MLOps - MLOps

MLOpsмашиналық оқыту »Және« операциялар ») - бұл ынтымақтастық пен байланыс орнатуға арналған практика деректер ғалымдары және ML өндірісін басқаруға көмектесетін операциялардың мамандары (немесе терең оқыту ) өміршеңдік кезең.[1] Ұқсас DevOps немесе DataOps тәсілдері, MLOps автоматтандыруды ұлғайтуға және ML өндірісінің сапасын жақсартуға тырысады, сонымен қатар бизнес пен нормативтік талаптарға назар аударады. MLOps ең жақсы тәжірибелер жиынтығы ретінде басталғанымен, ол ML өмірлік циклін басқарудың тәуелсіз тәсіліне қарай ақырындап дамып келеді. MLOps бүкіл өмірлік циклге қолданылады - модель генерациясымен интеграцияланудан (бағдарламалық жасақтаманың өмірлік циклі, үздіксіз интеграция /үздіксіз жеткізу ), денсаулық сақтау, диагностика, басқару және бизнес өлшемдеріне оркестрлеу және орналастыру. Сәйкес Гартнер, MLOps - бұл ModelOps. MLOps ML модельдерін операцияландыруға бағытталған, ал ModelOps AI модельдерінің барлық түрлерін операцияландыруды қамтиды.[2]


Тарих

Машиналық оқытуды қосымшаларда үнемі қолданудың қиындықтары 2015 жылы «Машина оқыту жүйесіндегі жасырын техникалық қарыз» мақаласында көрсетілген.[3]

Машиналық оқытудың болжамды өсуіне ML пилоттарының шамамен екі еселенуі және 2017 жылдан 2018 жылға дейін, ал 2018 жылдан 2020 жылға дейін қайта ену кіреді.[4] Машиналарды оқуға жұмсалатын шығындар 2021 жылға қарай 57,6 миллиард долларға жетеді деп болжануда, жылдық өсу қарқыны (CAGR) 50,1% құрайды.[5]

Есептер корпоративті интеллектуалды бастамалардың басым бөлігін (88% дейін) сынақ кезеңдерінен өтуге тырысатындығын көрсетеді[дәйексөз қажет ]. Алайда, іс жүзінде жасанды интеллект пен машиналық оқуды өндіріске енгізген ұйымдар пайда шегінің 3-15% өскенін байқады.[6]

2018 жылы Google-дан ML өндірісі туралы бір презентация болғаннан кейін[7], MLOps[8] және оған деген көзқарас AI / ML сарапшылары, компаниялары және технологиялық журналистер арасында бизнестегі машиналық оқытудың күрделілігі мен өсуін шеше алатын шешім ретінде тарала бастады.[9][10][11][12][13][14][15][16][17]

2020 жылдың қазан айында ModelOp, Inc. іске қосылды ModelOp.io, MLOps және ModelOps ресурстарына арналған онлайн хаб. Осы веб-сайтты іске қосумен қатар ModelOp Ұсыныстарға сұраныс (ҚҚЖ) шаблонын шығарды. Сала мамандары мен талдаушыларының сұхбаттарынан шыққан бұл RFP үлгісі ModelOps және MLOps шешімдерінің функционалдық талаптарын шешуге арналған.[18]

Сәулет

Ұйымдарды кәсіпорын бойынша ML-ді сәтті енгізуге кедергі болатын бірқатар кедергілер бар, оның ішінде:[19]

  • Орналастыру және автоматтандыру
  • Модельдер мен болжамдардың қайталануы[20]
  • Диагностика[21]
  • Басқару және ережелерге сәйкестік[22]
  • Масштабтылық[23]
  • Ынтымақтастық[24]
  • Бизнес қолданады[25]
  • Мониторинг және басқару[26]

MLOps сияқты стандартты тәжірибе жоғарыда аталған бағыттардың әрқайсысын ескереді, бұл кәсіпорындарға жұмыс процесін оңтайландыруға және іске асыру кезінде қиындықтарды болдырмауға көмектеседі.

MLOps жүйесінің жалпы архитектурасына MLOps құралы машиналармен оқыту модельдерінің қозғалысын, жүйелер арасындағы мәліметтер мен нәтижелерді басқаратын MLOps құралымен модельдер құрастырылатын мәліметтер талдаушы платформалар мен есептеулер жүргізілетін аналитикалық қозғалтқыштар кіреді.[27]

Сондай-ақ қараңыз

  • AIOps, ұқсас атауы бар, бірақ әртүрлі тұжырымдама - АТ-да және операцияларда AI (ML) қолдану.

Әдебиеттер тізімі

  1. ^ Талағала, Ниша. «Неліктен MLOps (тек ML емес) сіздің бизнесіңіздің жаңа бәсекеге қабілетті шекарасы». AITrends. AITrends. Алынған 30 қаңтар 2018.
  2. ^ Вашистх, Шубханги; Бретену, Эрик; Чудхари, Фархан; Қоян, Джим. «Gartner компаниясының 3 сатылы MLOps шеңберін машиналық оқыту жобаларын табысты пайдалану үшін пайдаланыңыз». Гартнер. Гартнер. Алынған 30 қазан 2020.
  3. ^ Скули, Д .; Холт, Гари; Головин, Даниэль; Давыдов, Евгений; Филлипс, Тодд; Эбнер, Диетмар; Чодхари, Виней; Жас, Майкл; Креспо, Жан-Франсуа; Деннисон, Дэн (7 желтоқсан 2015). «Машиналық оқыту жүйесіндегі жасырын техникалық қарыз» (PDF). NIPS өндірісі (2015). Алынған 14 қараша 2017.
  4. ^ Салломи, Пауыл; Ли, Пол. «Deloitte технологиялары, медиа және телекоммуникациялардың болжамдары 2018» (PDF). Deloitte. Deloitte. Алынған 13 қазан 2017.
  5. ^ Миноне, Андреа; Шубмель, Дэвид; Джордж, Джебин; Пинья, Джеронимо; Данцин Кай, Джесси; Леунг, Джонатан; Димитров, Любомир; Ранджан, Маниш; Дакила, Марианна; Кумар, Мега; Ивамото, Наоко; Ананд, Никхил; Карнелли, Филип; Мембрила, Роберто; Чатурведи, Свати; Манабе, Такаси; Вавра, Томас; Чжан, Сяо-Фэй; Чжун, Чжэншань. «Дүниежүзілік жартыжылдық жасанды интеллект жүйелерін жұмсауға арналған нұсқаулық». IDC. Алынған 25 қыркүйек 2017.
  6. ^ Бугин, Жак; Хазан, Эрик; Рамасвами, Сри; Чуй, Майкл; Аллас, Тера; Дальстрем, Петр; Хенке, Николай; Траншея, Моника. «Жасанды интеллект келесі сандық шекара ма?». МакКинси. McKinsey Global Institute. Алынған 1 маусым 2017.
  7. ^ Сато, Қаз. «ML Ops дегеніміз не? ML үшін Devops үшін ең жақсы тәжірибелер». YouTube. YouTube. Алынған 19 шілде 2020.
  8. ^ «MLOps дегеніміз не?». Алгомокс. Алгомокс. Алынған 25 қараша 2020.
  9. ^ Дж, Даг. «MLOps Silicon Valley». Кездесу. Кездесу. Алынған 2 ақпан 2018.
  10. ^ Бриджуотер, Адриан. «Әрбір бизнес функциясы Ops кеңейтіліміне ие болуы керек пе?». Техникалық штаб. Техникалық штаб. Алынған 13 сәуір 2018.
  11. ^ Ройюру, Авинаш. «AI мәдениетін қалай құруға болады: ағарту қисығынан өту». Орташа. Хакернон. Алынған 28 сәуір 2018.
  12. ^ Талағала, Ниша. «Неліктен MLOps (тек ML емес) сіздің бизнесіңіздің жаңа бәсекеге қабілетті шекарасы». AITrends. AITrends. Алынған 30 қаңтар 2018.
  13. ^ Саймон, Джулиен. «Серверсіз архитектурасы бар MLOps (қазан 2018 ж.)». LinkedIn SlideShare. Джулиен Саймон. Алынған 23 қазан 2018.
  14. ^ Саукедо, Алехандро. «Масштабты деректертану / машиналық оқыту: 2018 жылы DataOps / MLOps жағдайы». MachineLearning.AI. Алехандро Саукедо. Алынған 9 қыркүйек 2018.
  15. ^ Талағала, Ниша. «Операциялық машинаны оқыту: табысты MLOps үшін жеті мәселе». KDNuggets. KDNuggets. Алынған 1 сәуір 2018.
  16. ^ Банктер, Эринк. «BD Podcast Ep 34 - ПараллельМ қуаттайтын MLOps-пен жұмыс істеуге интеллектуалды технологияны енгізу». Үлкен деректер сақалы. Үлкен деректер сақалы. Алынған 17 шілде 2018.
  17. ^ Сато, Қаз. «ML Ops дегеніміз не? ML қызметтеріне DevOps қолданудың шешімдері мен озық тәжірибелері». Жасанды интеллект конференциясы. О'Рейли. Алынған 10 қазан 2018.
  18. ^ «ModelOps RFP». ModelOps: ModelOps және MLOps Ресурстық хабы. Алынған 30 қазан 2020.
  19. ^ Уолш, Ник. «Сандық бағдарланған құрылғылардың өсуі және стандартталған MLOps қажеттілігі». Слайдтар. Ник Уолш. Алынған 1 қаңтар 2018.
  20. ^ Сақшы, Пит. «Машинаны үйренудің қайталану дағдарысы». Пит Уорденнің блогы. Пит Уорден. Алынған 19 наурыз 2018.
  21. ^ Сақшы, Пит. «Машинаны үйренудің қайталану дағдарысы». Пит Уорденнің блогы. Пит Уорден. Алынған 10 наурыз 2018.
  22. ^ Вон, Джек. «Машиналық оқыту алгоритмдері деректерді басқаруға сәйкес келеді». SearchDataManagement. TechTarget. Алынған 1 қыркүйек 2017.
  23. ^ Лорика, Бен. «Масштабта терең оқытуды қалай үйретуге және қолдануға болады». О'Рейли. О'Рейли. Алынған 15 наурыз 2018.
  24. ^ Гарда, Натали. «IOT және машиналық оқыту: ынтымақтастық неге маңызды». IoT Tech Expo. Encore Media Group. Алынған 12 қазан 2017.
  25. ^ Маниика, Джеймс. «Аналитика, жасанды интеллект және автоматикада қазір не болады». МакКинси. McKinsey Global Institute. Алынған 1 мамыр 2017.
  26. ^ Хавив, Ярон. «MLOps шақырулары, шешімдері және болашақ тенденциялары». Игуасио. Игуасио. Алынған 19 ақпан 2020.
  27. ^ Уолш, Ник. «Сандық бағдарланған құрылғылардың өсуі және стандартталған MLOps қажеттілігі». Слайдтар. Ник Уолш. Алынған 1 қаңтар 2018.