MLOps
Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

MLOps или ML Ops - это набор практик, направленных на надежное и эффективное развертывание и поддержку моделей машинного обучения в производственной среде. [1] Это слово представляет собой сочетание «машинного обучения» и практики непрерывного развития DevOps в области программного обеспечения. Модели машинного обучения тестируются и разрабатываются в изолированных экспериментальных системах. Когда алгоритм готов к запуску, специалисты по Data Scientists, DevOps и инженеры по машинному обучению практикуют MLOps для перевода алгоритма в производственные системы. [2] Подобно DevOps или DataOpsMLOps стремится повысить автоматизацию и качество производственных моделей, уделяя при этом внимание бизнес-требованиям и нормативным требованиям. Хотя MLOps начинался как набор передовых практик, он постепенно превращается в независимый подход к управлению жизненным циклом ML. MLOps применяется ко всему жизненному циклу - от интеграции с генерацией моделей ( жизненный цикл разработки программного обеспечения , непрерывная интеграция / непрерывная доставка ), оркестровки и развертывания до работоспособности, диагностики, управления и бизнес-показателей. Согласно Gartner , MLOps - это подмножество ModelOps . MLOps ориентирован на внедрение моделей машинного обучения, в то время как ModelOps охватывает ввод в действие всех типов моделей искусственного интеллекта.[3]

История

Проблемы постоянного использования машинного обучения в приложениях были освещены в документе 2015 года. [4]

Прогнозируемый рост машинного обучения предполагал удвоение пилотных проектов и внедрений машинного обучения с 2017 по 2018 год и снова с 2018 по 2020 год [5].

Отчеты показывают, что большинство (до 88%) корпоративных инициатив в области искусственного интеллекта изо всех сил пытаются выйти за рамки этапов тестирования [ необходима цитата ] . Однако те организации, которые фактически внедрили ИИ и машинное обучение в производство, увидели рост прибыли на 3-15%. [6]

Рынок MLOps оценивался в 23,2 миллиарда долларов в 2019 году и, по прогнозам, достигнет 126 миллиардов долларов к 2025 году из-за быстрого внедрения. [7]

Архитектура

Системы машинного обучения можно разделить на восемь различных категорий: сбор данных, обработка данных, разработка функций, маркировка данных, проектирование моделей, обучение и оптимизация моделей, развертывание конечных точек и мониторинг конечных точек. Каждый этап жизненного цикла машинного обучения построен в отдельной системе, но требует взаимосвязи. Это минимальный набор систем, необходимых предприятиям для масштабирования машинного обучения в своей организации.

Цели

Существует ряд целей, которые предприятия хотят достичь с помощью систем MLOps, успешно внедряющих машинное обучение на предприятии, в том числе: [8]

  • Развертывание и автоматизация [9]
  • Воспроизводимость моделей и прогнозов [10]
  • Диагностика [10]
  • Управление и соблюдение нормативных требований [11]
  • Масштабируемость [12]
  • Сотрудничество [13]
  • Коммерческое использование [14]
  • Мониторинг и управление [15]

Стандартная практика, такая как MLOps, учитывает каждую из вышеупомянутых областей, что может помочь предприятиям оптимизировать рабочие процессы и избежать проблем во время внедрения.

Общая архитектура системы MLOps будет включать платформы для анализа данных, на которых создаются модели, и аналитические механизмы, на которых выполняются вычисления, с инструментом MLOps, который управляет перемещением моделей машинного обучения, данных и результатов между системами. [8]

Смотрите также

  • ModelOps , согласно Gartner , MLOps - это подмножество ModelOps . MLOps ориентирован на внедрение моделей машинного обучения, в то время как ModelOps охватывает ввод в действие всех типов моделей искусственного интеллекта. [3]
  • AIOps , одноименная , но другая концепция - использование искусственного интеллекта (ML) в ИТ и операциях.

использованная литература

  1. ^ Breuel Кристиано. «ML Ops: Машинное обучение как инженерная дисциплина» . К науке о данных . Проверено 6 июля 2021 года .
  2. ^ Талагала, Ниша. «Почему MLOps (и не только ML) - это новый конкурентный рубеж для вашего бизнеса» . AITrends . AITrends . Проверено 30 января 2018 .
  3. ^ а б Вашистх, Шубханги; Бретену, Эрик; Чоудхари, Фархан; Заяц, Джим. «Используйте трехэтапную структуру MLOps Gartner для успешной реализации проектов машинного обучения» . Gartner . Gartner . Проверено 30 октября 2020 .
  4. ^ Скалли, Д .; Холт, Гэри; Головин, Даниил; Давыдов, Евгений; Филлипс, Тодд; Эбнер, Дитмар; Чаудхари, Винай; Янг, Майкл; Креспо, Жан-Франсуа; Деннисон, Дэн (7 декабря 2015 г.). «Скрытый технический долг в системах машинного обучения» (PDF) . Труды НИПС (2015) . Проверено 14 ноября 2017 года .
  5. ^ Салломи, Пол; Ли, Пол. «Deloitte Technology, Media and Telecommunications Predictions 2018» (PDF) . Делойт . Делойт . Проверено 13 октября 2017 года .
  6. ^ Bughin, Жак; Хазан, Эрик; Рамасвами, Шри; Чуй, Михаил; Аллас, Тера; Дальстрём, Питер; Хенке, Николай; Тренч, Моника. "Искусственный интеллект - следующий цифровой рубеж?" . McKinsey . Глобальный институт McKinsey . Дата обращения 1 июня 2017 .
  7. ^ «Отчет по анализу поставщиков платформ MLOps за 2021 год» . Neu.ro . Проверено 10 августа 2021 года .
  8. ^ a b Уолш, Ник. «Рост количественно-ориентированных разработчиков и потребность в стандартизированных MLOps» . Слайды . Ник Уолш . Проверено 1 января 2018 года .
  9. ^ «Код для машинного обучения, готового к эксплуатации, за 4 шага» . Блог DAGsHub . 2021-02-03 . Проверено 19 февраля 20 .
  10. ^ a b Смотритель, Пит. «Кризис воспроизводимости машинного обучения» . Блог Пита Уордена . Пит Уорден . Проверено 19 марта 2018 .
  11. ↑ Вон, Джек. «Алгоритмы машинного обучения соответствуют управлению данными» . SearchDataManagement . TechTarget . Проверено 1 сентября 2017 года .
  12. ^ Лорика, Бен. «Как обучить и развернуть глубокое обучение в большом масштабе» . О'Рейли . О'Рейли . Проверено 15 марта 2018 .
  13. ↑ Гарда, Натали. «Интернет вещей и машинное обучение: почему сотрудничество так важно» . IoT Tech Expo . Encore Media Group . Проверено 12 октября 2017 года .
  14. ^ Маника, Джеймс. «Что сейчас и дальше в аналитике, искусственном интеллекте и автоматизации» . McKinsey . Глобальный институт McKinsey . Дата обращения 1 мая 2017 .
  15. ^ Хавив, Ярон. «Проблемы, решения и будущие тенденции MLOps» . Игуасио . Игуасио . Дата обращения 19 февраля 2020 .
Источник « https://en.wikipedia.org/w/index.php?title=MLOps&oldid=1051352626 »
Contribute a better translation