MLOps

MLOps to zestaw praktyk z pogranicza uczenia maszynowego, DevOps i inżynierii danych

MLOps lub ML Ops to zestaw praktyk, których celem jest niezawodne i wydajne wdrażanie i utrzymywanie modeli uczenia maszynowego w środowisku produkcyjnym. Słowo to jest połączeniem „uczenia maszynowego” i praktyki ciągłego rozwoju DevOps w dziedzinie oprogramowania. Modele uczenia maszynowego są testowane i rozwijane w izolowanych systemach eksperymentalnych. Kiedy algorytm jest gotowy do uruchomienia, MLOps jest praktykowany między naukowcami danych, DevOps i inżynierami uczenia maszynowego w celu przeniesienia algorytmu do systemów produkcyjnych. Podobny do DevOps lub DataOps podejść, MLOps dąży do zwiększenia automatyzacji i poprawy jakości modeli produkcyjnych, jednocześnie koncentrując się na wymaganiach biznesowych i regulacyjnych. Podczas gdy MLOps zaczął jako zestaw najlepszych praktyk, powoli ewoluuje w niezależne podejście do zarządzania cyklem życia ML. MLOps dotyczy całego cyklu życia — od integracji z generowaniem modelu ( cykl życia tworzenia oprogramowania , ciągła integracja / ciągłe dostarczanie ), orkiestracją i wdrażaniem, po kondycję, diagnostykę, nadzór i metryki biznesowe. Według Gartnera , MLOps jest podzbiorem ModelOps . MLOps koncentruje się na operacjonalizacji modeli ML, podczas gdy ModelOps obejmuje operacjonalizację wszystkich typów modeli AI.

Historia

Wyzwania związane z ciągłym wykorzystaniem uczenia maszynowego w aplikacjach zostały podkreślone w artykule z 2015 roku.

Przewidywany wzrost uczenia maszynowego obejmował szacunkowe podwojenie liczby pilotów i wdrożeń ML w latach 2017-2018 i ponownie w latach 2018-2020.

Raporty pokazują, że większość (do 88%) korporacyjnych inicjatyw AI ma trudności z wyjściem poza etapy testów . Jednak te organizacje, które faktycznie wprowadziły sztuczną inteligencję i uczenie maszynowe do produkcji, odnotowały wzrost marży zysku o 3-15%.

Rynek MLOps został oszacowany na 23,2 miliarda dolarów w 2019 roku i przewiduje się, że osiągnie 126 miliardów dolarów do 2025 roku ze względu na szybkie przyjęcie.

Architektura

Systemy uczenia maszynowego można podzielić na osiem różnych kategorii: gromadzenie danych , przetwarzanie danych , inżynieria funkcji , etykietowanie danych , projektowanie modeli, szkolenie i optymalizacja modeli , wdrażanie punktów końcowych i monitorowanie punktów końcowych. Każdy krok w cyklu życia uczenia maszynowego jest tworzony we własnym systemie, ale wymaga wzajemnego połączenia. Są to minimalne systemy, których potrzebują przedsiębiorstwa, aby skalować uczenie maszynowe w swojej organizacji.

Cele

Istnieje wiele celów, które przedsiębiorstwa chcą osiągnąć za pomocą systemów MLOps z powodzeniem wdrażających ML w całym przedsiębiorstwie, w tym:

• Wdrażanie i automatyzacja
• Powtarzalność modeli i predykcji
• Diagnostyka
• Zarządzanie i zgodność z przepisami
• Skalowalność
• Współpraca
• Zastosowania biznesowe
• Monitorowanie i zarządzanie

Standardowa praktyka, taka jak MLOps, uwzględnia każdy z wyżej wymienionych obszarów, co może pomóc przedsiębiorstwom zoptymalizować przepływy pracy i uniknąć problemów podczas wdrażania.

Wspólna architektura systemu MLOps obejmowałaby platformy nauki o danych, w których konstruowane są modele, oraz silniki analityczne, w których wykonywane są obliczenia, przy czym narzędzie MLOps koordynuje ruch modeli uczenia maszynowego, danych i wyników między systemami.

Zobacz też

• ModelOps , według Gartnera , MLOps jest podzbiorem ModelOps . MLOps koncentruje się na operacjonalizacji modeli ML, podczas gdy ModelOps obejmuje operacjonalizację wszystkich typów modeli AI.
• AIOps , podobnie nazwana, ale inna koncepcja - wykorzystanie AI (ML) w IT i Operacjach.