Στην Capital One, η μηχανική μάθηση έχει γίνει βασικό μέρος της επιχείρησής της, με την εταιρεία χρηματοοικονομικών υπηρεσιών να υιοθετεί μια τυποποιημένη διαδικασία για την ανάπτυξη μοντέλων και να χορηγεί έρευνα για να βοηθήσει στον καθορισμό της στρατηγικής της.
Η εταιρεία χρηματοοικονομικών υπηρεσιών με έδρα τη McLean, Va. αναπτύσσει το ML σε πολλές περιπτώσεις χρήσης, βασισμένο στο οικοσύστημα δεδομένων που βασίζεται σε σύννεφο. Η υποστήριξη για το ML φτάνει μέχρι το C-suite: ο Rich Fairbank, Διευθύνων Σύμβουλος της Capital One, ανέφερε το ML επτά φορές κατά τη διάρκεια μιας κλήσης αναλυτών πέρυσι και ανέφερε τη χρήση του ML για την παρακολούθηση του οικονομικού περιβάλλοντος. Το CapitalOne ακολουθεί πλέον την αναδυόμενη πρακτική του Λειτουργίες ML (MLOps)ουσιαστικά, DevOps για ML, για περαιτέρω θεσμοθέτηση της τεχνολογίας.
Ζαχαρί Χανίφ
“Οι δυνατότητές μας AI ML είναι απολύτως κεντρικές για τον τρόπο κατασκευής των προϊόντων μας και, ακόμη περισσότερο από αυτό, είναι πολύ σημαντικές για τον τρόπο με τον οποίο πραγματικά διευθύνουμε την εταιρεία μας”, δήλωσε ο Zachary Hanif, αντιπρόεδρος και επικεφαλής μοντέλου και πλατφορμών μηχανικής μάθησης. στο Capital One. “Έχουμε, εδώ και πολλά χρόνια, αξιοποιώντας τις δυνατότητες μηχανικής μάθησης σε όλη την επιχείρηση με διάφορους τρόπους.”
Αυτοί οι τρόποι περιλαμβάνουν τη χρήση ML για ενίσχυση εντοπισμός απάτης, να προσφέρει πιο εξατομικευμένες εμπειρίες πελατών και να βελτιώσει τον επιχειρηματικό σχεδιασμό. Όσο για το τελευταίο, “φροντίζουμε να κατανοήσουμε καλύτερα τις συνθήκες των αναδυόμενων αγορών και τη θέση μας στην ευρύτερη οικονομία”, είπε ο Hanif.
Μηχανική μάθηση στην τραπεζική
Η Capital One δεν είναι μόνη στην επιδίωξη της ML. Μεγάλο οι τράπεζες πρωτοστατούνδημιουργώντας τη δική τους υποδομή για την περιστροφή εφαρμογών.
Ωστόσο, τα μικρότερα χρηματοπιστωτικά ιδρύματα επιδιώκουν επίσης να αξιοποιήσουν το ML, χρησιμοποιώντας πλατφόρμες και υπηρεσίες τρίτων αντί να δημιουργήσουν εσωτερικές δυνατότητες.
«Νομίζω ότι είναι σημαντικό για όλες τις τράπεζες αυτή τη στιγμή», δήλωσε ο Joe Davey, συνεργάτης στην τεχνολογική πρακτική στη West Monroe, μια συμβουλευτική εταιρεία με έδρα στο Σικάγο. «Οι τράπεζες, συνολικά, προσπαθούν να αξιοποιήσουν την τεχνολογία για να μειώσουν τους δείκτες αποδοτικότητάς τους», είπε, αναφερόμενος στην αναλογία μεταξύ λειτουργικών εξόδων και εσόδων. “[ML] είναι μόνο ένα ακόμη κομμάτι του παζλ του αυτοματισμού».
Δημιουργία πλατφόρμας ML
Η τρέχουσα πρωτοβουλία ML της Capital One πηγάζει από έναν τεχνολογικό μετασχηματισμό μιας δεκαετίας — ένα πρόγραμμα που περιλάμβανε την εκ νέου αρχιτεκτονική του περιβάλλοντος δεδομένων του.
Οι προκύπτουσες πλατφόρμες που βασίζονται σε σύννεφο — Το Capital One χρησιμοποιεί την αποθήκευση δεδομένων του Snowflake και πλατφόρμα μηχανικής, για παράδειγμα — παρέχουν τη βασική υποδομή στην οποία οι προγραμματιστές μπορούν να δημιουργήσουν και να αναπτύξουν μοντέλα.
“Η υποδομή επιτρέπει στις ομάδες σας να επικεντρωθούν στο πρόβλημα που αντιμετωπίζουν χωρίς να σκέφτονται όλα τα απαραίτητα στοιχεία που απαιτούνται για να υποστηρίξουν την επίλυσή τους”, είπε ο Hanif. “Οι προγραμματιστές αφιερώνουν περισσότερο χρόνο εστιάζοντας στο υλικό που έχει μεγαλύτερη σημασία για το επιχειρηματικό πρόβλημα.”
Είπε ότι η προσέγγιση της πλατφόρμας προάγει επίσης την έννοια της επιστήμης των υπολογιστών της προσβασιμότητας, η οποία στοχεύει να κάνει τα δεδομένα και τις εφαρμογές κατανοητές και διαθέσιμες σε χρήστες και προγραμματιστές.
«Η προσβασιμότητα είναι απίστευτα σημαντική», είπε ο Hanif. “Εάν δεν μπορείτε να κάνετε ένα κομμάτι λογισμικού προσβάσιμο στους χρήστες σας — που σημαίνει ότι είναι σε θέση να το καταλάβουν, μπορούν να σκεφτούν πώς μπορούν να το εφαρμόσουν και μπορούν να δουν τη χρήση του μέσα στο περιβάλλον τους — έχει, ουσιαστικά, απέτυχε να υλοποιήσει τις υποσχέσεις και τις δυνατότητές του».
Οι πλατφόρμες γίνονται σημαντικές όταν οι οργανισμοί επιδιώκουν να επεκτείνουν την τεχνητή νοημοσύνη και την ML πέρα από πρώιμα πειράματα και πιλοτικά. Στη φαρμακοβιομηχανία, Η Eli Lilly δημιούργησε ένα Enterprise Data Program και κεντρικές πλατφόρμες αναλυτικών στοιχείων για να βοηθήσουν στην κλιμάκωση της τεχνητής νοημοσύνης σε όλη την εταιρεία.
Οι περισσότερες εταιρείες έχουν δύο ή λιγότερα χρόνια εμπειρίας ML, αλλά μέθοδοι όπως τα MLOps θα μπορούσαν να τις βοηθήσουν να κλιμακωθούν.
Ενίσχυση MLOps: Προκλήσεις και οφέλη
Η κλίμακα είναι θέμα μεθόδου αλλά και τεχνολογίας. Σε αυτό το πνεύμα, το MLOps παρέχει μια προσέγγιση για την εκτέλεση ενός προγράμματος ML σε επίπεδο επιχείρησης. Ο Hanif είπε ότι το Capital One έχει «υιοθέτησε πλήρως τις διαδικασίες MLOps» και κατατάσσεται μεταξύ των πρώτων υιοθέτητων, ιδιαίτερα στον τομέα των χρηματοπιστωτικών υπηρεσιών.
“Βλέπουμε τα MLOps ως το θεμελιώδες πλαίσιο για να μπορούμε να δημιουργήσουμε ομάδες για επιτυχία μέσα στη μηχανική μάθηση, να αναπτύξουμε τις δυνατότητές τους σε κλίμακα και να διασφαλίσουμε ότι είμαστε σε θέση να δημιουργήσουμε ένα περιβάλλον από άκρο σε άκρο”, δήλωσε ο Hanif. Ο στόχος: παροχή ενός συνεπούς περιβάλλοντος για το σχεδιασμό, την ανάπτυξη και τη διαχείριση μοντέλων ML, επανειλημμένα και σε μεγαλύτερους όγκους.
Θεωρούμε τα MLOps ως το θεμελιώδες πλαίσιο για να μπορούμε να δημιουργήσουμε ομάδες για επιτυχία μέσα στη μηχανική μάθηση, να αναπτύξουμε τις δυνατότητές τους σε κλίμακα και να διασφαλίσουμε ότι είμαστε σε θέση να δημιουργήσουμε ένα περιβάλλον από άκρο σε άκρο.
Ζαχαρί ΧανίφΑντιπρόεδρος και επικεφαλής μοντέλου και πλατφορμών μηχανικής μάθησης στο Capital One
Τα ατίθασα δεδομένα είναι ένα εμπόδιο στην πορεία των MLOps και της ML σε κλίμακα. Οι οργανισμοί μπορεί να έχουν δεδομένα αποθηκευμένα σε διάφορα μέρη, γεγονός που καθιστά δύσκολο τον εντοπισμό τους, είπε ο Hanif. «Η πρώτη πρόκληση με την οποία πρέπει πάντα να ασχολείσαι είναι τα δεδομένα», σημείωσε. Μια δεύτερη πρόκληση, είπε ο Hanif, είναι η δημιουργία μιας ροής εργασίας ML που μπορούν να ακολουθήσουν οι ομάδες ανάπτυξης.
Οι οργανισμοί που ξεπερνούν αυτά τα εμπόδια θα μπορούσαν ενδεχομένως να δουν σημαντική αύξηση στην αποτελεσματικότητα της ML. Μια λευκή βίβλο του Harvard Business Review Analytic Services, επικαλούμενη δεδομένα από το Cnvrg.io, σημείωσε ότι οι παλαιότεροι χρήστες των MLOps ανέφεραν έως και 10 φορές αύξηση στην παραγωγικότητα και 5 φορές ταχύτερη εκπαίδευση μοντέλων.
Αυτή η έκθεση, την οποία χορηγούσε η Capital One, πρότεινε επίσης ότι τα περισσότερα μοντέλα ML υπάρχουν εκτός μιας δομημένης διαδικασίας για τη διαχείρισή τους. Η έκθεση ανέφερε έρευνα της IDC που υποστηρίζει ότι το 90% των μοντέλων ML δεν αναπτύσσονται στην παραγωγή.
Τέτοια μοντέλα μπορεί πραγματικά να χρησιμοποιηθούν σε οργανισμούς και να επηρεάσουν τις επιχειρηματικές αποφάσεις. Αλλά δεν αναπτύσσονται μέσα σε έναν τυπικό αγωγό απελευθέρωσης με μεγάλης κλίμακας αυτοματοποιημένες δοκιμές και παρακολούθηση επικύρωσης, σημείωσε ο Hanif.
“Έχετε επιστήμονες δεδομένων που αναπτύσσουν εκατοντάδες ή χιλιάδες μοντέλα ML που δεν βλέπουν ποτέ το φως της δημοσιότητας”, είπε. «Υπάρχουν σε ένα είδος σκιώδους κατάστασης».
Τούτου λεχθέντος, ο Hanif είπε ότι πιστεύει ότι περισσότερες εταιρείες διερευνούν τώρα τα MLOps για να δημιουργήσουν ένα καλά διοικούμενο πλαίσιο για τον κύκλο ζωής του ML.
Αυτός ο δομημένος τρόπος διαχείρισης της ML φτάνει καθώς περισσότερα χρηματοπιστωτικά ιδρύματα αναγνωρίζουν τις δυνατότητες της τεχνολογίας.
«Οι τράπεζες αρχίζουν να καταλαβαίνουν αυτές τις περιπτώσεις χρήσης καλύτερα από ό,τι πριν από μερικά χρόνια», είπε ο Davey της West Monroe.
Επεσήμανε τον εντοπισμό ανωμαλιών και τον πιστωτικό κίνδυνο ως τυπικές εφαρμογές χρηματοοικονομικών υπηρεσιών, σημειώνοντας ότι όλες οι μεγάλες τράπεζες και πολλές, αν όχι οι περισσότερες, μεσαίου μεγέθους τράπεζες ακολουθούν αυτές τις εφαρμογές. Η επεξεργασία και η ενσωμάτωση εγγράφων, εν τω μεταξύ, είναι αναδυόμενες περιπτώσεις χρήσης από την επιχειρησιακή πλευρά, πρόσθεσε.
Επένδυση στη μάθηση
Μια άλλη πτυχή της στρατηγικής ML της Capital One είναι η χρηματοδοτούμενη έρευνα, η λευκή βίβλος HBR Analytic Services που παρέχει ένα παράδειγμα. Αυτή η έκθεση, που κυκλοφόρησε τον Οκτώβριο του 2022, δημιούργησε μια υπόθεση για τις πρακτικές MLOps Το Capital One είναι το εξής: “Οι εταιρείες χωρίς ώριμα προγράμματα MLOps θα μπορούσαν να βρουν τους ανταγωνιστές τους να τους ξεπερνούν στη χρήση ML”, ανέφερε η λευκή βίβλος.
Η Capital One, επίσης πέρυσι, ανέθεσε μια έκθεση της Forrester Research σχετικά με τις προκλήσεις ML. Για αυτό το ερευνητικό έργο, η Forrester ερεύνησε 150 υπεύθυνους λήψης αποφάσεων διαχείρισης δεδομένων στη Βόρεια Αμερική. Η έκθεση τόνισε τον εντοπισμό ανωμαλιών ως το κορυφαία περίπτωση χρήσης ML και επεσήμανε τη σημασία του συνεργασία με τρίτους για την προώθηση των στρατηγικών ML της επιχείρησης.
Η επένδυση στην έρευνα ενημερώνει τις μεθόδους ML και τις τεχνολογικές πλατφόρμες της Capital One.
«Είμαστε σίγουροι και αναπτύσσουμε ένα ολόκληρο σύνολο μαθημάτων για να διασφαλίσουμε ότι αξιοποιούμε τις βέλτιστες πρακτικές», είπε ο Χαρίφ.
