Inleiding

  • 5 minuten

Er is een toename van machine learning-projecten in organisaties, omdat er meer gegevens beschikbaar zijn, de democratisering van rekenkracht en de vooruitgang in algoritmen die worden gebruikt om modellen te trainen.

Een van de belangrijkste obstakels bij het aannemen en schalen van machine learning-projecten is echter een gebrek aan een duidelijke strategie en organisatiesilo's.

MLOps

Machine learning-bewerkingen of MLOps willen efficiënter schalen van een proof-of-concept- of pilotproject naar een machine learning-workload in productie.

Door MLOps te implementeren, kunt u uw machine learning-workloads robuust en reproduceerbaar maken. U kunt bijvoorbeeld een model bewaken, opnieuw trainen en opnieuw implementeren wanneer dat nodig is, terwijl u altijd een model in productie houdt.

Het doel van MLOps is om de machine learning-levenscyclus schaalbaar te maken:

  1. Model trainen
  2. Pakketmodel
  3. Model valideren
  4. Model implementeren
  5. Model bewaken
  6. Model opnieuw trainen

Machine learning lifecycle

MLOps vereist meerdere rollen en meerdere hulpprogramma's. Gegevenswetenschappers richten zich vaak op alle taken met betrekking tot het trainen van het model, ook wel de binnenste lus genoemd.

Voor het verpakken en implementeren van het model hebben gegevenswetenschappers mogelijk de hulp nodig van machine learning-technici die DevOps-procedures toepassen om de machine learning-modellen te schalen.

Het nemen van een getraind model en het implementeren naar productie wordt vaak de buitenste lus genoemd. In de buitenste lus wordt het model verpakt, gevalideerd, geïmplementeerd en bewaakt. Wanneer u besluit dat het model opnieuw moet worden getraind, gaat u terug naar de binnenste lus om wijzigingen aan te brengen in het model.

DevOps

Het gebruik van DevOps-principes zoals agile planning kan uw team helpen uw werk te organiseren en sneller producten te produceren. Met broncodebeheer kunt u de samenwerking op projecten vergemakkelijken. En met automatisering kunt u de levenscyclus van machine learning versnellen.

In deze module maakt u kennis met deze DevOps-principes en markeert u twee hulpprogramma's die vaak worden gebruikt: Azure DevOps en GitHub.

Leerdoelen

In deze module leert u:

  • Waarom DevOps nuttig is voor machine learning-projecten.
  • Welke DevOps-principes kunnen worden toegepast op machine learning-projecten.
  • Azure DevOps en GitHub verbinden met Azure Machine Learning.