WikiDer > MLOps

MLOps

MLOps (соединение «машинное обучение»И« операции ») - это практика сотрудничества и общения между специалисты по данным и специалисты по эксплуатации, чтобы помочь управлять производственным машинным обучением (или глубокое обучение) жизненный цикл.[1] Подобно DevOps или же DataOps подходов, MLOps стремится увеличить автоматизацию и улучшить качество производства ML, уделяя при этом внимание бизнесу и нормативным требованиям. Хотя MLOps также начинался как набор передовых практик, он постепенно превращается в независимый подход к управлению жизненным циклом ML. MLOps применяется ко всему жизненному циклу - от интеграции до создания модели (жизненный цикл разработки программного обеспечения, непрерывная интеграция/непрерывная доставка), оркестровки и развертывания для показателей работоспособности, диагностики, управления и бизнес-показателей. В соответствии с 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.[2]


История

Проблемы постоянного использования машинного обучения в приложениях были освещены в документе 2015 года, озаглавленном «Скрытый технический долг в системах машинного обучения».[3]

Прогнозируемый рост машинного обучения включает предполагаемое удвоение пилотных проектов и внедрений машинного обучения с 2017 по 2018 год и снова с 2018 по 2020 год.[4] По оценкам, к 2021 году расходы на машинное обучение достигнут 57,6 млрд долларов, что означает совокупный годовой темп роста (CAGR) 50,1%.[5]

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

В 2018 году после одной презентации о продакшене машинного обучения от Google[7], MLOps[8] и подходы к нему начали набирать популярность среди экспертов по ИИ / машинному обучению, компаний и технологических журналистов как решение, которое может решить сложность и рост машинного обучения в бизнесе.[9][10][11][12][13][14][15][16][17]

В октябре 2020 года компания ModelOp, Inc. запустила МодельOp.io, онлайн-центр для ресурсов MLOps и ModelOps. 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.[18]

Архитектура

Существует ряд препятствий, мешающих организациям успешно внедрять ML на предприятии, в том числе трудности с:[19]

  • Развертывание и автоматизация
  • Воспроизводимость моделей и прогнозов[20]
  • Диагностика[21]
  • Управление и соответствие нормативным требованиям[22]
  • Масштабируемость[23]
  • Сотрудничество[24]
  • Бизнес использует[25]
  • Мониторинг и управление[26]

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, в которых выполняются вычисления, с инструментом MLOps, который управляет перемещением моделей машинного обучения, данных и результатов между системами.[27]

Смотрите также

  • AIOps, концепция с аналогичным названием, но другая концепция - использование ИИ (ML) в ИТ и операциях.

Рекомендации

  1. ^ Талагала, Ниша. «Почему MLOps (и не только ML) - это новый конкурентный рубеж для вашего бизнеса». AITrends. AITrends. Получено 30 января 2018.
  2. ^ Вашистх, Шубханги; Бретену, Эрик; Чоудхари, Фархан; Заяц, Джим. «Используйте трехэтапную структуру MLOps от Gartner для успешной реализации проектов машинного обучения». Gartner. Gartner. Получено 30 октября 2020.
  3. ^ 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). Протоколы NIPS (2015). Получено 14 ноября 2017.
  4. ^ Салломи, Пол; Ли, Пол. «Прогнозы Делойта в области технологий, медиа и телекоммуникаций на 2018 год» (PDF). Делойт. Делойт. Получено 13 октября 2017.
  5. ^ Минонне, Андреа; Шубмель, Дэвид; Джордж, Джебин; Пинья, Херонимо; Даньцин Цай, Джесси; Люн, Джонатан; Димитров, Любомир; Ранджан, Маниш; Дакила, Марианна; Кумар, Мегха; Ивамото, Наоко; Ананд, Нихил; Карнелли, Филип; Мембрила, Роберто; Чатурведи, Свати; Манабэ, Такаши; Вавра, Фома; Чжан, Сяо-Фэй; Чжун, Чжэньшань. «Всемирное полугодовое руководство по расходам на системы искусственного интеллекта». IDC. Получено 25 сентября 2017.
  6. ^ Бугин, Жак; Хазан, Эрик; Рамасвами, Шри; Чуй, Михаил; Аллас, Тера; Дальстрем, Питер; Хенке, Николай; Тренч, Моника. "Искусственный интеллект - следующий цифровой рубеж?". McKinsey. Глобальный институт McKinsey. Получено 1 июня 2017.
  7. ^ Сато, Каз. «Что такое ML Ops? Лучшие практики для Devops для ML». YouTube. YouTube. Получено 19 июля 2020.
  8. ^ "Что такое MLOps?". Альгомокс. Альгомокс. Получено 25 ноября 2020.
  9. ^ Джи, Дуг. "Силиконовая долина MLOps". Встреча. Встреча. Получено 2 февраля 2018.
  10. ^ Бриджуотер, Адриан. "Должна ли каждая бизнес-функция иметь расширение Ops?". Технический штаб. Технический штаб. Получено 13 апреля 2018.
  11. ^ Ройюру, Авинаш. «Как создать культуру искусственного интеллекта: пройди кривую просветления». Середина. Hackernoon. Получено 28 апреля 2018.
  12. ^ Талагала, Ниша. «Почему MLOps (и не только ML) - это новый конкурентный рубеж для вашего бизнеса». AITrends. AITrends. Получено 30 января 2018.
  13. ^ Саймон, Жюльен. «MLOps с бессерверной архитектурой (октябрь 2018 г.)». LinkedIn SlideShare. Жюльен Саймон. Получено 23 октября 2018.
  14. ^ Соседо, Алехандро. «Масштабируемая наука о данных / машинное обучение: состояние DataOps / MLOps в 2018 году». MachineLearning.AI. Алехандро Сауседо. Получено 9 сентября 2018.
  15. ^ Талагала, Ниша. «Оперативное машинное обучение: семь факторов успешной MLOps». KDNuggets. KDNuggets. Получено 1 апреля 2018.
  16. ^ Бэнкс, Эринк. "BD Podcast Ep 34 - Использование ИИ с MLOps на основе ParallelM". Борода больших данных. Борода больших данных. Получено 17 июля 2018.
  17. ^ Сато, Каз. «Что такое ML Ops? Решения и лучшие практики для применения DevOps в производственных сервисах машинного обучения». Конференция по искусственному интеллекту. О'Рейли. Получено 10 октября 2018.
  18. ^ "ModelOps RFP". ModelOps: Центр ресурсов ModelOps и MLOps. Получено 30 октября 2020.
  19. ^ Уолш, Ник. «Рост количественно-ориентированных разработчиков и потребность в стандартизированных MLOps». Слайды. Ник Уолш. Получено 1 января 2018.
  20. ^ Надзиратель, Пит. «Кризис воспроизводимости машинного обучения». Блог Пита Уордена. Пит Уорден. Получено 19 марта 2018.
  21. ^ Надзиратель, Пит. «Кризис воспроизводимости машинного обучения». Блог Пита Уордена. Пит Уорден. Получено 10 марта 2018.
  22. ^ Воан, Джек. «Алгоритмы машинного обучения соответствуют управлению данными». SearchDataManagement. TechTarget. Получено 1 сентября 2017.
  23. ^ Лорика, Бен. «Как обучить и развернуть глубокое обучение в любом масштабе». О'Рейли. О'Рейли. Получено 15 марта 2018.
  24. ^ Гарда, Натали. «Интернет вещей и машинное обучение: почему сотрудничество так важно». IoT Tech Expo. Encore Media Group. Получено 12 октября 2017.
  25. ^ Маника, Джеймс. «Что сейчас и дальше в аналитике, искусственном интеллекте и автоматизации». McKinsey. Глобальный институт McKinsey. Получено 1 мая 2017.
  26. ^ Хавив, Ярон. «Проблемы, решения и будущие тенденции MLOps». Игуасио. Игуасио. Получено 19 февраля 2020.
  27. ^ Уолш, Ник. «Рост количественно-ориентированных разработчиков и потребность в стандартизированных MLOps». Слайды. Ник Уолш. Получено 1 января 2018.