Описание варианта использования, где находится ценность, и выводы о моделировании процесса (например, описание процесса, операционные KPI, деревья проблем).
Инфраструктура MLOps
Стек технологий для развертывания приложений, мониторинга, управления производительностью
Эксперты по доставке/масштабированию
Эксперты по предмету, специалисты по анализу данных, бизнес-переводчики
Программа наращивания потенциала
Определение ролей и обязанностей, программа обучения для создания или укрепления потенциала
Люди для поддержания/инноваций
Владелец продукта, инженеры ML, владелец корпоративного продукта
Организационные структуры
Управление, как формируются команды и взаимодействуют роли, а также взаимосвязь с другими организационными подразделениями
ПРИЛОЖЕНИЕ 29.4
Модульные технологические компоненты. Речь идет об использовании блоков кода, которые могут быть использованы через API и легко заменены без ущерба для остальной части решения. Это ускоряет адаптацию к конкретной ситуации при масштабировании. В примере, приведенном в Примере 29.5, горнодобывающая компания использовала модульную архитектуру, разбитую на несколько слоев, для максимального повторного использования кода на других горнодобывающих объектах, несмотря на то, что технологии и среда передачи данных на этих объектах были разными.
Пример модульной архитектуры для решения по оптимизации уставки
Горизонтальные платформенные сервисы Как правило, 30% от общего объема решений Полностью многократно используемые сервисы
Менеджер конвейера данных, инструмент для исследования данных, пакет ML
Платформа, инфраструктура как код, конвейер DevOps
Уровень вариантов использования
Компоненты, созданные для решения конкретных задач
Как правило, 20% от общего объема решения
Команды доставки подстраиваются под конкретное подразделение
Слой, характерный для конкретного устройства
Конфигурация инструментария
Как правило, 20% от общего объема решения Некоторые настройки
Основной слой
Компоненты, не зависящие от конкретного случая использования Как правило, 30% от общего объема решения Мало или совсем не настраивается
ПРИЛОЖЕНИЕ 29.5
Специалисты по поддержке решения. Вам понадобится команда экспертов предметной области (например, инженеры ML, владельцы корпоративных продуктов), которые понимают, как развернуть решение и адаптировать его к различным средам. Эти люди должны знать, как обучать пользователей и внедрять организационные изменения.
Продуманный подход к активации может привести к существенному увеличению скорости и эффективности развертывания. На рис. 29.6 показано развертывание оптимизаторов уставки в двух разных отраслях промышленности, а также увеличение скорости развертывания за счет эффективной активации. Чем более стандартизированы агрегаты, тем больше преимуществ, что отражено на рис. 29.6, где парк электрогенераторов получает еще больше преимуществ от актизации, поскольку большинство решений являются общими для всех заводов (в отличие от операций по переработке минералов, которые, как правило, в большей степени зависят от конкретного объекта и руды).
Сокращение времени развертывания за счет использования активов
Примеры переработки полезных ископаемых и производства электроэнергии Количество недель на внедрение решения
Усиление
Применение оптимизации заданного значения при обогащении полезных ископаемых
Применение оптимизации уставки для всего парка электростанций
36 20
-65%
10
7
1
2
2
4
10
4
4
4
6
12
-39
28
8
22
8
10
3
19
12
6
5
2
%
Сайт 1
Сайт 1
Сайт 2
1
Сайт 3
Участок 1Участок 2Участки 3-10
Чтобы повторное использование решений стало частью общего корпоративного подхода к масштабированию, рассмотрите возможность создания модели финансирования и стимулирующей структуры, поощряющей повторное использование. Обычно это означает: (а) выделение явных инвестиций в актирование решения после того, как оно прошло стадию MVP; (б) создание централизованного финансирования и ресурсов для поддержки развертывания; (в) измерение уровня внедрения в подразделениях и соответствующее стимулирование их руководителей.
Пример из практики: Обеспечение внедрения и масштабирования 400 моделей искусственного интеллекта
Vistra, ведущая энергетическая компания, инвестировала в подход к быстрому масштабированию решений на основе искусственного интеллекта, разработанных для оптимизации парка электростанций. Эти решения состояли из 400 моделей ИИ, настроенных на оптимизацию различных частей работы электростанций.
