A világjárvány okozta kihívások a Machine Learning világában

Sok cikk szól arról, hogy a Big Data, a Machine Learing és a digitalizáció fogja megmenteni a vállalatokat, ne adj Isten az emberiséget a post globális pandémia időszakában. Egy biztos, ezek a módszerek vállalati szinten is megoldást nyújthatnak a válsághelyzetek kezelésére.

A médiában vezető hírként lehozott járványügyi és gyógyszerkutatási hírek mögött matematikai és hálózatkutatási modellek állnak. Mi, szakmabeliek tudjuk, hogy ezek Big Data eszköztárral támogatott öntanuló modellek, amiket szerencsére a tudományos közösség már évek óta magabiztosan használ. A rengeteg adatnak és a kutatók munkájának köszönhetően van esélyünk vakcinára belátható időn belül.

A hazai nagyvállalati szektor a tudományos élettel szemben csupán az utóbbi években vezetett be komplexebb Machine Learning megoldásokat szaladva a „Gartner hype cycle” után, látva a lehetőséget a költségek csökkentésére, a kiszolgálás egyszerűsítésére, értékesítési lehetőségek megteremtésére vagy egyszerűen csak nem akart lemaradni.

Jelen helyzetben egyre több döntéshozó fejében fogalmazódik meg a kérdés, hogy amit eddig létrehozott fenntartható-e?

Támaszkodhat-e a gépi előrejelzésre, meghagyhatja-e az automatizált döntési pontokat, illetve delegálhat-e döntési jogkört algoritmusoknak, ha olyan előre nem látható környezeti változás lehetséges, mint a 2020-as világ pandémia.

Amit mindenképpen figyelembe kell venni az algoritmusok használtakor az, hogy a Machine Learning modellek és algoritmusok a kiugró értékekkel nem tudnak mit kezdeni, ha a trendek, a ciklusok a múltban nem mutattak ilyet.

Az egyik legfontosabb feladat annak felmérése, hogy milyen mértékben bízhatunk az egyes modellekben. Ezt jobb, ha már a bevezető projekt részeként mérjük fel, nem pedig utólag. Az autonóm döntési jogkörrel felruházott és üzleti folyamatokba beépült modelleket a klasszikus DRP (Disaster Recovery Plan) folyamatok részévé kell tenni.

Azokat az algoritmusokat, amik kritikus üzleti folyamatokat támogatnak ilyenkor kiemelten kell kezelni és akár manuális/emberi workaroundokat kell kidolgozni, tesztelni, működtetni.

A másik segítség a stressz tesztek elvégzése békeidőben, amiből kiderül, hogy mitől fekszik meg a modell és mik azok a pontossági szintek, amit még elfogadunk és mit nem.

Ha a modellek üzleti folyamatokat támogatnak, előrejelzéseket végeznek, de nem hoznak automatikusan döntéseket, akkor az érte felelős Data Scientist területnek van lehetősége a finomhangolást elvégezni és esetlegesen Auto ML megközelítéseket alkalmazni. Ezeknél a modell típusoknál általában több idő áll rendelkezésre változtatni.

Amennyiben a környezet olyan mértékben változik, hogy a modell finomhangolása nem eredményes, megfontolandó a rollback, a manuális kiváltás vagy egy új modell építése, tanítása és bevezetése is.