Zorlu Son Aşama: Model İmplementasyonu

Günümüzde neredeyse tüm organizasyonların iş kararları vermek için, veriden faydalanarak gerçek zamanlı içgörüler elde etmeye çalıştığı bir dijital yolculuk içerisinde olduklarını görüyoruz. Sınırlarını hayalgücümüzün ve yeteneklerimizin belirlediği veri analitiği bizlere sonsuz bir potansiyel sunuyor. 2019 yılında analitik yazılımlara 190 milyar Dolar yatırım yapılması da şirketlerin bu potansiyelin farkında olduklarını gösteriyor. Ancak bu kadar büyük yatırımlar yapılmasına rağmen:

Boşa giden veya kullanıma çok geç alınan analitik modeller hem efor kaybına hem de yatırım getirisinin düşmesine sebep veriyor. Modeller kullanıma alınsalar dahi analitik yaşam döngüsü üzerinde yaşanan gecikmeler ve aksaklıklar model yönetimi eksikliğini de hesaba kattığımızda kayıp fırsatlara ve geç kalınmış getirilere dönüşüyor. Bu temel sebeplerden dolayı analitik modelleri implemente etmek, modelleri yönetmek ve performanslarının istenen seviyelerde olduklarından emin olmak organizasyonlar için en öncelikli hedeflerden biri olmalı.

Yukarıdaki analitik getiri grafiğini, verimli hale getirip organizasyonunuza olan getirisini maksimize etmek ModelOps ile mümkün.

Model İmplementasyonu Önündeki Engeller

Şirketlerin yatırım yaptıkları alanları dikkate aldığımızda modellerin üretim ortamına alınmasının neden bu kadar zorlu bir iş haline geldiğini görebiliriz. Yeni veri bilimcileri işe  almak, yeni yazılımlar satın almak, veri depoları kurmak vs. Eğer bir şirkette yerleşmiş bir analitik kültürü bulunmuyorsa veya bu organizasyonlar analitik yaşam döngüsünün tamamını kapsayan bütünsel bir analitik platformuna sahip değillerse, analitiği operasyonel hale getirmek için yapılan yatırımların ve ayrılan kaynakların yetersiz kaldığını görüyoruz. Model geliştirme ve implementasyon sürecinde en sık yapılan 5 hatanın aşağıdaki maddeler olduğunu görüyoruz:

• Makine öğrenimi için yetersiz altyapı ve yetersiz veri
• Analitik modelleri çok erken ve bir strateji olmadan implemente etmek
• Modelleri yorumlayamama ve model metodolojisinin paylaşımının yapılamaması
• Kalitesiz veriyle model geliştirmek
• Over-modelling (Gereğinden fazla komplike modeller ve detaylar)

Açık kaynak kodlu yazılımların çokluğu ve son zamanlarda artan popülerliği, ekosistem ve teknolojilerin sürekli değişmesi ve sayısının artması; model implementasyonunu komplike hale getiriyor.

Model geliştirme ekipleri çoğu zaman daha iyi modeller yapmak ve son veri bilimi tekniklerini uygulamak üzerine odaklanıp eğitim aldıklarını görüyoruz. Bu yüzden genellikle modellerin nasıl implemente edildikleri hakkında bilgi sahibi olmuyorlar veya bu aşamanın zorluklarını tecrübe edecek fırsatları olmuyor.

Benzer bir biçimde IT personeli ise modellerin nasıl geliştirildiğini, geliştirilen bu modelleri nasıl yorumlayıp uygulamaya alacakları konusunda yetersiz kalıyorlar.

Eğer bu zorlukları kabaca bir liste haline getirmek istersek aşağıdaki 6 madde öne çıkmakta:

• Platform ve ekosistemlerin çeşitliliği
• Açık kaynak kodlu yazılımların yaygınlaşması ve çeşitliliği
• Veri bilimcilerinin model implementasyonu konusunda eğitilmemesi ve implementasyona yönelik proje geliştirilmemesi
• IT personelinin, analitik modelleri nasıl implemente edeceklerini bilmemesi
• Analitik kültürünün yerleşmemiş olmaması
• Operasyonel analitik kültürünün olmaması

Bir Başarı Modeli: DevOps

DevOps, uygulama geliştirme ekipleri ve operasyonel ekiplerin farklı ve hatta birbiriyle çatışan yetkileri ve görevleri olmasından dolayı oluşan sorunların önüne geçmek için ortaya çıktı. Bu sorunlar uzun süren uygulama geliştirme eforlarına, mutsuz müşterilere ve kaybolan eforlara sebep oluyordu. DevOps, bu farklı ekiplerin kendi kümeleri içinde çalışmalarının önüne geçip, aynı amaç uğrunda çalışmalarını teşvik etmek için ortak bir odak noktası oluşturdu: beklenen iş getirilerini sağlayacak bir uygulama geliştirmek.

DevOps tam anlamıyla benimsendiğinde tüm takımlar ve paydaşlar uygulama geliştirmeyi hızlandırmaya ve uygulamaların kalitesini artırmaya yöneldiler. Yeni bir kültürel zihniyeti, prosesleri ve teknolojileri benimsediler ve bunların yardımıyla işbirliği içinde olup en verimli biçimde çalışmayı öğrendiler. Böylece çöpe giden daha az proje, daha verimli iş akışları, daha kaliteli sonuçlar elde ettiler.

Analitik ekipler, uygulama geliştiricilerin yıllar önce karşılaştığı zorlukların benzerlerini günümüzde tecrübe etmekteler. Nihayetinde DevOps ile çözülen bu sorunlar günümüz analitik ekiplerinin ve bu ekiplerin çalışmalarıyla yolu kesişen diğer ekiplerin karşılaştığı zorlukları çözüme kavuşturmak için bir yol haritası oluşturuyor.

Analitik modellerin operasyonel hale getirilmesiyle ilgili mevcut zorlukların üstesinden gelmek için şirketlerin, IT operasyonlarını, veri bilimcilerini ve operasyonel birimlerini 3 ana odak noktasında bir araya getiren DevOps’a benzer bir yaklaşıma ihtiyaçları vardır:

• Analitik modelleme yapan ekiplerin, çalışmalarını IT ve diğer ekiplerin gereksinimlerini karşılayacak çerçevede yapması. Böylece modeller kolayca test edilip implemente edilebilir.
• Analitik modellerin kullanıma alınmasını farklı entegrasyon noktalarında kullanım durumuna bağlı olarak (veri tabanı, REST API’lar, cihazlar üzerinden yayın) büyük ölçüde hızlandırmak.
• Sürekli takip ve güncelleme yaparak modellerin performanslarının istenen seviyede olduğuna ve organizasyonunuza artı değer getirmeye devam ettiğine emin olmak.

ModelOps Çerçevesi:

ModelOps’u, analitik modellerin, veri bilimi laboratuvarlarından çıkıp implemente edilip  takip edilme süreçlerini hızlı ve verimli hale getirme sürecidir diye tanımlayabiliriz.

Bu çerçeve içinde yaratılan iş akışları, otomizasyonlar ve tekrarlanabilir prosesler boşa giden eforları ve verimsizlikleri minmize etmemize yardımcı olurlar. Analitik varlıkları (analitik modeller vs.) operasyonel hale getirmek için, veriler ve teknolojiden daha fazlasını hesaba katmalıyız. İnsanlar ve prosesler bu başarı için anahtardır. Peki bu çerçeve içine neler dahildir?

ModelOps: Analitik Yaşam Döngüsünü Hızlandırın

ModelOps, modellerin veri bilimcilerden IT operasyonlarına implementasyona hazır halde gelmesini sağlar. Model izleme süreçlerinden gelen düzenli geri bildirimlere dayanarak, gerektiğinde modellerin yeniden eğitilmesi veya yeniden geliştirilmesini sağlar.

Buna ek olarak “Veri”yi unutmamamız lazım. Organizasyonun ihtiyacı olan tüm veriye erişim sağlaması model geliştirme için kritik bir önceliktir. Ne kadar çok veri toplanır ve bu verilere erişim sağlanırsa, modeller de o kadar başarılı olacaktır.

Veri hazırlama ve veri kalitesi sağlama, çoğu zaman analitik yaşam döngüsündeki darboğazdır. Veri bilimcilerin, zamanlarının çoğunu verileri temizleyip düzenlemeye harcamaları verimsizliğe sebep olmaktadır. Organizasyonların, veri hazırlamayı hızlandıran, kolaylaştıran ve standartlaştıran veri hzaırlama araçlarına sahip olmaları bu sebeple çok önemlidir.

Veri yönetimi, ne kadar küçük bir sorun gibi gözükse de verilere kimin erişiminin olduğu, verilerin nerede tutulduğu ve nerelerden beslendiği, verilerin zaman içinde nasıl değiştiğini takip etmek veri kalitesini sağlamak için olmazsa olmazdır.

Model geliştirmek için kullanılan verilerin, model kullanıma alındıktan sonra kullanılacak operasyonel verilere uygun olması gereklidir.

ModelOps tüm analitik yaşam döngüsünü hızlandırmak ve verimli hale getirmek için özellikle çok sayıda modeli olan organizasyonlra için artık büyük bir önem teşkil etmekte.

ModelOps sayesinde:

 

ModelOps’a İhtiyacınız Var mı?

Analitik bir yolculuktur. Her ne kadar bu yolculuk tüm organizasyonlarda farklı olsa da, başlangıcı genelde aynı oluyor. Birkaç veri analistini işe almakla başlayan yolculuk, analitik ekibinin ortaya koyduğu sonuçlar sayesinde yöneticilerin dikkatini çeker ve veri yönetimi, daha ileri teknoloji yatırımları ve birkaç model ile yolculuğun yönü belirlenmeye başlar.

Bu yatırımların getirisi arttıkça analitiğe olan talebin de paralel olarak arttığnı görebiliriz. Veri hazırlama, model projeleri ve integrasyonları IT ekipleri için başa çıkılamayan bir hale dönüşür. Bu noktada ModelOps’a olan ihtiyaç açıkça ortaya çıkıyor.

ModelOps olmadan analitik modelleri, geliştirme aşamasından implementasyona yüksek adetlerde getirmek; çalışma kümeleri, manuel işler ve iletişim kopukluklarıyla sınırlanmaya başlar. Analitik ve yapay zeka modellerini, ModelOps olmadan kullanımını ve sayılarını artırmak imkansız hale gelmektedir.

ModelOps çerçevesini bir günde yerleştirmek tabii ki mümkün değildir. Bu yolculuk, her organizasyonun sahip olduğu kültür, büyüklük, prosesler ve kullandığı teknolojilere göre farklılaşmaktadır. ModelOps her adımda IT ve veri bilimcilerin beraber çalışmasını ve analitik yolculuğunuzdan daha fazla getiri elde etmenizi sağlayacaktır.

Zamanla manuel işleri, darboğazları ve sorunlu iş akışlarını otomatize edip; tekrarlanabilir ve verimli hale getirmek ModelOps yolculuğu için bir yol çizecektir. Ve tabii ki de bu yolculuğun ve analitiğin başı olan veriyi unutmamamız gerekiyor. Merkezi bir veri ve model yönetimi size daha fazla modeli daha kısa sürede implemente edip yüksek performans sergilediklerinden emin olmanızı sağlayacaktır.

ModelOps ile analitiği operasyonelleştirme hakkında daha fazla bilgi almak için:

SAS

Operationalizing Analytics with SAS