Недавно я начал новую работу в стартапе машинного обучения. Я отказался, пытаясь объяснить, что я делаю с нетехническими друзьями и семьей (моя мама все еще говорит людям, что я работаю с компьютерами). Для тех из вас, кто, по крайней мере, понимает, что «ИИ» — это просто чрезмерный маркетинговый термин для машинного обучения, я могу разбить его для вас, используя последнее модное слово в этой области:
Млопс
Термин «MLOPS» (соединение машинного обучения и операций) относится к практике развертывания, управления и мониторинга моделей машинного обучения в производстве. Это требует лучших практик с области DevOps и использует их для уникальных проблем, которые возникают в системе управления машинного обучения в производстве.
Поиск интересов для «MLOPS» за последние 5 лет. Источник: Google Trends
Термин является относительно новым и быстро вырос в использовании за последний год и является прямым результатом ландшафта машинного обучения. По мере того, как предприятия получают хорошие результаты в сборе данных, проектировании и обучении моделей ML, их фокус сдвигается в направлении интеграции этих моделей в свои программные поместья. Это вызывает всевозможные новые проблемы, связанные с инфраструктурой, масштабируемостью, производительностью и мониторингом, с которыми большинство групп по науке о данных традиционно не оснащены.
Одним из подходов является разделение обязанностей между наукой данных и DevOps, как SO:
- Наука о данных — проектирование, создание и оценка моделей
- DevOps — развернуть, контролировать и управлять моделями
Сначала это кажется хорошей идеей Но нам нужно только начать задавать некоторые вопросы, чтобы увидеть, где мы могли бы бороться:
- Когда мы переучимем модель и развертываем новую версию?
- Каковы ожидаемые форматы ввода/вывода модели? Нам нужно их проверять?
- Может ли производительность модели быть оптимизирована с помощью графического процессора?
- Как мы позволяем постоянно протестировать модели? Ответ на любой из этих вопросов требует знания как самой модели, так и о сложной среде, в которой она развернута.
Реальность такова, что весь жизненный цикл системы ML тесно связан и высоко итеративен по своей природе. Производство ML является сложным и требует опыта в области разработки данных, науки о данных и DevOps. Общий термин «MLOPS» предоставляет простой способ сослаться на методы, инструменты и квалифицированные инженеры, которые населяют растущее пространство между этими дисциплинами.
Обязательная диаграмма Венна — Источник: Википедия
Mlops просто еще одно модное слово? Абсолютно! Но сейчас это лучшее, что у нас есть, и это служит важной цели.
Оригинал: «https://dev.to/ukcloudman/what-is-mlops-37lm»