Tijdens de Machine Learning Developers Summit India (MLDS), komen jaarlijks toonaangevende experts in het machine learning-domein samen. Tijdens de komende vierde editie, die ook deze keer digitaal plaatsvindt, staat er op de eerste dag een interessante techtalk geprogrammeerd waarop we even inzoomen, namelijk ‘Move over ML, It's Time for XL’ van Soumendra Mohanty. Mohanty is Chief Strategy Officer & Chief Innovation Officer bij Tredence en tevens auteur van het boek ‘Building an AI Powered Enterprise’, waarin hij aangeeft dat we meer energie en middelen moeten investeren in ‘experience learning’ in plaats van puur op de ML-algoritmes te focussen. Waarom vinden wij van Industrialfairs dit een zo belangrijke statement? Het betreft een klare boodschap naar de techaanbieders van AI voor industriële toepassingen en vormt tevens een schot voor de boeg voor de enthousiaste ML-ingenieurs.
“Het is niet de bedoeling om de concepten van machine learning en het hele gedoe rond algoritmes, data en cloud onder de noemer overhyped te klasseren. In de afgelopen twee decennia is er enorme vooruitgang geboekt en volop geëxperimenteerd op machine learning-niveau, maar iedereen vergeet waarom we dit eigenlijk zo urgent in onze organisatie willen uitrollen”, beklemtoont Mohanty.
Kloof tussen IT- en data science-afdelingen
Mohanty wijst erop dat zo'n 90 procent van de machine learning-modellen het nooit tot de productie schopt. “ML-ingenieurs, data scientists, data engineers, IT-professionals, enzovoort spreken niet dezelfde taal. Dit zorgt voor een rem op wat ze samen kunnen realiseren. In veel bedrijven heerst er een fundamentele kloof tussen de IT- en data science-afdelingen. IT heeft de neiging prioriteit te geven aan het laten werken en stabiel houden van de processen. Terwijl datawetenschappers houden van dingen uit elkaar te halen en te experimenteren. Dit leidt niet tot effectieve interactie", stipt Mohanty aan.
We resumeren even wat volgens Souhandra de toekomstige uitdagingen van ML worden :
° Opschalen is moeilijker dan je denkt.
° Inspanningen worden dubbel gedaan.
° Leidinggevenden zijn er niet altijd voor te vinden.
° Een gebrek aan taal- en frameworkondersteuning.
° Versiebeheer en reproduceerbaarheid blijven een uitdaging.
3 kritieke inzichten om de gebruikerservaring te verbeteren
Mohanty geeft 3 inzichten omtrent waar we nu staan en vooral wat er moet veranderen.
“De ML-industrie vordert supersnel: zes maanden zijn vergelijkbaar met zes jaar in andere technieken. Er wordt veel nadruk gelegd op het bouwen van nog meer performante machines, om meer gegevens te kraken en algoritmen sneller uit te voeren. De nadruk ligt nu meer op de rekenkracht dan op het leren”, aldus Mohanty.
“De modelleringskant van machinaal leren heeft zich veel sneller en beter ontwikkeld. Maar is er een holistisch kader dat stelselmatig ontbreekt. Een gebrek aan tooling en methodologie rond productie van ML is het grootste wat een echte wereldimpact tegenhoudt", haalt Mohanty aan.
Techgiganten en cloudproviders beginnen te begrijpen dat de eindgebruiker – de finale klant dus – beslist over wie nu uiteindelijk met modellen komt die de echte problemen gaan oplossen en tevens gebruiksgemak en voldoende user experience gaan bieden. Google bijvoorbeeld, met Human justifyed Machine Learning (HCML), breekt een lans om een meer op de mens gericht raamwerk voor machinaal leren aan te bieden. Microsoft komt dan weer met de Human-AI eXperience Toolkit. De klant beslist uiteindelijk hoe, in welke mate en welke doelen hij met AI wil werken.
“Aan de ene kant staat de impact van machine learning en aan de andere kant de gebruikersimpact, waarbij we iets doen voor een gebruiker die deze dingen kan toepassen om problemen in de echte wereld op te lossen. Als ik het over probleemoplossing heb, bekijk ik het vanuit het perspectief van de gebruiker: wat zou je kunnen helpen om iets te doen wat je vandaag nog niet kon doen. Dat zou het vertrekpunt van de probleemstelling moeten zijn. Vervolgens moeten de belanghebbenden de mogelijkheden van algoritmes en modellen in het spel brengen en niet andersom”, verduidelijkt Mohanty.
Doelgedreven systemen die niet blijven improviseren rond de probleemstelling
“Wanneer je de zeven AI-patronen voor progressie bekijkt, heeft het luik ‘doelgedreven systemen’ nog niet veel vooruitgang geboekt”, aldus Mohanty. Goal Driven Systems zijn systemen die vertrekken vanuit het afleiden van doelen die de gebruiker interactief met het model kan opleggen, die leren van de ene stap naar de andere, die zich aanpassen daar waar de gebruiker dit vereist en die het probleem onderweg steeds meer geraffineerd aanpakken. Hoopvol is dat doelgestuurde systemen steeds meer hun weg vinden in militaire similaties en gaming.
“Totdat we AI-oplossingen ontwerpen met een betere interactie tussen mens en AI, zullen we niet meer betrokken gebruikers krijgen en zal de sector steeds opnieuw blijven improviseren”, stelt Mohanty.
