเดลที่ทำงานในระบบคลาวด์เชิงพาณิชย์สามารถเข้าถึงข้อมูลที่ใช้หน่วยความจำได้หลายเทราไบต์ ในขณะเดียวกัน อุปกรณ์ภาคสนามของ warfighter สามารถรองรับข้อมูลได้น้อยกว่าสำหรับอัลกอริธึมใดอัลกอริทึมหนึ่งโดยเฉพาะ โดยทั่วไปอยู่ในช่วง 10 ของกิกะไบต์ การใช้พลังงานและแบนด์วิดท์ เพื่อให้ทำงานได้อย่างถูกต้อง อัลกอริทึมจะต้องทำงานในลักษณะที่ไม่ทำให้แบตเตอรี่ของอุปกรณ์หมด ซึ่งจะทำให้วิศวกร ML ต้องใช้เวลาในการตรวจสอบแคชข้อมูลเมื่ออุปกรณ์ถูกตัดการเชื่อมต่อ และเลือกสิ่งที่ค้างไว้เมื่อกลับมาอยู่บนเครือข่าย ความสามารถในการปรับใช้จำนวนมาก ความสามารถของ AI ต้องปรับขนาดได้ สามารถเข้าถึงทหาร 3,000-5,000 ในกองพลทหารราบ ทุกวันนี้ อัลกอริธึมจำนวนมากปรับใช้ผ่านเซิร์ฟเวอร์เพียงเครื่องเดียว ดังนั้นจึงจำเป็นต้องมีการวางแผนขั้นสูง การบำรุงรักษาข้อมูลที่มีประสิทธิภาพและเชื่อถือได้มากขึ้น ด้วยการออกแบบ อัลกอริธึม AI/ML จะเรียนรู้และปรับปรุงอย่างต่อเนื่อง อย่างไรก็ตาม เมื่ออัลกอริธึมถูกแยกออก การฝึกอบรมจะไม่ถูกแบ่งปันในภาพรวม หมายความว่าอัลกอริธึมหนึ่งอัลกอริธึมสามารถเลื่อนลอยและเสื่อมคุณภาพได้ง่าย ซึ่งทำให้ทั้งประสิทธิภาพและความไว้วางใจในระบบเสียหาย MLOps กำหนดมาตรฐาน ปรับขนาด และดำเนินการอัลกอริทึม อีกประเด็นสำคัญของการลงทุนเพื่อเอาชนะความท้าทายเหล่านี้คือการจัดลำดับความสำคัญของการฝึกอบรมและการพัฒนาเฉพาะสำหรับ Machine Learning Operations (MLOps) ซึ่งเป็นชุดแนวทางปฏิบัติที่ช่วยให้เกิดการทำงานร่วมกันที่เป็นมาตรฐานระหว่างนักวิทยาศาสตร์ข้อมูลและภาคสนาม การดำเนินงาน ทำให้องค์กรสามารถจัดการวงจรชีวิตของไม่เพียงแต่วิศวกรรม ML แต่ยังปรับใช้ ซึ่งรวมถึงการติดตามและตรวจสอบประสิทธิภาพเพื่อระบุและแก้ไขข้อผิดพลาดและนำการรักษาความปลอดภัยไปใช้ในทุกขั้นตอน MLOps แบ่ง ML ออกจากไซโลอัลกอริธึมแบบบูติก โดยเปลี่ยน “ML ของนักวิเคราะห์” ให้กลายเป็นความสามารถด้านข่าวกรองด้านปฏิบัติการที่ทำงานในระดับแนวยุทธวิธี โดยเฉพาะอย่างยิ่ง MLOps ให้ประโยชน์ในการปฏิบัติงานดังต่อไปนี้: ความถี่การปรับใช้โมเดล ML ที่เพิ่มขึ้น: แยกการฝึกอบรมแบบจำลอง ML และไปป์ไลน์ซอฟต์แวร์แอปพลิเคชัน ซึ่งช่วยให้โมเดล ML สามารถใช้งานได้อย่างอิสระในความถี่ที่จำเป็นเพื่อรักษาประสิทธิภาพบนอุปกรณ์ทหาร ML Model Deployment ที่ได้รับการปรับปรุงใน สภาพแวดล้อมที่ท้าทาย: ให้วิศวกร ML มีไปป์ไลน์ ML ที่สร้างไว้ล่วงหน้าซึ่งออกแบบมาเพื่อปรับโมเดล ML ให้เหมาะสมสำหรับการปรับใช้ในเครือข่ายขอบมือถือและ/หรือยุทธวิธีระดับระบบ ML การทดสอบและประเมินระบบ: ให้ความสามารถที่จำเป็นในการวัดปริมาณ – และโดยอัตโนมัติในหลายกรณี – วัดทั้ง ML โมเดลและประสิทธิภาพของระบบโดยใช้เกณฑ์การเรียนรู้เชิงลึก เช่น กรอบงาน PLASTER ของ NVIDIA (ความสามารถในการโปรแกรม, เวลาแฝง, ความแม่นยำ, ขนาดของรุ่น, ปริมาณงาน, ประสิทธิภาพพลังงานและความสามารถในการทำซ้ำ) นอกจากนี้ยังมีกรอบงานในการประเมินการปฏิบัติตาม ML Model กับ DoD AI Ethical Principals หากองค์กรที่ทำงานเพื่อสร้าง ML สำหรับการป้องกันและข่าวกรองมีความสอดคล้องกับหลักการเหล่านี้ จะสามารถบรรเทาความท้าทายที่เกิดขึ้นได้ง่ายขึ้น การสร้างสถาปัตยกรรมแบบเปิดก็มีความสำคัญเช่นกัน ด้วยระบบเปิด องค์กรด้านการป้องกันจะได้รับประโยชน์จากลูปความคิดเห็นแบบเปิด เนื่องจากข้อมูลถูกผลักกลับไปยังสภาพแวดล้อมที่มีทรัพยากรการประมวลผลมากขึ้น นอกจากนี้ ระบบเปิดยังให้ความสามารถในการสลับรุ่นที่มีอยู่กับรุ่นที่ใหม่กว่าและดีกว่าจากแหล่งที่มาของภาครัฐและเอกชน ในการทำเช่นนี้ วิศวกรไม่จำเป็นต้องเปลี่ยนระบบพื้นฐานเพื่อรองรับรูปแบบต่างๆ MLOps วางระบบไว้เหนืออัลกอริทึมเพื่อทำให้โซลูชัน ML สามารถปรับขนาดได้ และมอบห่วงโซ่อุปทานเพื่อให้ทำงานได้ AI โดยเฉพาะอย่างยิ่ง ML เป็นโซลูชันที่ทรงพลังที่จะช่วยให้นักสู้ของอเมริกาตอบสนองเมื่อทุก ๆ มิลลิวินาทีมีค่า ด้วยการลงทุนเชิงกลยุทธ์ในพื้นที่เฉพาะของการบำรุงรักษาข้อมูลและความจุในการจัดเก็บข้อมูล ML จะมีความยืดหยุ่น ทำซ้ำได้ และสามารถอัปเดตได้มากขึ้น MLOps ช่วยให้องค์กรด้านการป้องกันได้รับความสามารถอันมีค่าจากภาคสนาม—ดังนั้นการลงทุนจึงเป็นสิ่งจำเป็นสำหรับนักสู้รบเพื่อใช้ ได้รับประโยชน์จากและสร้างความไว้วางใจในเทคโนโลยีนี้ในที่สุด เกี่ยวกับผู้เขียน Joel Dillon เป็นรองประธานและผู้นำด้านเทคนิคของ Booz Allen ในผลงานกองทัพของบริษัท ซึ่งเป็นผู้นำแนวปฏิบัติ Digital Warrior Solutions ก่อนหน้านั้น Joel ทำงานที่ Amazon Web Services (AWS) หลังจากรับใช้ในกองทัพสหรัฐฯ มานานกว่า 20 ปีในตำแหน่งทหารราบและเจ้าหน้าที่จัดหา รวมถึงในสำนักงานบริหารโครงการทหารของกองทัพบก Eric Syphard เป็นอาจารย์ใหญ่ในกลุ่ม Strategic Innovation Group (SIG) ของ Booz Allen และเป็นผู้นำในการสนับสนุนของบริษัทสำหรับ Army Intelligence Digital Transformation Engineering Services (AIDTES) หน่วยงานวิจัยและพัฒนาที่ได้รับการสนับสนุนจากรัฐบาล ก่อนที่จะร่วมงานกับ Booz Allen เอริคเคยเป็นนักชีวสถิติที่มหาวิทยาลัยจอห์น ฮอปกิ้นส์ ซึ่งเขาได้ใช้อัลกอริธึมทางสถิติและเทคโนโลยีการวิเคราะห์เพื่อทำให้การดำเนินการวิจัยมะเร็งเป็นไปอย่างอัตโนมัติ ลงทะเบียนเพื่อรับจดหมายข่าว InsideBIGDATA ฟรี เข้าร่วมกับเราบน Twitter: @InsideBigData1 – https://twitter.com/InsideBigData1

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button