Model-risiko
De bredere fejlkilder en AI-model kan have.
Indlæser... MLOps
MLOps er disciplinen der styrer overvågning, opdatering og drift af AI-modeller, efter de går i produktion. Det handler ikke om at bygge modellen, men om at holde den pålidelig, når den bruges i den virkelige verden.
Verificeret af Kim
Hvordan har vi verificeret denne side?Vi tager ansvar for det indhold, vi udgiver. Ekspert verificeret betyder, at:Vores ekspert inden for emnet har sikret, at indholdet og rådgivningen er korrekt.Vi har gennemgået og kvalitetssikret de tal og kilder, der ligger til grund.
FAQ
MLOps hænger sammen med flere andre begreber og med den konkrete ydelse, der løser opgaven i praksis.
De bredere fejlkilder en AI-model kan have.
Teknisk metode til at hente data ind i en model.
Den organisatoriske ramme om drift af AI-modeller.
Løbende overvågning og drift af jeres model i produktion.
Denne side er gennemgået og godkendt af Kim Like
Kim Like er AI- og udviklingskonsulent med mere end 10 års erfaring inden for web, software og automatisering for danske virksomheder. Han er principal konsulent hos AI Enterprise, hvor han sammen med et team driver større AI-projekter fra problemafklaring og planlægning til implementering og drift. Han skriver desuden kildekritisk om AI og automatisering, uden hype og uden løse påstande.
Ekspertiser
AI-drift
Mange virksomheder betragter en AI-model som færdig, når den er trænet og fungerer i test. MLOps som disciplin insisterer på det modsatte: en model er kun starten på en løbende driftsopgave. Vi ser ofte, at organisationer investerer massivt i modeludvikling, men ikke i den efterfølgende drift, hvilket efterlader et hul mellem projekt og produktion. MLOps dækker netop dette hul - processer, ansvar og teknisk infrastruktur til at holde modellen relevant over tid. Hullet mellem projekt og produktion er også kernen i AI-projektledelse som proces fra idé til drift.
Model-drift som driftsrisiko for virksomheden
Model-drift opstår, når en models præcision langsomt forringes, fordi virkeligheden ændrer sig omkring den. Problemet er, at det sjældent er synligt med det samme. En model kan fortsætte med at levere output, der ser normalt ud, mens den reelt guider virksomheden i en forkert retning. Det gør model-drift til en driftsrisiko på linje med andre forretningskritiske svigt, ikke blot en teknisk detalje, der kan rettes senere. Denne risiko er en undertype af den bredere model-risiko-problematik.
Hvad en ML-pipeline i produktion kræver af overvågning
En ML-pipeline i produktion kræver løbende måling af tre ting: modellens performance, kvaliteten af de data den modtager, og en klar proces for genoptræning, når afvigelser opstår. Uden denne overvågning opdager virksomheden først problemet, når det allerede har påvirket forretningen. Kim Like, principal konsulent hos AI Enterprise, understreger, at netop denne løbende overvågning ofte overses i AI-projekter, der ellers er teknisk velfunderede. Overvågningen af kvaliteten af data er en af de tre centrale målepunkter.