Aký problém rieši opätovné využitie, keď sa práce s AI začnú šíriť po celej spoločnosti?
Odpoveď je jednoduchá. Tímy často znova a znova stavajú tie isté kusy. Jedna skupina napíše dátový pipeline. O šesť mesiacov neskôr napíše podobný pipeline ďalšia skupina. Tretí tím obalí model do novej API hoci spoločnosť už má takú, ktorá túto úlohu vykonáva.
Tento vzorec na prvý pohľad vyzerá rýchlo. Nie je to tak. Vytvára duplicity námahy, dlhé predávania a tichý odpad. Podnik platí za tú istú prácu mnohokrát, ale dostane v zamene len málo nových schopností.
Opakovateľná použiteľnosť (reusability) to napraví tým, že z jedného dobrého aktíva vytvorí mnoho užitočných. Opakovane použiteľné aktívum je postavené raz, dobre zdokumentované a navrhnuté na zdieľanie. Rieši dnešný problém a zároveň sa stavebným blokom pre ďalší projekt.
Čo by sa malo najprv opakovane využiť
V podnikovej práci s AI majú najväčší význam tri druhy aktív.
Prvým je dátový pipeline. Je to logika, ktorá privedie surové dáta, upraví ich, skontroluje a sprístupní ich na použitie. Keď sa pipeline postaví ako zdieľané aktívum, tímy nebudú strácať týždne recreovaním krokov ingestácie, pravidiel čistenia a kontrol validácie. Začínajú od známeho smeru.
Druhým je vrstva modelov. Zahŕňa predtrénované modely, recepty na jemné doladenie (fine-tuning) a embeddingové vrstvy. Tím by mal byť schopný upraviť existujúce modelové aktívum namiesto toho, aby pri každom novom prípadu využitia začínal od nuly. To skracuje opakovanú konfiguráciu a zabraňuje tomu, aby spoločnosť trénovala mnoho verzií tej istej veci.
Tretím je vrstva API alebo rozhrania. Toto je spôsob, akým sa schopnosť AI vystavuje ostatným systémom. Stabilný servisný kontrakt umožňuje rôznym produktom volať tú istú funkciu AI predvídateľným spôsobom. To znižuje integráčnu námahu a uľahčuje spravovanie zmien.
Tieto tri oblasti nesú najväčšiu váhu, pretože ležia blízko stredu dodávky AI. Ak sú dobre opakovane použité, väčšina okolitej práce sa stane ľahšou.
Prečo štandardizácia robí opakovanie možným
Opakovanie sa nestane zo dňa na deň. Závisí na štandardizácii.
Toto slovo často pôsobí ťažkopádne. V praxi znamená zdieľané pravidlá, ktoré uľahčujú spájanie práce. Je to spoločná gramatika pre inžinierske tímy. Bez tejto gramatiky sa aj dobré aktíva stávajú ťažko použiteľnými.
Prvou časťou je dokumentácia a pracovné postupy. Kód, prompty a logika modelov musia byť čitateľné pre ľudí mimo pôvodného tímu. Ak aktívum dáva zmysel len jeho tvorcovi, nie je skutočne zdieľané.
Druhou časťou je zhoda o dátach. Tímy potrebujú rovnaké definície schiem, metódy verzovania a pravidlá validácie. Ak jeden systém pomenúva polia jedným spôsobom a druhý systém ich pomenúva inak, spoločnosť skončí s prekladom medzi vlastnými nástrojmi. To všetko spomalí.
Tretou časťou je línia dat (data lineage). Tímy potrebujú vedieť, kde dáta pochádzajú, ako sa zmenili a čo ich počas cesty ovplyvnilo. Bez tohto záznamu dôvera rýchlo klesá. Ľudia nevedia, čo používajú, a ladenie (debugging) sa spomalí.
Štvrtou časťou je nasadenie. Zdieľané CI/CD toky, kroky rollbacku a monitorovacie háčiky udržiavajú vydania predvídateľnými. Neodstraňujú potrebu úsudku. Robia vydania bezpečnejšími a ľahšie opakovateľnými.
Tu si štandardizácia vyslúži svoje miesto. Znižuje náklady na koordináciu. Tímy trávia menej času vymýšľaním, ako spolu pracovať, a viac času budovaním samotnej veci.
Malý príklad
Predstavte si spoločnosť, ktorá prevádzkuje zákaznícku podporu naprieč niekoľkými produktmi.
Jeden tím zostaví pipeline, ktorá stiahne text tiketov, odstráni citlivé polia a skontroluje, či sú dáta dostatočne čisté na analýzu. Neskôr potrebuje rovnaký typ vstupu druhý tím pre nástroj vyhľadávania vo znalostnej báze. Ak bola prvá pipeline navrhnutá na opakovanie použitia, druhý tím ju môže rozšíriť. Ak nebola, prestavia tú istú logiku a ladenie tých istých chýb.
Ten istý vzorec sa objavuje pri modeloch. Tím podpory môže trénovať embeddingovú vrstvu na triedenie tiketov. Produktový tím môže neskôr potrebovať podobnú vrstvu na vyhľadávanie a smerovanie. Ak sú modelové aktíva zdieľané a zdokumentované, druhý tím môže začať s známym základom. Ak sú izolované, spoločnosť natrénuje ďalšiu verziu a potom stráca čas snahou o jej prispôsobenie.
To isté platí pre API. Ak odpovede podpory sú vystavené cez štandardný servisný kontrakt, iné systémy ich môžu volať bez vlastnej práce pri každom použití. Ak každý tím publikuje svoju vlastnú metódu, integrácia sa mení na sériu jednorazových opráv.
Tento príklad je malý, ale logika sa škáluje. Opakovanie použitia mení jednu fungujúcu cestu na platformu pre niekoľko ciest.
Čo sa stane, keď sa opakovanie ignoruje
Prvé riziko je fragmentácia. Tímy začnú stavať samostatné verzie tých istých nástrojov. Formáty dát sa od seba vzdialia. Modely natrénované na rôznych štruktúrach sa nedajú zdieľať čistým spôsobom. Integrácia sa stáva plnou pracovnou pozíciou.
Druhé riziko je kompontujúca sa komplexita. Technický dlh sa nezjaví vždy hneď prvý deň. Rastie na pozadí. Nové systémy závisia od starších. Staršie systémy závisia od vlastných opráv. Každý nový projekt musí pretkať svojou cestou cez väčší labyrint.
Preto preskakovanie štandardizácie pre rýchlosť často vychádza nazvyš. Skratka sa v danom momente javí ako rýchlejšia. Neskôr vytvorí systém, ktorý je ťažšie meniteľný, ťažšie ladený a ťažšie rozšíriteľný.
Náklady nie sú iba technické. Ovplyvňujú aj biznis. Spoločnosť s mnohými dispozičnými úsiliami v oblasti AI bude pomaly postupovať, keď sa pokúsi spustiť ďalšiu. Spoločnosť s opakovane použiteľnými aktívami môže postupovať s väčšou istotou, pretože tie ťažké časti už majú domov.
Podnikový vzorec za prácou
Najsilnejšie podnikové programy s AI robia tri veci naraz.
Spravujú AI ako portfólio, nie ako hromadu izolovaných projektov. Budujú platformovú infraštruktúru, ktorú môžu používať mnohé tímy. Potom pridávajú opakovanie použitia a štandardizáciu, aby to isté aktívum mohlo slúžiť viacero prípadom využitia.
Toto poradie má význam. Myšlienkovanie portfólia dáva smer. Platformová infraštruktúra dáva základ. Opakovanie použitia dáva rýchlosť, ktorá sa s časom násobí.
Preto prvý prípad využitia AI často pôsobí ťažko. Práca sa stále skladá. Druhý je ľahší, pretože už existuje viac dielikov. Pri desiatom už spoločnosť nezačína odznova. Rozširuje systém, ktorý už vie, ako fungovať.
EuroOp LLC považuje tento vzorec za praktickú lekciu aplikovaného inžinierstva. Trvalý zisk vyplýva zo stavby raz so zreteľom na zdieľanie, potom udržiavania pravidiel dostatočne jasných, aby ich iné tímy mohli použiť bez trenia. Toto je typ myslenia pipeline, ktorému EuroOp Insights sleduje, s jednou aplikovanou vzorovou R&D a jedným praktickým výstupom z práce za produktmi.