MLOps - MLOps

MLOps ("makine öğrenme "Ve" operasyonlar "), aralarında işbirliği ve iletişim için bir uygulamadır. veri bilimcileri ve operasyon uzmanları üretim ML'sini (veya derin öğrenme ) yaşam döngüsü.^[1] Benzer DevOps veya DataOps yaklaşımlarıyla, MLOps otomasyonu artırmaya ve üretim ML'sinin kalitesini iyileştirmeye çalışırken, aynı zamanda iş ve yasal gerekliliklere odaklanır. MLOps aynı zamanda bir dizi en iyi uygulama olarak başlasa da, yavaş yavaş ML yaşam döngüsü yönetimi için bağımsız bir yaklaşıma dönüşüyor. MLOps, model oluşturma ile entegrasyondan itibaren tüm yaşam döngüsü için geçerlidir (yazılım geliştirme Yaşam Döngüsü, sürekli entegrasyon /sürekli teslimat ), orkestrasyon ve dağıtım, sağlık, teşhis, yönetişim ve iş ölçümleri. Göre Gartner MLOps bir alt kümesidir ModelOps. MLOps, ML modellerinin operasyonel hale getirilmesine odaklanırken, ModelOps her tür AI modelinin operasyonel hale getirilmesini kapsar.^[2]

Tarih

Uygulamalarda devam eden makine öğrenimi kullanımının zorlukları, 2015 yılında Machine Learning Systems'de Gizli Teknik Borç başlıklı bir makalede vurgulanmıştır.^[3]

Makine öğreniminde öngörülen büyüme, 2017'den 2018'e ve yine 2018'den 2020'ye kadar ML pilotlarının ve uygulamalarının tahmini olarak ikiye katlanmasını içeriyor.^[4] Makine öğrenimine yapılan harcamaların 2021 yılına kadar 57,6 milyar dolara ulaşacağı tahmin ediliyor, bu da yıllık bileşik büyüme oranı (CAGR)% 50,1.^[5]

Raporlar, kurumsal AI girişimlerinin çoğunluğunun (% 88'e kadar) test aşamalarının ötesine geçmekte zorlandığını gösteriyor^{[kaynak belirtilmeli ]}. Ancak, yapay zeka ve makine öğrenimini gerçekten üretime sokan kuruluşlar,% 3-15'lik bir kâr marjı artışı gördü.^[6]

2018'de Google'dan makine öğrenimi üretimiyle ilgili bir sunum yaptıktan sonra^[7], MLOps^[8] ve buna yönelik yaklaşımlar, işletmelerde makine öğreniminin karmaşıklığını ve büyümesini ele alabilecek bir çözüm olarak AI / ML uzmanları, şirketler ve teknoloji gazetecileri arasında ilgi görmeye başladı.^{[9][10][11][12][13][14][15][16][17]}

Ekim 2020'de ModelOp, Inc. ModelOp.io MLOps ve ModelOps kaynakları için çevrimiçi bir merkez. Bu web sitesinin lansmanının yanı sıra, ModelOp bir Teklif İsteği (RFP) şablonu yayınladı. Sektör uzmanları ve analistleriyle yapılan görüşmelerden elde edilen bu RFP şablonu, ModelOps ve MLOps çözümlerinin işlevsel gereksinimlerini ele almak için tasarlanmıştır.^[18]

Mimari

Aşağıdakilerle ilgili zorluklar da dahil olmak üzere, kuruluşların kurum genelinde ML'yi başarılı bir şekilde uygulamalarını engelleyen bir dizi engel vardır:^[19]

• Dağıtım ve otomasyon
• Modellerin ve tahminlerin tekrar üretilebilirliği^[20]
• Teşhis^[21]
• Yönetim ve mevzuata uygunluk^[22]
• Ölçeklenebilirlik^[23]
• İşbirliği^[24]
• İş kullanımları^[25]
• İzleme ve yönetim^[26]

MLOps gibi standart bir uygulama, kuruluşların iş akışlarını optimize etmelerine ve uygulama sırasında sorunları önlemelerine yardımcı olabilecek yukarıda belirtilen alanların her birini dikkate alır.

Bir MLOps sisteminin ortak bir mimarisi, makine öğrenimi modellerinin, verilerinin ve sonuçlarının sistemler arasındaki hareketini düzenleyen MLOps aracıyla modellerin oluşturulduğu veri bilimi platformlarını ve hesaplamaların gerçekleştirildiği analitik motorları içerir.^[27]

Ayrıca bakınız

• AIOps, benzer şekilde adlandırılmış, ancak farklı bir kavram - BT ve Operasyonlarda AI (ML) kullanma.

Referanslar