Навигация по тенденциям MLOps на 2023 год: от операционной эффективности к Kubernetes

Введение

По мере того, как мы приближаемся к 2023 году, область операций машинного обучения (MLOps) продолжает развиваться быстрыми темпами. MLOps — это дисциплина, которая сочетает в себе разработку данных, машинное обучение и разработку программного обеспечения для управления жизненным циклом машинного обучения.

В этом посте мы рассмотрим некоторые из основных тенденций MLOps на 2023 год и то, как они могут повлиять на то, как мы ведем бизнес и принимаем решения.

Рабочие нагрузки AI и ML, работающие в Kubernetes

Первая тенденция на 2023 год — это ожидание того, что рабочие нагрузки AI и ML в Kubernetes превзойдут развертывания без Kubernetes. Kubernetes — это система с открытым исходным кодом для автоматизации развертывания, масштабирования и управления контейнерными приложениями. Недавние инициативы по адаптации Kubernetes и повышению его привлекательности для разработчиков начинают приносить результаты, с особым упором на выполнение ресурсоемких вычислительных потребностей ИИ и машинного обучения на графических процессорах для поддержания качества обслуживания при размещении в Kubernetes.

Операционная эффективность в бюджетах ML

Акцент на операционной эффективности — еще одна важная тенденция на 2023 год. По мере развития макроэкономических факторов и ограниченности кадрового резерва инвестиции, сосредоточенные на операционной эффективности, будут становиться все более важными. Это включает в себя разработку рабочих процессов, которые включают в себя аспект «человек в цикле», предлагая меры безопасности, если технология требует дополнительного контроля, и позволяя людям и машинам эффективно работать бок о бок.

Приоритизация проектов машинного обучения для получения дохода и ценности для бизнеса

Третья тенденция заключается в том, что командам придется расставлять приоритеты в проектах машинного обучения, которые могут оказать наибольшее влияние за короткий промежуток времени. Это означает сосредоточение внимания на продаваемых функциях, которые, по мнению руководства, увеличат продажи и выиграют у конкурентов, а также на проектах по оптимизации доходов, которые напрямую влияют на доход.

Готовые модели машинного обучения для конкретных отраслей и предметной области

Наконец, в 2023 году наблюдается тенденция к увеличению использования готовых моделей машинного обучения (ML), характерных для определенных отраслей и областей. Эти модели позволяют специалистам по данным ускорить время окупаемости и время выхода на рынок, поскольку они инкапсулируют опыт в данной области в исходной модели машинного обучения. Это помогает сократить время, которое специалисты по данным тратят на переобучение и тонкую настройку моделей, позволяя им сосредоточиться на более конкретных проблемах, не становясь экспертами в предметных областях, которые не являются профильными для их организаций.

Заключение

Поскольку область MLOps продолжает развиваться, эти тенденции подчеркивают важность эффективности, адаптивности и стратегической направленности. По мере того, как мы приближаемся к 2023 году, крайне важно знать об этих тенденциях и думать, как их можно применить в наших собственных организациях.

А вы, что вы думаете об этих трендах? Согласны ли вы с тем, что готовые модели, использование Kubernetes, операционная эффективность и сосредоточение внимания на проектах, приносящих доход, будут ключевыми факторами MLOps в этом году? Я хотел бы услышать ваши мысли и опыт. Оставьте комментарий ниже!

Давайте подключим

Вам понравилось содержание? Давайте выпьем кофе, добавьте меня в LinkedIn, чтобы обменяться идеями и поделиться знаниями!

https://www.linkedin.com/in/iagobrandao