ModelOps (модельные операции), по определению Gartner, «ориентирован в первую очередь на управление и управление жизненным циклом широкого спектра оперативных моделей искусственного интеллекта (ИИ) и моделей принятия решений, включая машинное обучение, графы знаний, правила, оптимизацию, лингвистические и агентно-ориентированные модели ». [1] «ModelOps лежит в основе любой корпоративной стратегии искусственного интеллекта». [2] Он управляет жизненными циклами модели для всех моделей в производстве по всему предприятию, от ввода модели в производство, затем оценки и обновления полученного приложения в соответствии с набором правил управления, включая технические и бизнес-KPI. Он предоставляет экспертам в области бизнеса возможность оценивать модели ИИ в процессе производства независимо от специалистов по данным. [3]
Статья Forbes продвигала ModelOps: «По мере того, как предприятия расширяют свои инициативы в области ИИ, чтобы стать настоящей организацией корпоративного ИИ, при наличии полной функциональной аналитической возможности в центре внимания становится ModelOps, объединяющая как DataOps, так и DevOps». [4]
В опросе Gartner 2018 года 37% респондентов сообщили, что они использовали ИИ в той или иной форме; однако Gartner отметила, что предприятия все еще далеки от внедрения ИИ, сославшись на проблемы с развертыванием. [5] Предприятия накапливали неразвернутые, неиспользованные и неотправленные модели и развертывали их вручную, часто на уровне бизнес-единицы, что увеличивало подверженность риску всего предприятия. [6]Независимая аналитическая компания Forrester также затронула эту тему в отчете о поставщиках машинного обучения и прогнозной аналитики за 2018 год: «Специалисты по обработке данных регулярно жалуются, что их модели только иногда или никогда не развертываются. Большая часть проблемы - это организационный хаос в понимании того, как применять и проектировать модели в приложения. Но еще одна большая часть проблемы - это технологии. Модели не похожи на программный код, потому что им нужно управление моделями ». [7]
В декабре 2018 года Вальдемар Хаммер и Винод Мутусами из IBM Research AI предложили ModelOps как «модель программирования для многоразовых, платформенно-независимых и составляемых рабочих процессов ИИ» в День языков программирования IBM. [8] В своей презентации они отметили разницу между жизненным циклом разработки приложения, представленным DevOps , и жизненным циклом приложения ИИ. [9]
Целью разработки ModelOps было устранение разрыва между развертыванием модели и управлением моделью, обеспечение того, чтобы все модели работали в производственной среде с сильным управлением, согласованными с техническими и бизнес-ключевыми показателями эффективности, при одновременном управлении рисками. В своей презентации Хаммер и Мутусами описали программное решение для поэтапного развертывания с учетом ИИ и повторно используемых компонентов, которое позволит версиям модели соответствовать бизнес-приложениям и которое будет включать такие концепции модели ИИ, как мониторинг модели, обнаружение дрейфа и активное обучение. Решение также устранит противоречие между производительностью модели и ключевыми показателями эффективности бизнеса (KPI), журналами приложений и моделей, а также прокси-серверами моделей и развивающимися политиками. В предложение входили различные облачные платформы. В июне 2019 года Hummer, Muthusamy, Thomas Rausch, Parijat Dube,и Каутар Эль Маграуи представили доклад на Международной конференции IEEE 2019 года по облачной инженерии (IC2E).[10] Документ расширил презентацию 2018 года, предложив ModelOps в качестве облачной инфраструктуры и платформы для сквозной разработки и управления жизненным циклом приложений искусственного интеллекта (AI). В резюме они заявили, что структура покажет, как можно расширить принципы управления жизненным циклом программного обеспечения, чтобы обеспечить автоматизацию, доверие, надежность, прослеживаемость, контроль качества и воспроизводимость конвейеров модели ИИ. [11] В марте 2020 года компания ModelOp, Inc. опубликовала первое подробное руководство по методологии ModelOps. Целью данной публикации было предоставить обзор возможностей ModelOps, а также технических и организационных требований для реализации практик ModelOps. [12]
В октябре 2020 года ModelOp запустила ModelOp.io , онлайн-центр для ресурсов ModelOps и MLOps. Параллельно с запуском этого веб-сайта ModelOp выпустила шаблон запроса предложений (RFP). Этот шаблон RFP, основанный на интервью с отраслевыми экспертами и аналитиками, был разработан с учетом функциональных требований решений ModelOps и MLOps. [13]
Типичный вариант использования ModelOps - это сектор финансовых услуг, где сотни временных рядовмодели используются, чтобы сосредоточиться на строгих правилах предвзятости и проверяемости. В этих случаях критически важны справедливость и надежность модели, а это означает, что модели должны быть справедливыми и точными, и они должны работать надежно. ModelOps автоматизирует жизненный цикл моделей в производстве. Такая автоматизация включает в себя проектирование жизненного цикла модели, включая технические, деловые и нормативные KPI и пороговые значения, для управления и мониторинга модели во время ее работы, мониторинг моделей на предмет предвзятости и других технических и бизнес-аномалий, а также обновление модели по мере необходимости без нарушения приложения. ModelOps - диспетчер, который следит за тем, чтобы все поезда ходили вовремя и на правильном пути, обеспечивая контроль рисков, соблюдение нормативных требований и эффективность бизнеса.
Другой вариант использования - это мониторинг уровня сахара в крови диабетика на основе данных пациента в режиме реального времени. Модель, которая может прогнозировать гипогликемию, должна постоянно обновляться текущими данными, бизнес-KPI и аномалии должны постоянно отслеживаться и должны быть доступны в распределенной среде, чтобы информация была доступна на мобильном устройстве, а также передавалась в более крупную систему. Оркестровка, управление, переподготовка, мониторинг и обновление выполняются с помощью ModelOps.
Процесс ModelOps направлен на автоматизацию управления, управления и мониторинга моделей в производстве по всему предприятию, позволяя разработчикам ИИ и приложений легко подключать возможности жизненного цикла (такие как обнаружение смещения, устойчивость и надежность, обнаружение смещения, технические, бизнес и соответствие KPI, нормативным ограничениям и потокам утверждения) для внедрения моделей искусственного интеллекта в производство в качестве бизнес-приложений. Процесс начинается со стандартного представления моделей-кандидатов для производства, которое включает метамодель (спецификацию модели) со всеми компонентами и зависимыми частями, которые используются при построении модели, такими как данные, аппаратные и программные среды, классификаторы и т. Д. плагины кода и, что наиболее важно, ключевые показатели эффективности бизнеса и соответствия / риска.
MLOps (операции машинного обучения) - это дисциплина, которая позволяет специалистам по данным и ИТ-специалистам сотрудничать и общаться при автоматизации алгоритмов машинного обучения. Он расширяет и расширяет принципы DevOps для поддержки автоматизации разработки и развертывания моделей и приложений машинного обучения. [14] На практике MLOps включает стандартные модели машинного обучения (ML). Однако разнообразие и использование моделей изменилось, чтобы включить модели оптимизации решений, модели оптимизации и трансформационные модели.которые добавляются в приложения. ModelOps - это эволюция MLOps, которая расширяет свои принципы, включая не только рутинное развертывание моделей машинного обучения, но также непрерывное переобучение, автоматическое обновление и синхронизированную разработку и развертывание более сложных моделей машинного обучения. [15] ModelOps относится к операционализации всех моделей ИИ, включая модели машинного обучения, которыми занимается MLOps. [16]