![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2022\/01\/Bruce-DELATTRE-.png\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" "\\"M\u00e9dio")
<\/span><\/div>1 - Domar a indec\u00eancia dos modelos de funda\u00e7\u00e3o<\/h2><\/div>2021 teve sua cota de novos modelos grandes. Depois do GPT-3 (Brown et al., 2020<\/a>) no ano anterior, o senhor pode ter ouvido falar sobre CLIP<\/a> ou, mais recentemente, Gopher<\/a>. Esses \u201cmodelos de funda\u00e7\u00e3o\u201d, como Bommasani et al. (2021)<\/a> (j\u00e1 que sua arquitetura \u00e9 frequentemente reutilizada, ligeiramente alterada para se adaptar a uma tarefa espec\u00edfica de aprendizado de m\u00e1quina ou, ainda, porque \u00e9 frequentemente ajustada por meio do aprendizado por transfer\u00eancia), continuam sua jornada e seu progresso, pois n\u00e3o parece haver nenhum limite para o n\u00famero de par\u00e2metros otimizados ou data aproveitados para trein\u00e1-los. O que \u00e9 interessante \u00e9 que esses modelos trazem consigo grandes ganhos de produtividade<\/strong>, A combina\u00e7\u00e3o de surgimento<\/em> e homogeneiza\u00e7\u00e3o<\/em>.<\/p>\n<\/div>Vamos come\u00e7ar com a homogeneiza\u00e7\u00e3o: Al\u00e9m disso, a maioria dos modelos que o senhor v\u00ea na literatura \u00e9 adaptada dessas arquiteturas gen\u00e9ricas <\/strong>(pense no BERT, que \u00e9 onipresente hoje em dia); mas muitas vezes os profissionais tamb\u00e9m n\u00e3o mudam a arquitetura<\/strong>, Eles apenas ajustam um modelo \u201cgrande\u201d dispon\u00edvel para uma tarefa posterior usando a aprendizagem por transfer\u00eancia. Essa \u201cinvari\u00e2ncia\u201d da arquitetura significa que novos aprimoramentos em um modelo de funda\u00e7\u00e3o podem facilmente fluir para todos os seus modelos filhos<\/strong>.<\/p>\n<\/div>O surgimento, em seguida, vem da maneira como eles lidam com o treinamento do data. Treinados sob autossupervis\u00e3o, contando com o data bruto que n\u00e3o foi rotulado de maneira espec\u00edfica, eles est\u00e3o come\u00e7ando a mostrar que podem atender a necessidades para as quais n\u00e3o foram projetados no in\u00edcio (um recurso de \u201cdisparo zero\u201d). Tarefas complexas de aprendizado de m\u00e1quina que sofrem com a baixa disponibilidade do data podem ser mais bem resolvidas com o aproveitamento do \u201cconhecimento\u201d que esses modelos extraem de grandes partes do data<\/strong>. Ainda estamos nos est\u00e1gios iniciais e os resultados geralmente s\u00e3o mais perturbadores do que bem-sucedidos, mas o GPT-3, por exemplo, aprende diretamente a resolver uma tarefa a partir de um prompt que n\u00e3o viu durante o treinamento (pelo menos, teoricamente, n\u00e3o deveria ter visto...<\/em>). Esse surgimento de recursos n\u00e3o planejados significa que podemos avan\u00e7ar para mais <\/strong>capaz e de uso geral<\/a> aprendizado de m\u00e1quina. <\/strong><\/p>\n<\/div>Esses benef\u00edcios n\u00e3o v\u00eam sem mudan\u00e7as estruturais. Como s\u00e3o grandes por natureza, a lista de organiza\u00e7\u00f5es e empresas capazes de criar esses modelos \u00e9 restrita. Isso definitivamente deve impulsionar o uso do aprendizado de m\u00e1quina por meio de APIs de IA propriet\u00e1rias ou interfaces r\u00e1pidas, abstraindo o treinamento e a manuten\u00e7\u00e3o de modelos b\u00e1sicos para os engenheiros<\/strong>. Por outro lado, como mais modelos depender\u00e3o de um \u00fanico pai, podemos esperar mais regulamenta\u00e7\u00f5es e investiga\u00e7\u00f5es \u00e9ticas e sociais sobre esses modelos (j\u00e1 que as crian\u00e7as herdam o vi\u00e9s de seu modelo de base). Definitivamente, haver\u00e1 cada vez mais valor em trabalhar com talentos que conhe\u00e7am a capacidade, os limites e os vieses ocultos por tr\u00e1s dessas interfaces, de uma forma ou de outra... a come\u00e7ar pela pegada de carbono.<\/strong><\/p>\n<\/div>2 - Tornando a IA sustent\u00e1vel<\/h2><\/div>N\u00e3o \u00e9 de surpreender que essas novas formas de IA tenham um alto custo em termos de emiss\u00f5es de carbono<\/strong>: Strubell et al.<\/a> estimam que um \u00fanico treinamento do BERT em GPUs \u00e9 aproximadamente equivalente a um voo de NY para SF, enquanto Taddeo et al.<\/a> avaliam que um \u00fanico treinamento do GPT-3 emite a mesma quantidade de CO2 que 49 carros durante um ano.<\/p>\nA IA foi vista pela primeira vez como uma ferramenta valiosa para resolver problemas relacionados \u00e0s mudan\u00e7as clim\u00e1ticas (veja as muitas ideias do NeurIPS \u201cTackling climate change with machine learning\u201d 2019 oficina<\/a>), mas muitos especialistas tamb\u00e9m est\u00e3o apontando para sua pegada de carbono. \u201cIA sustent\u00e1vel<\/a>\u201d, como diz Aimee van Wynsberghe, deve abranger n\u00e3o apenas a IA para a sustentabilidade, mas tamb\u00e9m a sustentabilidade da IA<\/strong> (que tamb\u00e9m n\u00e3o deve se limitar a preocupa\u00e7\u00f5es ecol\u00f3gicas).<\/p>\n<\/div>Como Abhishek Gupta recomenda<\/a>, trabalhando em favorecer a IA sustent\u00e1vel significa explorar novas formas de trabalho<\/strong>. O TinyML poderia nos ajudam a evitar o custo de energia da computa\u00e7\u00e3o sem fio<\/a>, enquanto conscientiza\u00e7\u00e3o sobre o carbono<\/a> deve nos ajudar a entender em que local geogr\u00e1fico podemos treinar e implementar melhor nossos modelos de aprendizado de m\u00e1quina. Um uso mais sensato do hardware e dos servi\u00e7os existentes tamb\u00e9m deve ser uma preocupa\u00e7\u00e3o de todos.<\/p>\nQuaisquer que sejam as solu\u00e7\u00f5es usadas para adotar a IA sustent\u00e1vel, esperamos que os tomadores de decis\u00e3o pensem duas vezes antes de lan\u00e7ar projetos de IA<\/strong>. Isso levanta o desafio de medi\u00e7\u00e3o<\/strong> aprendizado de m\u00e1quina impacto ambiental.<\/p>\n<\/div>O desenvolvimento do aprendizado de m\u00e1quina, em 2022, deve ser cadenciado por relat\u00f3rios mais sistem\u00e1ticos de CO2e junto \u00e0s m\u00e9tricas de desempenho (veja, por exemplo codecarbono<\/a>), mais transpar\u00eancia dos fornecedores de cloud (consulte a pegada de carbono do GCP painel de controle<\/a>) e, acima de tudo, uma reflex\u00e3o mais profunda sobre os benef\u00edcios e os custos de alavancar a IA. Os projetos mais convincentes ser\u00e3o os que adotarem uma abordagem hol\u00edstica: n\u00e3o apenas quantificar a pegada de carbono da computa\u00e7\u00e3o, mas ponder\u00e1-la em rela\u00e7\u00e3o \u00e0 efici\u00eancia proporcionada por esses novos produtos<\/strong>, N\u00e3o se esquecendo de levar em conta um poss\u00edvel efeito rebote<\/a>. Medir a pegada de carbono desses grandes modelos n\u00e3o \u00e9 suficiente: Devemos levar em conta todo o processo de ponta a ponta: treinamento, implanta\u00e7\u00e3o, monitoramento e tamb\u00e9m seu impacto sobre as formas de trabalho das pessoas<\/strong>.<\/p>\n<\/div>3 - Adicionando um toque zen aos seus MLOPs<\/h2><\/div>Isso \u00e9 importante \u00e0 medida que o lado da produ\u00e7\u00e3o do aprendizado de m\u00e1quina se torna cada vez mais complexo e sofisticado<\/strong>. Os MLOPs continuaram a crescer particularmente este ano e tiveram seu quinh\u00e3o de inova\u00e7\u00f5es ou conceitos em alta, como Matt Turck explica<\/a>. Pense simplesmente no lojas de recursos<\/a>, transmiss\u00e3o<\/a> e todas as iniciativas DataOps que abordaremos logo abaixo.<\/p>\nEmbora 2021 tenha sido, mais uma vez, um ano de expans\u00e3o para MLOPs<\/a>, Tamb\u00e9m come\u00e7amos a testemunhar uma cr\u00edtica ponderada contra sua pr\u00f3pria<\/strong>. E os argumentos s\u00e3o justos: o cen\u00e1rio dos MLOPs \u00e9 pouco leg\u00edvel,<\/a> abrangendo centenas de conceitos e ferramentas, talvez muitas vezes matan\u00e7a excessiva<\/a> e o Pode-se argumentar razoavelmente que um projeto m\u00e9dio n\u00e3o necessariamente precisar\u00e1 de todos eles<\/a><\/strong>. A maioria dos \u201cescala razo\u00e1vel<\/a>\u201d empresas que n\u00e3o s\u00e3o FAANG<\/a> (Ou seja.<\/em> sem grandes equipes t\u00e9cnicas, sem ROI infinito gerado por IA, volumes razo\u00e1veis de data) deve manter a simplicidade<\/strong>.<\/p>\n<\/div>Ainda \u00e9 dif\u00edcil prever como esse cen\u00e1rio evoluir\u00e1<\/strong>O senhor sabe o que est\u00e1 acontecendo: sem d\u00favida, devemos esperar o surgimento de mais startups e, ao mesmo tempo, alguma homogeneiza\u00e7\u00e3o e consolida\u00e7\u00e3o por parte dos grandes players. As ferramentas sem c\u00f3digo ou de baixo c\u00f3digo certamente continuar\u00e3o a crescer e a disponibilizar esses recursos para todos. No entanto, as coisas podem mudar, Tamb\u00e9m acreditamos muito no surgimento, nos pr\u00f3ximos anos, de padr\u00f5es abertos e de uma \u201cpilha can\u00f4nica de ML\u201d<\/strong> como a que a AI Infrastructure Alliance pretende construir<\/a> (Isen\u00e7\u00e3o de responsabilidade: o Artefact faz parte da Alliance).<\/p>\n<\/div>Portanto, desejamos que o senhor adicione um toque de Zen<\/a> para seus MLOPs em 2022<\/strong>. Isso significa, em primeiro lugar, dar um passo atr\u00e1s e podando sua pilha para o que realmente importa<\/strong>: a efici\u00eancia de seus modelos de aprendizado de m\u00e1quina e a produtividade de seus cientistas data, por exemplo, com um \u201cagressivamente \u00fatil<\/a>\u201d, como a que a equipe da plataforma Stitch Fix adotou. Ent\u00e3o, como a maioria dos antipadr\u00f5es<\/a> de um projeto de aprendizado de m\u00e1quina parecem vir do lado do data, trabalhar na consolida\u00e7\u00e3o das bases do seu projeto: como o senhor obt\u00e9m e processa o pr\u00f3prio data<\/strong>. Como diz Ciro Greco, o data deve de fato se tornar um \u201ccidad\u00e3o de primeira classe<\/a>\u201d de sua pilha de produ\u00e7\u00e3o.<\/p>\n<\/div>4 - Tornar o data mais um produto do que um simples insumo<\/h2><\/div>\u201cSempre se tratou do data\u201d deveria declarar 2021, com seu interesse renovado nele, como evidenciado, \u00e9 claro, pelo Data - IA centrada<\/a> movimento lan\u00e7ado por Andrew Ng. O data n\u00e3o \u00e9 apenas o combust\u00edvel do desempenho do seu modelo de aprendizado de m\u00e1quina, mas tamb\u00e9m \u00e9 onde surgem os problemas, j\u00e1 que o data desequilibrado, tendencioso ou mal rotulado certamente ter\u00e1 um impacto prejudicial nos algoritmos downstream<\/strong>. Para um determinado e fixo modelo, devemos, portanto, ser capazes de ganhar qualidade apenas trabalhando em sua entrada, o data.<\/p>\n<\/div>O interessante \u00e9 que esse movimento deve conciliar todos ao longo da cadeia de valor, desde o lado da engenharia do data e seus recentes apelos para estimular a DataOps<\/a> (e n\u00f3s mesmos tivemos o prazer de incluir este ano ferramentas como o Grandes expectativas<\/a> em todos os nossos projetos) para os cientistas e analistas do data, que n\u00e3o ter\u00e3o falta de metodologias<\/a> para refinar o data em quest\u00e3o (aumento, rotulagem, corre\u00e7\u00e3o de vi\u00e9s, amostragem...). Obviamente, acreditamos que isso n\u00e3o ser\u00e1 poss\u00edvel sem um investimento claro da alta ger\u00eancia e a aplica\u00e7\u00e3o de medidas expl\u00edcitas de processos<\/a> do data governance para primeiro identificar e depois estruturar os diferentes dom\u00ednios e seus propriet\u00e1rios dentro da organiza\u00e7\u00e3o. <\/strong><\/p>\n<\/div>Isso, combinado com o fato de que o data ser\u00e1 cada vez mais f\u00e1cil de movimentar gra\u00e7as a iniciativas como O<\/a> e o aprimoramento cont\u00ednuo do Compartilhamento data<\/a> em nossa moderna pilha data permitiria que o empresas obviamente para encontrar novos perspectivas<\/a> do pr\u00f3prio data<\/strong>, em paralelo ao que a IA j\u00e1 traz em termos de automa\u00e7\u00e3o e insights.<\/p>\n<\/div>***<\/p>\n
\u00c9 isso a\u00ed! Nesse per\u00edodo de resolu\u00e7\u00f5es de Ano Novo, desejamos que o senhor domine a indec\u00eancia dos modelos de funda\u00e7\u00e3o, torne a IA sustent\u00e1vel, d\u00ea um toque zen aos seus MLOPs e, por fim, cuide do seu data como um produto, em vez de consider\u00e1-lo simplesmente como uma entrada. E o senhor? O que mais surpreendeu o senhor no ano passado? O que o senhor espera que aconte\u00e7a este ano?\u00a0<\/strong><\/p>\n<\/div><\/div><\/div><\/div><\/article>
2021 teve sua cota de novos modelos grandes. Depois do GPT-3 (Brown et al., 2020<\/a>) no ano anterior, o senhor pode ter ouvido falar sobre CLIP<\/a> ou, mais recentemente, Gopher<\/a>. Esses \u201cmodelos de funda\u00e7\u00e3o\u201d, como Bommasani et al. (2021)<\/a> (j\u00e1 que sua arquitetura \u00e9 frequentemente reutilizada, ligeiramente alterada para se adaptar a uma tarefa espec\u00edfica de aprendizado de m\u00e1quina ou, ainda, porque \u00e9 frequentemente ajustada por meio do aprendizado por transfer\u00eancia), continuam sua jornada e seu progresso, pois n\u00e3o parece haver nenhum limite para o n\u00famero de par\u00e2metros otimizados ou data aproveitados para trein\u00e1-los. O que \u00e9 interessante \u00e9 que esses modelos trazem consigo grandes ganhos de produtividade<\/strong>, A combina\u00e7\u00e3o de surgimento<\/em> e homogeneiza\u00e7\u00e3o<\/em>.<\/p>\n<\/div> Vamos come\u00e7ar com a homogeneiza\u00e7\u00e3o: Al\u00e9m disso, a maioria dos modelos que o senhor v\u00ea na literatura \u00e9 adaptada dessas arquiteturas gen\u00e9ricas <\/strong>(pense no BERT, que \u00e9 onipresente hoje em dia); mas muitas vezes os profissionais tamb\u00e9m n\u00e3o mudam a arquitetura<\/strong>, Eles apenas ajustam um modelo \u201cgrande\u201d dispon\u00edvel para uma tarefa posterior usando a aprendizagem por transfer\u00eancia. Essa \u201cinvari\u00e2ncia\u201d da arquitetura significa que novos aprimoramentos em um modelo de funda\u00e7\u00e3o podem facilmente fluir para todos os seus modelos filhos<\/strong>.<\/p>\n<\/div> O surgimento, em seguida, vem da maneira como eles lidam com o treinamento do data. Treinados sob autossupervis\u00e3o, contando com o data bruto que n\u00e3o foi rotulado de maneira espec\u00edfica, eles est\u00e3o come\u00e7ando a mostrar que podem atender a necessidades para as quais n\u00e3o foram projetados no in\u00edcio (um recurso de \u201cdisparo zero\u201d). Tarefas complexas de aprendizado de m\u00e1quina que sofrem com a baixa disponibilidade do data podem ser mais bem resolvidas com o aproveitamento do \u201cconhecimento\u201d que esses modelos extraem de grandes partes do data<\/strong>. Ainda estamos nos est\u00e1gios iniciais e os resultados geralmente s\u00e3o mais perturbadores do que bem-sucedidos, mas o GPT-3, por exemplo, aprende diretamente a resolver uma tarefa a partir de um prompt que n\u00e3o viu durante o treinamento (pelo menos, teoricamente, n\u00e3o deveria ter visto...<\/em>). Esse surgimento de recursos n\u00e3o planejados significa que podemos avan\u00e7ar para mais <\/strong>capaz e de uso geral<\/a> aprendizado de m\u00e1quina. <\/strong><\/p>\n<\/div> Esses benef\u00edcios n\u00e3o v\u00eam sem mudan\u00e7as estruturais. Como s\u00e3o grandes por natureza, a lista de organiza\u00e7\u00f5es e empresas capazes de criar esses modelos \u00e9 restrita. Isso definitivamente deve impulsionar o uso do aprendizado de m\u00e1quina por meio de APIs de IA propriet\u00e1rias ou interfaces r\u00e1pidas, abstraindo o treinamento e a manuten\u00e7\u00e3o de modelos b\u00e1sicos para os engenheiros<\/strong>. Por outro lado, como mais modelos depender\u00e3o de um \u00fanico pai, podemos esperar mais regulamenta\u00e7\u00f5es e investiga\u00e7\u00f5es \u00e9ticas e sociais sobre esses modelos (j\u00e1 que as crian\u00e7as herdam o vi\u00e9s de seu modelo de base). Definitivamente, haver\u00e1 cada vez mais valor em trabalhar com talentos que conhe\u00e7am a capacidade, os limites e os vieses ocultos por tr\u00e1s dessas interfaces, de uma forma ou de outra... a come\u00e7ar pela pegada de carbono.<\/strong><\/p>\n<\/div> N\u00e3o \u00e9 de surpreender que essas novas formas de IA tenham um alto custo em termos de emiss\u00f5es de carbono<\/strong>: Strubell et al.<\/a> estimam que um \u00fanico treinamento do BERT em GPUs \u00e9 aproximadamente equivalente a um voo de NY para SF, enquanto Taddeo et al.<\/a> avaliam que um \u00fanico treinamento do GPT-3 emite a mesma quantidade de CO2 que 49 carros durante um ano.<\/p>\n A IA foi vista pela primeira vez como uma ferramenta valiosa para resolver problemas relacionados \u00e0s mudan\u00e7as clim\u00e1ticas (veja as muitas ideias do NeurIPS \u201cTackling climate change with machine learning\u201d 2019 oficina<\/a>), mas muitos especialistas tamb\u00e9m est\u00e3o apontando para sua pegada de carbono. \u201cIA sustent\u00e1vel<\/a>\u201d, como diz Aimee van Wynsberghe, deve abranger n\u00e3o apenas a IA para a sustentabilidade, mas tamb\u00e9m a sustentabilidade da IA<\/strong> (que tamb\u00e9m n\u00e3o deve se limitar a preocupa\u00e7\u00f5es ecol\u00f3gicas).<\/p>\n<\/div> Como Abhishek Gupta recomenda<\/a>, trabalhando em favorecer a IA sustent\u00e1vel significa explorar novas formas de trabalho<\/strong>. O TinyML poderia nos ajudam a evitar o custo de energia da computa\u00e7\u00e3o sem fio<\/a>, enquanto conscientiza\u00e7\u00e3o sobre o carbono<\/a> deve nos ajudar a entender em que local geogr\u00e1fico podemos treinar e implementar melhor nossos modelos de aprendizado de m\u00e1quina. Um uso mais sensato do hardware e dos servi\u00e7os existentes tamb\u00e9m deve ser uma preocupa\u00e7\u00e3o de todos.<\/p>\n Quaisquer que sejam as solu\u00e7\u00f5es usadas para adotar a IA sustent\u00e1vel, esperamos que os tomadores de decis\u00e3o pensem duas vezes antes de lan\u00e7ar projetos de IA<\/strong>. Isso levanta o desafio de medi\u00e7\u00e3o<\/strong> aprendizado de m\u00e1quina impacto ambiental.<\/p>\n<\/div> O desenvolvimento do aprendizado de m\u00e1quina, em 2022, deve ser cadenciado por relat\u00f3rios mais sistem\u00e1ticos de CO2e junto \u00e0s m\u00e9tricas de desempenho (veja, por exemplo codecarbono<\/a>), mais transpar\u00eancia dos fornecedores de cloud (consulte a pegada de carbono do GCP painel de controle<\/a>) e, acima de tudo, uma reflex\u00e3o mais profunda sobre os benef\u00edcios e os custos de alavancar a IA. Os projetos mais convincentes ser\u00e3o os que adotarem uma abordagem hol\u00edstica: n\u00e3o apenas quantificar a pegada de carbono da computa\u00e7\u00e3o, mas ponder\u00e1-la em rela\u00e7\u00e3o \u00e0 efici\u00eancia proporcionada por esses novos produtos<\/strong>, N\u00e3o se esquecendo de levar em conta um poss\u00edvel efeito rebote<\/a>. Medir a pegada de carbono desses grandes modelos n\u00e3o \u00e9 suficiente: Devemos levar em conta todo o processo de ponta a ponta: treinamento, implanta\u00e7\u00e3o, monitoramento e tamb\u00e9m seu impacto sobre as formas de trabalho das pessoas<\/strong>.<\/p>\n<\/div> Isso \u00e9 importante \u00e0 medida que o lado da produ\u00e7\u00e3o do aprendizado de m\u00e1quina se torna cada vez mais complexo e sofisticado<\/strong>. Os MLOPs continuaram a crescer particularmente este ano e tiveram seu quinh\u00e3o de inova\u00e7\u00f5es ou conceitos em alta, como Matt Turck explica<\/a>. Pense simplesmente no lojas de recursos<\/a>, transmiss\u00e3o<\/a> e todas as iniciativas DataOps que abordaremos logo abaixo.<\/p>\n Embora 2021 tenha sido, mais uma vez, um ano de expans\u00e3o para MLOPs<\/a>, Tamb\u00e9m come\u00e7amos a testemunhar uma cr\u00edtica ponderada contra sua pr\u00f3pria<\/strong>. E os argumentos s\u00e3o justos: o cen\u00e1rio dos MLOPs \u00e9 pouco leg\u00edvel,<\/a> abrangendo centenas de conceitos e ferramentas, talvez muitas vezes matan\u00e7a excessiva<\/a> e o Pode-se argumentar razoavelmente que um projeto m\u00e9dio n\u00e3o necessariamente precisar\u00e1 de todos eles<\/a><\/strong>. A maioria dos \u201cescala razo\u00e1vel<\/a>\u201d empresas que n\u00e3o s\u00e3o FAANG<\/a> (Ou seja.<\/em> sem grandes equipes t\u00e9cnicas, sem ROI infinito gerado por IA, volumes razo\u00e1veis de data) deve manter a simplicidade<\/strong>.<\/p>\n<\/div> Ainda \u00e9 dif\u00edcil prever como esse cen\u00e1rio evoluir\u00e1<\/strong>O senhor sabe o que est\u00e1 acontecendo: sem d\u00favida, devemos esperar o surgimento de mais startups e, ao mesmo tempo, alguma homogeneiza\u00e7\u00e3o e consolida\u00e7\u00e3o por parte dos grandes players. As ferramentas sem c\u00f3digo ou de baixo c\u00f3digo certamente continuar\u00e3o a crescer e a disponibilizar esses recursos para todos. No entanto, as coisas podem mudar, Tamb\u00e9m acreditamos muito no surgimento, nos pr\u00f3ximos anos, de padr\u00f5es abertos e de uma \u201cpilha can\u00f4nica de ML\u201d<\/strong> como a que a AI Infrastructure Alliance pretende construir<\/a> (Isen\u00e7\u00e3o de responsabilidade: o Artefact faz parte da Alliance).<\/p>\n<\/div> Portanto, desejamos que o senhor adicione um toque de Zen<\/a> para seus MLOPs em 2022<\/strong>. Isso significa, em primeiro lugar, dar um passo atr\u00e1s e podando sua pilha para o que realmente importa<\/strong>: a efici\u00eancia de seus modelos de aprendizado de m\u00e1quina e a produtividade de seus cientistas data, por exemplo, com um \u201cagressivamente \u00fatil<\/a>\u201d, como a que a equipe da plataforma Stitch Fix adotou. Ent\u00e3o, como a maioria dos antipadr\u00f5es<\/a> de um projeto de aprendizado de m\u00e1quina parecem vir do lado do data, trabalhar na consolida\u00e7\u00e3o das bases do seu projeto: como o senhor obt\u00e9m e processa o pr\u00f3prio data<\/strong>. Como diz Ciro Greco, o data deve de fato se tornar um \u201ccidad\u00e3o de primeira classe<\/a>\u201d de sua pilha de produ\u00e7\u00e3o.<\/p>\n<\/div> \u201cSempre se tratou do data\u201d deveria declarar 2021, com seu interesse renovado nele, como evidenciado, \u00e9 claro, pelo Data - IA centrada<\/a> movimento lan\u00e7ado por Andrew Ng. O data n\u00e3o \u00e9 apenas o combust\u00edvel do desempenho do seu modelo de aprendizado de m\u00e1quina, mas tamb\u00e9m \u00e9 onde surgem os problemas, j\u00e1 que o data desequilibrado, tendencioso ou mal rotulado certamente ter\u00e1 um impacto prejudicial nos algoritmos downstream<\/strong>. Para um determinado e fixo modelo, devemos, portanto, ser capazes de ganhar qualidade apenas trabalhando em sua entrada, o data.<\/p>\n<\/div> O interessante \u00e9 que esse movimento deve conciliar todos ao longo da cadeia de valor, desde o lado da engenharia do data e seus recentes apelos para estimular a DataOps<\/a> (e n\u00f3s mesmos tivemos o prazer de incluir este ano ferramentas como o Grandes expectativas<\/a> em todos os nossos projetos) para os cientistas e analistas do data, que n\u00e3o ter\u00e3o falta de metodologias<\/a> para refinar o data em quest\u00e3o (aumento, rotulagem, corre\u00e7\u00e3o de vi\u00e9s, amostragem...). Obviamente, acreditamos que isso n\u00e3o ser\u00e1 poss\u00edvel sem um investimento claro da alta ger\u00eancia e a aplica\u00e7\u00e3o de medidas expl\u00edcitas de processos<\/a> do data governance para primeiro identificar e depois estruturar os diferentes dom\u00ednios e seus propriet\u00e1rios dentro da organiza\u00e7\u00e3o. <\/strong><\/p>\n<\/div> Isso, combinado com o fato de que o data ser\u00e1 cada vez mais f\u00e1cil de movimentar gra\u00e7as a iniciativas como O<\/a> e o aprimoramento cont\u00ednuo do Compartilhamento data<\/a> em nossa moderna pilha data permitiria que o empresas obviamente para encontrar novos perspectivas<\/a> do pr\u00f3prio data<\/strong>, em paralelo ao que a IA j\u00e1 traz em termos de automa\u00e7\u00e3o e insights.<\/p>\n<\/div> ***<\/p>\n \u00c9 isso a\u00ed! Nesse per\u00edodo de resolu\u00e7\u00f5es de Ano Novo, desejamos que o senhor domine a indec\u00eancia dos modelos de funda\u00e7\u00e3o, torne a IA sustent\u00e1vel, d\u00ea um toque zen aos seus MLOPs e, por fim, cuide do seu data como um produto, em vez de consider\u00e1-lo simplesmente como uma entrada. E o senhor? O que mais surpreendeu o senhor no ano passado? O que o senhor espera que aconte\u00e7a este ano?\u00a0<\/strong><\/p>\n<\/div><\/div><\/div><\/div><\/article>2 - Tornando a IA sustent\u00e1vel<\/h2><\/div>
3 - Adicionando um toque zen aos seus MLOPs<\/h2><\/div>
4 - Tornar o data mais um produto do que um simples insumo<\/h2><\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/03\/medium.png\" "\\"m\u00e9dio\\"")
<\/span><\/div>