온톨로지에서의 모델

그룹들은 인공 지능(AI)과 머신러닝(ML)을 활용하여 의사결정을 가속화하고 개선하려고 합니다. 그러나 AI/ML을 운영화하는 현실은 복잡하며, 일반적으로 예상되는 투자 수익률을 충족시키지 못합니다.

Foundry는 이러한 격차를 해결하는 데 필요한 주요 기능을 제공합니다: 신뢰할 수 있는 데이터 기반, 그룹 목표에 대해 모델을 평가하고 비교하는 도구, 그리고 모델을 사용자 지향적인 운영 워크플로에 배포하는 기능. 이 페이지는 마지막 단계에 초점을 맞추고 있습니다: 평가된 모델을 프로덕션에 배포하는 것입니다.

End-to-end 워크플로

하이레벨에서, Foundry에서 AI/ML을 운영화하는 데 필요한 end-to-end 단계는 다음과 같습니다:

1. ML 프로젝트의 그룹 케이스를 설명하기 위해 modeling objective가 생성됩니다.
2. 모델이 생성되고 목표에 제출되며, 모델은 Foundry에서 개발되거나 외부 소스에서 통합될 수 있습니다.
3. 모델은 정량적이고 질적인 요구 사항을 충족시키기 위해 평가되며, 이를 통해 상호 작용적으로 쿼리할 수 있도록 배포됩니다.
4. 모델 입력 및 결과물은 간단한 포인트 앤 클릭 인터페이스에서 Ontology 개념에 매핑됩니다.
5. 온톨로지 매핑이 완료된 후, 모델은 애플리케이션 개발에서 사용할 수 있으므로 모델 결과를 최종 사용자에게 직접 표시할 수 있습니다. 또한 모델은 그룹 전체의 변경 사항을 시뮬레이션할 수 있는 시스템 전체 시나리오에서도 탐색할 수 있습니다.

이점

데이터셋을 온톨로지 개념에 매핑하는 것이 워크플로 개발과 의사결정에 이점을 제공하는 것처럼, 모델을 온톨로지에 매핑하는 것도 여러 가지 이점을 제공합니다:

• 해석 가능성. 모든 모델링 결과는 실제 세계 개념(오브젝트 유형의 속성)으로 정의되므로, 최종 사용자는 모델링 결과를 사용하기 위해 머신러닝을 이해할 필요가 없습니다. 대신 사용자는 예측, 추정, 또는 분류와 같은 간단한 개념과 단순히 상호 작용합니다.
• 규모의 경제. 각 모델링 프로젝트가 특정 유즈케이스를 위해 제공되는 맞춤형 노력이 아니라, 시간이 지남에 따라 모델링 노력이 서로를 빌드하는 방식입니다. 예를 들어, 한 유즈케이스에 대해 생성된 예측은 즉시 후속 유즈케이스에 대해서도 사용될 수 있어, 중복된 노력을 줄이고 시간이 지남에 따라 더 빠르게 최종 사용자 가치를 제공할 수 있습니다.
• 규모에서의 연결성. ML 모델을 포함함으로써, 온톨로지는 그룹에 대한 단일 진실의 원천이 되며, 이는 데이터뿐만 아니라 로직에 대해서도 마찬가지입니다. 모델은 미래에 변화할 것으로 예상되는 그룹의 기대를 인코드합니다. 이런 방식으로, 온톨로지는 전체 기업의 "디지털 트윈"이 되어, 분산된 모델링 노력의 광범위한 배열로는 결코 가능하지 않을 그룹 전체의 변화를 시뮬레이션하는 능력을 해제합니다.