محصول MLOps به حوزه بانکداری محدود نمی‌شود
استارتاپ ابردراک که یکی از استارتاپ‌های ارائه دهنده زیرساخت‌های هوشمند ابری برای کسب‌وکارهاست، در حاشیه دهمین همایش سالانه بانکداری الکترونیک و نظام‌های پرداخت از محصول تازه خود رونمایی کرد. این محصول که یادگیری خودکار ماشین در محیط توسعه و عملیات (MLOps) نام دارد، قرار است با ترکیب مدل‌های یادگیری ماشین و DevOps، برنامه هوش مصنوعی در حوزه بانکداری را توسعه دهد. به بهانه رونمایی از این محصول جدید، با سارا موسوی‌راد، هم‌بنیان‌گذار و مدیر اجرایی استارتاپ شیرازی ابردراک گفت‌وگو کردیم.
خانم راد، شما در همایش سالانه بانکداری الکترونیک از محصول تازه ابردراک رونمایی کردید. لطفاً درباره این محصول جدید و سازوکار آن بگویید.
محصول جدید ما یک محصول زیرساختی برای افراد و شرکت‌هایی است که به فکر توسعه از طریق برنامه‌های کاربردی هوش مصنوعی هستند. توسعه برنامه‌های هوش مصنوعی از ایده تا عملیاتی شدن چالش‌هایی را در پی دارد که این چالش‌ها عموماً از نوع زیرساختی هستند. چون الگوریتم‌های ماشین لرنینگ وابستگی زیادی به مراحل پردازشی مثل سرورها و منابع ذخیره‌سازی دارند و همین مسئله سبب می‌شود تا افرادی که قصد توسعه برنامه‌های زیرساختی خود را دارند به فکر استفاده از فضاهای ابری (کلود) بیفتند. برای عملیاتی کردن برنامه‌های هوش مصنوعی به زیرساختی نیاز است که بتواند به صورت مداوم، داده‌ها، بازخوردها و عوامل موثر روی این سیستم را جمع‌آوری و بررسی کند. در واقع، محصولی که ابردراک معرفی کرده، با خودکارسازی فرآیندهای مربوط به توسعه هوش مصنوعی در محیط‌های عملیاتی به توسعه‌دهندگان برنامه‌های هوش مصنوعی کمک می‌کند تا سریع‌تر محصول خود را به بازار برسند و از چالش‌های پیاده‌سازی و نگه‌داری عبور کنند.
محصول یادگیری خودکار ماشین در محیط توسعه و عملیات یا MLOps، فقط در حوزه بانکداری و مالی کاربرد دارد یا در دیگر حوزه‌ها هم می‌توان از آن‌ها استفاده کرد؟
به صورت کلی و براساس اطلاعاتی که گاردنر منتشر کرده، بیشتر از ۸۰ درصد پروژه‌های هوش مصنوعی به مرحله اجرا و عملیاتی‌شدن نمی‌رسند و در مرحله تولید الگوریتم‌های هوش مصنوعی متوقف می‌شوند. یکی از دلایل توقف پروژه‌ها، نقصان و کمبود زیرساخت‌هایی است که از نظر فنی پیچیدگی‌های زیادی دارند و ایجاد کردن آن بر دوش تیم‌های فنی کسب‌وکارها در بخش هوش مصنوعی است. این پیچیدگی‌ها سبب چالش‌های زیرساختی و خارج شدن از روند توسعه مدل‌های هوش مصنوعی می‌شود و در نهایت به شکست پروژه‌ها می‌انجامد. به نظر من این مشکلات زیرساختی فقط مربوط به سرویس‌های مالی و بانکداری نمی‌شود، اما چون حدود ۱۸ درصد از توسعه هوش مصنوعی مربوط به حوزه‌های بانکداری است، بخش قابل توجهی از محصول تازه ما را نیز می‌توان در حوزه‌های مالی و بانکداری استفاده کرد.
نکته تکمیلی‌ای درباره این محصول تازه دارید که به خوانندگان همیار کارآفرین بگویید؟
اگر بخواهم به‌طور اختصاصی نکته‌ای را درباره محصول (MLOps) بگویم، می‌توانم به این نکته اشاره کنم که این محصول براساس تجربه ابردراک در زمینه توسعه هوش مصنوعی ایجاد و تبدیل به محصول شده است. لازم است یادآوری کنم که پاسخ برخی از مباحث و مسائل را می‌توان در الگوریتم‌ها و ماشین لرنینگ پیدا کرد. زیرساخت‌های هوش مصنوعی و یادگیری ماشین را می‌توانیم در بخش‌های مختلفی استفاده کنیم و این زیرساخت‌ها براساس نیاز خاص هر شرکت قابل تغییر و سفارشی‌سازی است.