Что такое MLOps и зачем это банкам
Однако до сих пор решения, принятые на основании моделей, зачастую далеки от идеальных, а управление операциями с моделями является одной из серьезных проблем для банков. Как MLOps может помочь в решении этой проблемы, и в чем вообще заключается данная методика?
Что такое MLOps
Machine Learning Ops — вариация DevOps. Если DevOps направлена на оптимизацию процессов при разработке приложения, MLOps предназначен для аналитики. Помимо влияния на прогнозную аналитику, MLOps обеспечивает плавную, непрерывную и эффективную разработку и развертывание моделей.
Со стремительным внедрением искусственного интеллекта и машинного обучения быстро появляются и новые модели. Хотя многие организации признают важность развития культуры работы с данными, при непрерывной цифровой трансформации работа с моделями сложна, а риск допущения ошибки велик.
Команда MLOps помогает развивать связь между исследователями данных, инженерами данных, владельцами приложений и владельцами инфраструктуры. Также MLOps координирует надлежащую передачу обслуживания и выполнение, чтобы модели могли перейти к так называемой «последней миле». Автоматизация рабочего процесса, управление версиями, продвижение, управление вычислительными ресурсами, мониторинг, масштабирование и настройка входят в обязанности MLOps.
Кому нужен MLOps
Крупные банки применяют подходы, основанные на модельном анализе, в течение многих лет. При этом модели постоянно меняются, вместо устаревших внедряются новые, а разные подразделения используют различные методологии, инструменты и методы для управления жизненным циклом модели.
Как правило банки изолируют финансовые данные в ведомственных хранилищах, работа с моделями происходит по такому же принципу. Модель, рассчитывающая риски при ипотечном кредитовании, может не учитывать данные по тому же самому лицу, находящиеся в отделе розничного кредитования. В результате модель не сможет учесть, что клиент уже имеет крупный кредит, и примет не лучшее решение.
Кроме того, запуск новых моделей в крупном банке может занять неоправданно долгое время, так как такие организации менее гибки. Для развертывания новой модели может потребоваться несколько месяцев. По данным Gartner, в итоге запускается меньше половины разработанных моделей.
Молодым небольшим банкам и финтех-компаниям проще организовать гибкую работу с аналитическими моделями. Кроме того, они не привлекают пристального внимания регуляторов, так как объемы их операций не оказывают существенного влияния на экономику.
Однако по мере роста компании будет возрастать и бремя регулирования. В долгосрочной перспективе интуитивное управление моделями не сработает. Чтобы конкурировать с крупными игроками финансового рынка, молодым банкам необходимо усилить управление и оптимизировать свои процессы.
В чем сложность управления моделями
Чтобы решить проблему быстро и эффективно, для начала нужно понять ее суть. В случае с банками и аналитическим моделями проблема, как ни странно, заключается в людях.
С одной стороны выступает Data Science, основанная на анализе данных и направленная на то, чтобы с помощью управления информацией повысить эффективность бизнес-процессов. С другой стороны — техническая реализация, которая должна обеспечивать надежное решение в рамках нормативных и бизнес-ограничений. Эти две системы работают по-разному, движутся с разной скоростью и имеют локально разные цели.
Только относительно недавно, благодаря распространению развития облачных технологий и внедрению DevOps-техник появилась возможность обеспечить синергию двух систем. Например, можно использовать облако, чтобы жизненный цикл модели не зависел от конкретного подразделения. Кроме того, современные DevOps-инструменты обеспечивают возможность взаимодействия дата сайентистов и технических специалистов.
Будущее MLOps
Вне зависимости от того, кто окажется успешнее в противостоянии банки vs. финтех-компании, MLOps будут играть важную роль в развитии отрасли в течение следующих нескольких лет.
Сейчас почти все финансовые организации борются с инертным модельным управлением, особенно с медленным неэффективным развертыванием. По данным исследования McKinsey, только 6% компаний активно используют ИИ для принятия решений, и менее 15% имеют IT-инфраструктуру для поддержки развертывания моделей.
Мы в Andersen активно поддерживаем интеграцию DevOps в процессы разработки, и имеем компетенции в работе с AI и Data Science. Хотя финтех является одной из наших приоритетных областей, мы также разрабатываем решения для eCommerce, Healthcare и других индустрий.