现在是艰难经济环境下的人工智能战略季节。即使首席数据和分析官希望扩大人工智能的规模，削减IT成本也是重中之重。这引发了我今天与一家服务提供商关于运行人工智能模型的成本的对话。似乎有几个客户正在寻求删除AI模型，因为云成本太高了。我想，“多糟糕的主意!”然后，我无视我的过滤器，脱口而出。在经济不确定的情况下，扩展您的AI足迹和构建洞察驱动的能力可以确保企业的弹性。大流行期间证明了这一点。

这是经典的“豹子吃了我的脸”时刻。如果你不熟悉，LeopardsAteMyFace是Reddit上的一个帖子，里面有一些故事，讲述了人们因为一个考虑不周全的决定而遭受具有讽刺意味的后果。

基于成本的退役模式是一场可以避免的灾难。这表明缺乏ModelOps和AI治理，以及缺乏通过模型和业务价值流实现AI货币化。基于成本的退休模式忽略了使用人工智能对赚钱和省钱的影响。它忽略了一个问题，即当模型不再存在时，什么可以取代人工智能驱动的智能和决策自动化。

因此，如果你必须让模型退役，而成本是关键驱动因素，那么要聪明一点，并提供非数据科学家能够理解的见解。以下是你需要的工具来避免饥饿的豹子:

  • cxo级人工智能业务绩效框架。cxo需要看到人工智能的整体价值速度和价值规模，以及拥有和服务的成本。人工智能业务绩效框架帮助cxo解释人工智能对总体目标的贡献，以及量化赚钱和省钱的指标。例如，首席收入官关心人工智能个性化对收入产生的整体贡献。
  • 随着时间的推移，对模型性能和流程流性能进行审计。ModelOps工具帮助数据科学家了解模型性能何时下降。数据漂移、偏差和整体模型退化的迹象是早期预警信号。以持续审计的形式对AI进行商业智能，揭示衰减轨迹，指导模型优化策略。在模型通常相互依赖的情况下，AI上的商业智能还扩展了ModelOps，以查看模型依赖关系，并帮助业务决策者在彼此的上下文中调整模型，以全面评估模型性能。
  • 数据情报。数据智能(数据可观察性工具、管道分析和沿袭、数据目录和术语表)为机器学习模型的状态和价值带来了保真度。需要新的数据和元数据捕获，以及连接和描述数据状态和依赖关系、模型性能、数据和AI策略、领域和业务指标的知识图功能。虽然特性存储非常流行，可以简化模型部署、管理和重用，但它们需要与数据智能功能集成，以实现审计的闭环可跟踪性。
  • 建模测试和生命周期计划。与传统技术不同，人工智能不会被实现和遗忘。作为测试计划的一部分，持续监视和优化通常有多个模型在生产中执行相同的任务。这对成本有乘数效应。然而，该策略不应该以限制生产中的测试为目标，而是要维护更新、替换和淘汰退化ML的生命周期最佳实践。
  • 成本优化的前期计划。自助服务、公民ML模型开发以及应用程序和数据流复杂性的增加都会影响模型的效率。精心设计的转换和查询可能导致事务中的毫秒和秒之间的差异，增加计算量，从而增加成本。此外，边缘用例可以增加混合(云/边缘)存储和计算需求的成本。提高数据科学家的数据工程基础知识，并将他们的活动与工程和DevOps集成在一起，在部署之前解决并正确测试ML模型，然后将成本作为数据工程、ML工程和DevOps中用于测试和发布的KPI。

人工智能的成本很重要。然而，仅基于成本减少ML模型的数量会导致业务延迟、错失机会和低弹性。这样你的组织就能更好地度过经济和市场环境，而不会被豹子吃掉。