Towards practicable Machine Learning development using AI Engineering Blueprints
यह शोध पत्र AI इंजीनियरिंग और MLOps ब्लूप्रिंट विकसित करने के लिए एक अनुसंधान योजना प्रस्तावित करता है जो लघु एवं मध्यम उद्यमों (SMEs) को उनके स्वयं के मशीन लर्निंग मॉडल को प्रभावी ढंग से विकसित करने, तैनात करने और संचालित करने में मदद करने के लिए संदर्भ आर्किटेक्चर और स्वचालन दृष्टिकोण प्रदान करते हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
AI के लिए "मास्टर शेफ" दृष्टिकोण: छोटे व्यवसायों के लिए आर्टिफिशियल इंटेलिजेंस को व्यावहारिक बनाना
कल्पना कीजिए कि आप एक उच्च श्रेणी का (high-end) रेस्तरां खोलना चाहते हैं। आपके पास एक सिग्नेचर डिश के लिए एक शानदार विचार है (यह आपका AI मॉडल है)।
यदि आप मैकडॉनल्ड्स की तरह एक विशाल वैश्विक श्रृंखला होते, तो आपके पास पहले से ही विशाल कारखाने, स्वचालित आपूर्ति श्रृंखलाएं और हजारों विशेषज्ञ होते ताकि यह सुनिश्चित किया जा सके कि हर बर्गर एक जैसा हो। लेकिन आप एक छोटा, स्थानीय बिस्ट्रो (SME या लघु-मध्यम उद्यम) हैं। आपके पास प्रतिभा है, लेकिन आपके पास औद्योगिक मशीनरी नहीं है। आप यह समझने के लिए संघर्ष कर रहे हैं कि ताजी सामग्री कहाँ से लाएं, अपने रसोइयों को कैसे प्रशिक्षित करें, भोजन को लगातार कैसे परोसें, और यह कैसे सुनिश्चित करें कि ग्राहक हर बार वास्तव में इसे पसंद करें।
यह शोध पत्र अनिवार्य रूप से उन छोटे व्यवसायों के लिए "अल्टीमेट प्रोफेशनल कुकबुक और किचन मैनुअल" लिखने का एक प्रस्ताव है जो AI बनाने की कोशिश कर रहे हैं।
समस्या: "किचन काोस" (रसोई की अराजकता)
अभी, कई छोटी कंपनियां AI बनाने की कोशिश करती हैं, लेकिन वे "किचन काओस" का सामना करती हैं। वे शायद एक बेहतरीन रेसिपी (एक मॉडल) बना लें, लेकिन फिर उन्हें एहसास होता है कि:
- उन्हें अपनी सामग्री को विश्वसनीय रूप से स्टोर करना नहीं आता (डेटा संबंधी मुद्दे)।
- उनके पास भोजन पकाने का कोई सुसंगत तरीका नहीं है (प्रशिक्षण संबंधी मुद्दे)।
- उन्हें नहीं पता कि एक साथ सौ ग्राहकों को भोजन कैसे परोसा जाए बिना रसोई में आग लगे (डिप्लॉयमेंट संबंधी मुद्दे)।
- उनके पास यह जानने का कोई तरीका नहीं है कि रात के बीच में भोजन का स्वाद खराब हो गया है (मॉनिटरिंग संबंधी मुद्दे)।
चूंकि उनके पास तकनीकी दिग्गजों जैसे विशाल संसाधन नहीं हैं, इसलिए ये छोटे व्यवसाय अक्सर अपने AI को एक "विज्ञान प्रयोग" से "काम करने वाले उत्पाद" में बदलने में विफल रहते हैं।
समाधान: "AI ब्लूप्रिंट्स" (AI के खाके)
लेखक ब्लूप्रिंट्स बनाने का प्रस्ताव देते हैं। इन्हें "पूर्व-निर्धारित किचन लेआउट" के रूप में समझें। हर छोटे व्यवसाय को यह आविष्कार करने के बजाय कि रसोई कैसे काम करती है, वे अपनी जरूरतों के अनुसार एक ब्लूप्रिंट चुन सकते हैं (जैसे, सरल कार्यों के लिए "बेकरी ब्लूप्रिंट" या जटिल कार्यों के लिए "फाइन डाइनिंग ब्लूप्रिंट")।
इसे काम करने के लिए, वे इस प्रक्रिया को चार विशिष्ट "उप-रसोईओं" (पाइपलाइनों) में विभाजित करते हैं:
1. द बिजनेस ड्राइवर पाइपलाइन (मेन्यू प्लानर)
इससे पहले कि आप चूल्हा भी खरीदें, आपको तय करना होगा: हम क्या परोस रहे हैं? कौन खा रहा है? हमें कैसे पता चलेगा कि वे खुश हैं? यह चरण लक्ष्यों और "रसोई के नियमों" को परिभाषित करता है ताकि सभी एक ही पृष्ठ पर हों।
2. द डेटाओप्स (DataOps) पाइपलाइन (सामग्री आपूर्तिकर्ता)
आप ताजी सामग्री के बिना खाना नहीं बना सकते। यह पाइपलाइन आपकी सामग्री को खोजने, साफ करने और व्यवस्थित करने के बारे में है। यह सुनिश्चित करता है कि आपके "प्याज" हमेशा छिले हुए, कटे हुए और लेबल किए हुए हों ताकि शेफ को डिनर की भीड़ के दौरान सफाई करने में समय बर्बाद न करना पड़े।
3. द एमएलओप्स (MLOps) पाइपलाइन (हेड शेफ का स्टेशन)
यहीं पर वास्तविक खाना पकाया जाता है। यह उन साफ सामग्रियों को लेकर रेसिपी का पालन करने और व्यंजन बनाने की प्रक्रिया है। इसमें भोजन का "स्वाद लेना" (वैलिडेशन) भी शामिल है ताकि यह सुनिश्चित किया जा सके कि रसोई से बाहर निकलने से पहले यह मानक को पूरा करता है।
4. द डेवऑप्स (DevOps) पाइपलाइन (वेट स्टाफ और सर्विस)
एक बार व्यंजन पक जाने के बाद, इसे ग्राहक की मेज तक पहुँचाया जाना चाहिए। यह पाइपलाइन "डिलीवरी" को संभालती है। यह सुनिश्चित करती है कि भोजन गर्म रहे, प्लेटें जल्दी पहुँचें, और यदि कोई ग्राहक व्यंजन वापस करता है, तो रसोई को तुरंत अलर्ट मिले ताकि वे इसे ठीक कर सकें।
लक्ष्य: "वन-ऑफ मील" से "विश्वसनीय रेस्तरां" तक
शोधकर्ता केवल सिद्धांत नहीं लिख रहे हैं; वे इन ब्लूप्रिंट्स का परीक्षण वास्तविक दुनिया के "फील्ड प्रोजेक्ट्स" (वास्तविक व्यवसायों) में करने की योजना बना रहे हैं।
इन "रसोईओं" को वास्तविक जीवन में चलते हुए देखकर, वे ब्लूप्रिंट्स को लगातार अपडेट करेंगे। अंतिम लक्ष्य छोटे व्यवसायों को एक प्लग-एंड-प्ले सिस्टम देना है: AI बनाने, परोसने और बनाए रखने का एक तरीका जो एक विशाल निगम की तरह पेशेवर और विश्वसनीय हो, लेकिन एक छोटी, अधिक फुर्तीली टीम के लिए पूरी तरह से अनुकूलित हो।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।