一家機構融資公司希望縮短其部署的人工智能(AI)和機器學習(ML)應用的上市時間。目標是縮短AI和ML應用的交付時間，這需要12到18個月的開發時間。交付時間過長危及公司在運營效率、法規遵從性、風險管理和商業智能領域實現上市時間目標的能力。

在采用生命周期管理軟件開發和部署其AI和ML應用程序后，該公司能夠將其AI和ML應用程序的上市時間縮短到幾天，在某些情況下縮短到幾個小時。流程改進使企業數據科學家能夠將90%的時間用于數據模型開發，而不是將80%的時間用于解決笨拙的部署流程帶來的技術挑戰。

這一點很重要，因為你把大數據、人工智能和ML的建模、開發和交付過程延長的時間越長，你最終得到的建模、數據和應用程序在準備實施時就會過時的風險就越大。只有在合規領域，這才會產生風險和暴露。

為數據科學、人工智能和ML模式提供部署、監控和管理軟件的ModelOP首席技術官Stu Bailey表示：“企業面臨三大問題：啟動人工智能和機器學習項目無法快速部署項目、數據性能衰減以及合規責任和損失。

查看github上托管的十大機器學習語言(免費PDF)(TechRepublic)。

Bailey認為，當及時將數據模型投入生產時，大多數問題都是由于數據科學、IT和業務團隊之間缺乏所有權和協作造成的。反過來，這些延遲將對盈利能力和業務時間洞察力產生不利影響。

貝利說：“組織很難管理其數據模型生命周期的另一個原因是，有許多不同的方法和工具來生成數據科學和機器語言模型，但沒有關于如何部署和管理它們的標準。

大數據、人工智能和ML生命周期的管理可能是一項非常艱巨的任務，它超越了使用軟件和自動化來完成一些“繁重的工作”。此外，許多組織缺乏執行這些任務的戰略和程序。在這種環境下，數據可能很快就會過時，應用程序邏輯和業務條件可能會改變，人類必須教給機器語言應用程序的新行為可能會被忽略。

參見：遠程醫療、人工智能和深度學習正在創新醫療保健(免費PDF)(TechRepublic)。

組織如何確保他們在大數據、人工智能和ML應用程序上投入的時間和人才保持相關性？

大多數組織認識到數據科學、信息技術和最終用戶之間的合作很重要，但他們可能不會堅持下去。部門之間的有效協作取決于每個人在數據準備、合規性、上市速度和ML學習方面遵循的明確政策和程序。

公司往往無法建立定期的時間間隔來更新現場大數據、人工智能和ML應用的邏輯和數據。學習周期應該是連續的——，這是保證算法與其環境并發的唯一方法。

就像他們的交易系統對手一樣，一些AI和ML應用總有一天會流行起來。這是他們生命周期的結束，讓他們退休是合適的。

如果你能自動化大數據、人工智能和ML的一些生命周期維護功能，那就去做。自動化軟件可以實現數據科學、IT和生產之間的自動切換。這使得部署過程更加容易。

獲取數據科學、大數據分析和人工智能方面的最新消息和最佳實踐。