ML cube Platform

Lifecycle Management Platform dei modelli Machine Learning

Sviluppare una piattaforma per il retrain di algoritmi di ML in produzione

Cos'è ML cube Platform?

ML cube Platform è un prodotto B2B innovativo per l’Ottimizzazione in real-time del ciclo di vita dei modelli di Machine Learning, al fine di prevenirne l’obsolescenza. È offerto in modalità SaaS e fornisce funzionalità di monitoring, analisi delle performance, gestione della manutenzione (re-training, adaptation, decomissioning) per sistemi di produzione in diversi domini applicativi.

Perché ML cube Platform?

La capacità dei modelli di ML di apprendere automaticamente dai dati costituisce una tra le maggiori opportunità di avanzamento scientifico e tecnologico del nostro tempo. Tuttavia, la natura non stazionaria di molti processi del mondo reale pone il problema della validità del modello di ML al trascorrere del tempo o, più in generale, al variare delle condizioni nelle quali erano stati raccolti i dati per la sua fase di training.

Da un punto di vista economico, accanto al rischio di perdita di qualità/efficacia del servizio erogato, occorre anche quantificare i costi e i tempi per l’acquisizione e preparazione di nuovi dati, il riaddestramento del modello, il possibile intervento manuale del gestore del servizio ed in casi estremi l’interruzione di quest’ultimo per permetterne l’aggiornamento. In conclusione, con la diffusione dei modelli di ML, sarà necessario implementare processi in grado di disciplinare in automatico e con un preciso controllo dei costi il loro intero ciclo di vita.

ML cube fornisce diverse funzionalità per il mantenimento di alti livelli di performance minimizzando i costi di gestione:

Online Performance Monitoring

ML cube genera periodicamente dei report automatici verso il cliente sulla performance del modello osservato. In caso di deviazioni anomale, genera degli alert anche in modalità asincrona rispetto all’attività di reporting.

Automatic Retrain Triggering

Incrementalmente all’attività di Monitoring, ML cube apprende un proprio meta-modello del livello di performance del modello osservato. Sulla base di questo, attraverso tecniche di Reinforcement Learning e Transfer Learning, raccomanda l’istante ottimale per un re-training del modello osservato e attiva automaticamente le relative procedure.

Cost Model Management

sulla base di informazioni aggiuntive fornite dal cliente, ML cube acquisisce conoscenza completa del modello di costo, comprendente le stime di rischio dovute alla perdita di qualità del servizio e stime di tempo e costo relative all’attività di ri-addestramento. Sfruttando tali informazioni, l’ottimizzazione della gestione del ciclo di vita del modello non sarà basata semplicemente su KPI di natura scientifica, ma anche su metriche di rilevanza aziendale.

ML cube Platform in breve

La dashboard di ML cube consente di visualizzare metriche e misure di performance dei modelli di ML in real-time. Fornisce predizioni che sfruttano algoritmi avanzati di Intelligenza Artificiale e mostra i trigger e gli alert per il retrain automatico.

Con questa dashboard, i clienti possono monitorare il comportamento dei modelli di ML, analizzare i bottleneck per i loro business, e prendere in modo più consapevole e rapido decisioni basate su suggerimenti e predizioni in real-time.

Ottimizzazione del Ciclo di Vita dei Modelli di ML

Sulla base dei propri “meta-modelli” interni e della conoscenza maturata sul sistema osservato, ML-CUBE è fornisce raccomandazioni sull’attività di manutenzione del modello. Ad esempio, ML-CUBE consiglia l’istante ottimale in cui attivare il re-training del modello integrando i nuovi dati disponibili.

Come funziona?

ML-CUBE offre un intero layer funzionale al quale delegare la gestione del ciclo di vita dei modelli di ML operanti in un generico sistema informatico. Attraverso le sue API, ML cube:

Riceve in tempo reale le predizioni effettuate dal modello osservato
Le confronta con i dati reali man mano che essi si rendono disponibili
Individua possibili pattern di errori indicativi di una stabile deviazione del modello dalla sua performance attesa