"Машинное обучение"
Серия руководств ML-OPS - 1
Что это такое, почему это важно, важность и многое другое ...
Вступление: Давайте начнем с
Что такое MLops?
Проще говоря, MLOps или ML Ops - это набор практик, направленных на надежное и эффективное развертывание и поддержку моделей машинного обучения в производственной среде, от определения объема (постановки проблемы) проекта до мониторинга даже после развертывания, чтобы убедиться, что все в порядке. работает как положено.
Теперь вопрос может заключаться в том, как DevOps VS MLOps?
Почему это важно и как реализовать ML-Ops на практике?
Важность ML-Ops:
За последнее десятилетие мы стали свидетелями внедрения машинного обучения в приложения повседневной жизни. Не только для эзотерических приложений, таких как Dota или AlphaGo, машинное обучение также нашло путь к довольно стандартным приложениям, таким как машинный перевод, обработка изображений и распознавание голоса.
Это внедрение обусловлено развитием инфраструктуры, особенно с точки зрения использования вычислительной мощности. Он раскрыл потенциал глубокого обучения и машинного обучения.
Поскольку ИИ быстро распространяется в новых приложениях и отраслях, а исследования делают огромные успехи. Но строить успешные проекты по-прежнему сложно. Модели не могут адаптироваться к изменениям в динамике среды или изменениям данных, описывающих среду. Таким образом, возрастает потребность в установлении эффективных практик и процессов, связанных с проектированием, построением и развертыванием моделей.
Следовательно, MLOps играют важную роль в мониторинге и выполнении периодических проверок зависимостей модели, использования и производительности, чтобы гарантировать, что она работает должным образом. MLOps рекомендует предварительно записывать желаемое поведение модели и использовать его в качестве эталона, который, когда модель неэффективно или нерегулярно растет, предпринимаются необходимые действия.
Возможные шаги по практическому воплощению ML-Ops
›Продолжайте отслеживать качество вашей модели в процессе производства, чтобы вы могли обнаруживать снижение производительности, которое, в свою очередь, является сигналом к переобучению модели на новых данных.
›Используйте самые свежие данные, чтобы фиксировать эволюционирующие и возникающие закономерности.
›Попробуйте новую реализацию, такую как проектирование функций, изменения архитектуры модели, гиперпараметры для улучшения производительности.
Вышеупомянутые три пункта требуют большого количества ручных процессов, для решения этих проблем ML-Ops помогает автоматизировать использование CI / CD и CT.
Здесь,
CI относится к непрерывной интеграции: это уже не только тестирование и проверка кода и компонентов, как в случае DevOps, но также тестирование и проверка данных, схем данных и моделей для систем машинного обучения.
Компакт-диск относится к непрерывной доставке: не только об отдельном программном пакете или услуге, но и о конвейере обучения машинного обучения, который должен автоматически развертывать другую услугу, такую как услуга прогнозирования модели, в существующей системе машинного обучения, когда возникает новая бизнес-потребность.
CT относится к непрерывному обучению: это новое свойство, уникальное для систем машинного обучения, которое связано с автоматическим переобучением и обслуживанием моделей.
Еще…
В дальнейшем в серии ML-Ops будет подробно обсуждаться практическая целесообразность автоматизации каждого этапа науки о данных для систем машинного обучения, таких как извлечение данных, анализ данных, подготовка данных, обучение модели, оценка модели, проверка модели, обслуживание моделей и мониторинг моделей с помощью машинного обучения. триггеры конвейера. Различные методы и варианты использования для работы на разных этапах жизненного цикла ML и применимость ML-ops, которая включает в себя множество методов надежной автоматизации (CI / CD) для поддержки системы ML.
Оставайтесь с нами…
