Porozmawiajmy o MLOps. Ale żeby to zrobić, musimy wiedzieć, co to jest.

MLOps oznacza operacje uczenia maszynowego. Niektórzy eksperci twierdzą, że jest to podzbiór ModelOps.

ModelOps to praktyka współpracy i komunikacji między analitykami danych i specjalistami ds. operacji, która pomaga zarządzać cyklami życia uczenia maszynowego (ML).

Ale nie bądźmy zbyt techniczni.

Poniższy diagram pokazuje świetne przedstawienie MLOps:

Dlaczego ten diagram jest ważny?

Skalowanie stało się trudnym procesem dla analityków danych, zwłaszcza jeśli chodzi o przenoszenie modeli ML ze środowiska programistycznego do środowiska produkcyjnego.

Ponadto interesariusze w organizacji są zwykle umieszczani w różnych zespołach o różnych obowiązkach. Powoduje to wydłużenie czasu dostawy w celu wdrożenia modelu ML do produkcji.

MLOps został opracowany w celu optymalizacji cyklu życia ML. Proces komunikacji i wdrażania pomiędzy zainteresowanymi stronami jest usprawniony i bardziej efektywny dzięki MLOps.

Przy tak dużej liczbie interesariuszy w cyklu życia uczenia maszynowego śledzenie, kto co robi, może być trudne. Należy pamiętać, że te obowiązki mogą się różnić w różnych organizacjach, ale nadal są takie same we wszystkich organizacjach.

Interesariusze cyklu życia ML

Ekspert merytoryczny (MŚP)

  • Zadaje istotne pytania biznesowe
  • Zapewnia, że ​​wydajność modelu spełnia potrzeby/cele biznesowe

Analityk danych

  • Zajmuje się analizą danych i eksploracyjną analizą danych
  • Pomaga w opracowywaniu funkcji do wykorzystania modelu ML
  • Optymalizuje i tworzy ekstrakcję danych do wykorzystania w procesach ML (ETL)

Inżynier danych

Analityk danych

  • Opracowuje modele odpowiadające na pytania biznesowe zgłaszane przez MŚP
  • Odpowiedzialny za testowanie modeli i dostarczanie ich do produkcji w celu wytworzenia wartości biznesowej
  • Przegląda wyniki modeli, ich dokładność i ponowne uczenie modeli

Inżynier oprogramowania

  • Tworzy interfejsy API lub aplikacje współpracujące z modelami ML
  • Sprawdza, czy modele ML działają poprawnie z innymi platformami oprogramowania

Architekt uczenia maszynowego

  • Umożliwia skalowanie modeli ML w środowisku produkcyjnym
  • Poprawia i optymalizuje architekturę modeli ML w produkcji

Inżynier DevOps

  • Zarządza bezpieczeństwem i wydajnością architektury obsługującej modele ML
  • Obsługuje potoki ciągłej integracji/ciągłego wdrażania (CI/CD) dla modeli uczenia maszynowego we wszystkich środowiskach

Jak wspomniano wcześniej, interesariusze są zazwyczaj podzieleni na różne grupy i zespoły. Jednak dzięki praktyce MLOps zainteresowane strony mogą oceniać i ograniczać ryzyko dla organizacji jako grupy współpracującej. Zwłaszcza, że ​​istnieją różne poziomy ryzyka wdrażania modeli uczenia maszynowego i zarządzania nimi.

Podział cyklu życia ML

W jaki sposób zainteresowane strony współpracują, aby wdrożyć zdrowy i spójny cykl życia uczenia maszynowego z wprowadzonymi mechanizmami kontroli i równowagi? Rozłóżmy cykl życia ML.

  • Pytania biznesowe
    Kogo to dotyczy? Eksperci merytoryczni (MŚP)
  • Transformacja danych
    Cykl pozyskiwania danych → Transformacja danych
  • Kogo to dotyczy?
    Analityków Danych
  • Rozwój modelu
    Cykl inżynierii cech → Trenowanie/eksperymentowanie modeli → Ocena i porównanie modeli → Transformacja danych → powrót do Inżynieria cech
  • Kogo to dotyczy?
    Naukowcy zajmujący się danymi
  • Inżynierowie danych
  • Eksperci w danym temacie
  • Pakowanie modelu
    Środowisko wykonawcze
  • Ocena ryzyka/QA
  • Kogo to dotyczy?
    Inżynierów oprogramowania
  • ML Architekci
  • Rozwój do produkcji
    Skalowanie
  • Ciągła integracja/ciągłe wdrażanie (CI/CD)
  • Kogo to dotyczy?
    DevOps
  • Monitorowanie
    Rejestrowanie
  • Alerty
  • Dryf wydajności
  • Kogo to dotyczy?
    Naukowcy zajmujący się danymi
  • DevOps

Wniosek

W cyklu życia ML jest wiele ruchomych elementów. Od zadawania właściwych pytań biznesowych po transformację danych, rozwój modelu, monitorowanie, rozwój, produkcję i pakowanie modeli w całość.

Czy jesteś gotowy, aby „rozpocząć podróż do ML”? Czy zamierzasz podjąć się tego rozległego procesu samodzielnie? A może chciałbyś nawiązać współpracę z doświadczoną firmą?