Keling, MLOps haqida gapiraylik. Ammo buning uchun biz nima ekanligini bilishimiz kerak.

MLOps "Mashinani o'rganish operatsiyalari" degan ma'noni anglatadi. Ba'zi ekspertlarning ta'kidlashicha, bu ModelOpsning kichik to'plami.

ModelOps - bu mashinani o'rganish (ML) hayot tsikllarini ishlab chiqarishni boshqarishga yordam berish uchun ma'lumotlar olimlari va operatsiyalar bo'yicha mutaxassislar o'rtasidagi hamkorlik va aloqa amaliyotidir.

Ammo keling, juda texnikaga murojaat qilmaylik.

Quyidagi diagrammada MLOpsning ajoyib tasviri ko'rsatilgan:

Nima uchun bu diagramma muhim?

Masshtablash ma'lumotlar olimlari uchun qiyin jarayonga aylandi, ayniqsa ML modellarini ishlab chiqish muhitidan ishlab chiqarish muhitiga o'tkazish haqida gap ketganda.

Bundan tashqari, tashkilotdagi manfaatdor tomonlar, odatda, turli mas'uliyatga ega bo'lgan turli jamoalar bo'ylab o'raladi. Bu ishlab chiqarishga ML modelini joriy qilish uchun etkazib berish muddatini uzaytiradi.

MLOps ML hayot aylanishini optimallashtirish uchun ishlab chiqilgan. Ushbu manfaatdor tomonlar o'rtasidagi aloqa va amalga oshirish jarayoni MLOps yordamida soddalashtiriladi va samaraliroq bo'ladi.

ML hayot aylanishida juda ko'p manfaatdor tomonlar bilan kim nima qilayotganini kuzatib borish qiyin bo'lishi mumkin. Yodda tutingki, bu mas'uliyatlar turli tashkilotlarda farq qilishi mumkin, ammo u hali ham butun boshqaruv kengashida bir xil.

ML Lifecycle manfaatdor tomonlar

Mavzu bo'yicha ekspert (KO'K)

  • Muhim biznes savollarini beradi
  • Model ishlashi biznes ehtiyojlari/maqsadlariga mos kelishini ta'minlaydi

Ma'lumotlar tahlilchisi

  • Ma'lumotlarni tahlil qilish va tadqiqot ma'lumotlarini tahlil qilish bilan shug'ullanadi
  • ML modeli iste'moli uchun xususiyatlarni ishlab chiqishda yordam beradi
  • ML jarayonlarida (ETL) foydalanish uchun ma'lumotlar chiqarishni optimallashtiradi va quradi

Ma'lumotlar muhandisi

Ma'lumot olimi

  • KO'B korxonalari tomonidan berilgan biznes savollariga javob berish uchun modellarni ishlab chiqadi
  • Modellarni sinovdan o'tkazish va biznes qiymatini ishlab chiqarish uchun ularni ishlab chiqarishga etkazib berish uchun javobgar
  • Model natijalarini, aniqligini ko'rib chiqadi va modellarni qayta o'rgatadi

Dastur muhandisi

  • ML modellari bilan ishlaydigan API yoki ilovalarni ishlab chiqadi
  • ML modellarining boshqa dasturiy platformalar bilan toʻgʻri ishlashini tekshiradi

Mashina o'rganish arxitektori

  • Ishlab chiqarishda ML modellari uchun masshtablash imkonini beradi
  • Ishlab chiqarishdagi ML modellari uchun arxitekturani yaxshilaydi va optimallashtiradi

DevOps muhandisi

  • ML modellarini qo'llab-quvvatlaydigan arxitektura xavfsizligi va ishlashini boshqaradi
  • Barcha muhitlarda ML modellari uchun uzluksiz integratsiya/uzluksiz joylashtirish (CI/CD) quvurlarini boshqaradi

Yuqorida aytib o'tilganidek, manfaatdor tomonlar odatda turli guruhlar va jamoalarga ajratiladi. Biroq, amalda MLOps bilan manfaatdor tomonlar hamkorlikdagi guruh sifatida tashkilot uchun xavflarni baholashi va kamaytirishi mumkin. Ayniqsa, ML modellarini amalga oshirish va boshqarish uchun turli xil xavf darajalari mavjudligi sababli.

ML hayot aylanishining buzilishi

Qanday qilib ushbu manfaatdor tomonlar nazorat va muvozanatlar mavjud bo'lgan holda sog'lom va yaxlit ML hayot aylanishini amalga oshirish uchun hamkorlikda ishlaydi? Keling, ML hayot aylanishini ajratamiz.

  • Biznesga oid savollar
    Bu kimga tegishli? Mavzu bo'yicha ekspertlar (KO'B)
  • Ma'lumotlarni o'zgartirish
    Ma'lumotlarni yig'ish sikli → Ma'lumotlarni o'zgartirish
  • Bu kimga tegishli?
    Ma'lumotlar tahlilchilari
  • Modelni ishlab chiqish
    Xususiyat muhandisligi sikli → Modelni o‘rgatish/tajriba → Modelni baholash va taqqoslash → Ma’lumotlarni o‘zgartirish → Xususiyat muhandisligiga qaytish
  • Bu kimga tegishli?
    Ma'lumot olimlari
  • Ma'lumotlar muhandislari
  • Mavzu bo'yicha mutaxassislar
  • Modelli qadoqlash
    Ish vaqti muhiti
  • Xatarlarni baholash/QA
  • Bu kimga tegishli?
    Dasturiy ta'minot muhandislari
  • ML Architects
  • Ishlab chiqarishni rivojlantirish
    Masshtablash
  • Uzluksiz integratsiya/uzluksiz joylashtirish (CI/CD)
  • Bu kimga tegishli?
    DevOps
  • Monitoring
    Jurnalga yozish
  • Ogohlantirishlar
  • Performance Drift
  • Bu kimga tegishli?
    Ma'lumot olimlari
  • DevOps

Xulosa

ML hayot aylanishida juda ko'p harakatlanuvchi qismlar mavjud. To'g'ri biznes savollarini berishdan ma'lumotlarni o'zgartirish, modellarni ishlab chiqish, monitoring qilish, ishlab chiqarish va modellarni birgalikda qadoqlash.

Siz "ML ga sayohatni boshlashga" tayyormisiz? Ushbu keng ko'lamli jarayonni yolg'iz o'zingiz boshlaysizmi? Yoki tajribali firma bilan hamkorlik qilishni xohlaysizmi?