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
Рекомендации
[1] Прогнозы 8 MLops для корпоративного машинного обучения в 2023 году. Ventture Beat. Доступно по адресу https://venturebeat.com/ai/8-mlops-predictions-for-enterprise-machine-learning-in-2023/
[2] Зачем использовать контейнеры, Kubernetes и OpenShift для рабочих нагрузок AI/ML? Красная Шапка. Доступно по адресу https://cloud.redhat.com/blog/why-use-containers-kubernetes-and-openshift-for-ai-ml-workloads.
[3] Обслуживание моделей PyTorch с готовыми контейнерами на Vertex AI. Облачная платформа Google. Доступно по адресу https://cloud.google.com/blog/products/ai-machine-learning/prebuilt-containers-with-pytorch-and-vertex-ai.