Să vorbim despre MLOps. Dar, pentru a face asta, trebuie să știm ce este.

MLOps înseamnă operațiuni de învățare automată. Unii experți spun că este un subset al ModelOps.

ModelOps este o practică de colaborare și comunicare între oamenii de știință de date și profesioniștii în operațiuni pentru a ajuta la gestionarea producției de cicluri de viață de învățare automată (ML).

Dar să nu fim prea tehnici.

Diagrama de mai jos arată o reprezentare excelentă MLOps:

De ce este importantă această diagramă?

Scalingul a devenit un proces dificil pentru oamenii de știință de date, mai ales când vine vorba de transferul modelelor ML dintr-un mediu de dezvoltare într-un mediu de producție.

În plus, părțile interesate dintr-o organizație sunt de obicei împărțite în diferite echipe cu responsabilități diferite. Acest lucru determină un interval de timp extins pentru a implementa un model ML în producție.

MLOps a fost dezvoltat pentru a optimiza ciclul de viață ML. Procesul de comunicare și implementare între acești părți interesate este eficientizat și mai eficient cu MLOps.

Cu atât de mulți factori interesați în ciclul de viață ML, poate fi dificil să ținem evidența cine face ce. Rețineți că aceste responsabilități pot varia la diferite organizații, dar sunt în continuare aceleași la nivelul întregului consiliu.

ML Lifecycle Stakeholders

Expert în materie (IMM)

  • Pune întrebări esențiale de afaceri
  • Asigură că performanța modelului corespunde nevoilor/obiectivelor de afaceri

Analist de date

  • Se ocupă de analiza datelor și analiza datelor exploratorii
  • Ajută la dezvoltarea funcțiilor pentru consumul de modele ML
  • Optimizează și construiește extrageri de date pentru utilizare în procesele ML (ETL)

Inginer de date

Data Scientist

  • Elaborează modele pentru a răspunde întrebărilor de afaceri aduse de IMM-uri
  • Responsabil pentru testarea modelelor și livrarea lor în producție pentru a produce valoare pentru afaceri
  • Examinează rezultatele modelului, precizia și reantrenează modelele

Inginer de software

  • Dezvolta API-uri sau aplicații care funcționează cu modele ML
  • Verifică modelele ML să funcționeze corect cu alte platforme software

Arhitect de învățare automată

  • Permite scalarea modelelor ML în producție
  • Îmbunătățește și optimizează arhitectura pentru modelele ML în producție

Inginer DevOps

  • Gestionează securitatea și performanța arhitecturii care acceptă modelele ML
  • Se ocupă de pipeline de integrare continuă/implementare continuă (CI/CD) pentru modelele ML în toate mediile

După cum sa menționat anterior, părțile interesate sunt de obicei segregate în diferite grupuri și echipe. Dar, cu MLOps în practică, părțile interesate pot evalua și atenua riscurile pentru organizație ca grup de colaborare. Mai ales că există diferite niveluri de risc pentru implementarea și gestionarea modelelor ML.

Defalcarea ciclului de viață ML

Cum lucrează aceste părți interesate în colaborare pentru a implementa un ciclu de viață ML sănătos și coeziv, cu controale și echilibre în vigoare? Să defalcăm ciclul de viață ML.

  • Întrebări despre afaceri
    Cui se preocupă acest lucru? Experți în materie (IMM-uri)
  • Transformarea datelor
    Ciclul de achiziție a datelor → Transformarea datelor
  • Pe cine se referă acest lucru?
    Analiștii de date
  • Dezvoltarea modelului
    Ciclul de inginerie a caracteristicilor → Antrenament/Experimentare a modelelor → Evaluare și comparare a modelelor → Transformare a datelor → înapoi la Inginerie caracteristică
  • Pe cine interesează acest lucru?
    Data Scientists
  • Ingineri de date
  • Experți în materie
  • Model Packaging
    Mediul de rulare
  • Evaluarea riscurilor/QA
  • Pe cine interesează acest lucru?
    Ingineri software
  • ML Architects
  • De la dezvoltare la producție
    Scalare
  • Integrare continuă/Implementare continuă (CI/CD)
  • Pe cine interesează acest lucru?
    DevOps
  • Monitorizare
    Înregistrare
  • Alerte
  • Deriva de performanță
  • Pe cine interesează acest lucru?
    Data Scientists
  • DevOps

Concluzie

Există o mulțime de piese în mișcare în ciclul de viață ML. De la adresarea întrebărilor corecte de afaceri la transformarea datelor, dezvoltarea modelului, monitorizarea, dezvoltarea până la producție și împachetarea modelelor împreună.

Ești gata să „începi călătoria către ML”? Ai de gând să întreprinzi singur acest proces amplu? Sau ați dori să faceți partener cu o firmă cu experiență?