Wprowadzenie
Istnieje wzrost liczby projektów uczenia maszynowego w organizacjach ze względu na dostępność większej ilości danych, demokratyzację mocy obliczeniowej i postęp algorytmów używanych do trenowania modeli.
Jednak jedną z głównych przeszkód podczas wdrażania i skalowania projektów uczenia maszynowego jest brak jasnej strategii i silosów organizacyjnych.
Metodyka MLOps
operacje uczenia maszynowego lub mlOps mają na celu wydajniejsze skalowanie z weryfikacji koncepcji lub projektu pilotażowego do obciążenia uczenia maszynowego w środowisku produkcyjnym.
Implementowanie metodyki MLOps pomaga zwiększyć niezawodność i powtarzalność obciążeń uczenia maszynowego. Na przykład będziesz mieć możliwość monitorowania, ponownego trenowania i ponownego wdrażania modelu zawsze wtedy, gdy jest to konieczne, przy jednoczesnym zachowaniu modelu w środowisku produkcyjnym.
Celem metodyki MLOps jest zapewnienie skalowalności cyklu życia uczenia maszynowego:
- Trenowanie modelu
- Model pakietu
- Weryfikowanie modelu
- Wdrażanie modelu
- Monitorowanie modelu
- Ponowne trenowanie modelu
Metodyka MLOps wymaga wielu ról i wielu narzędzi. Analitycy danych często koncentrują się na wszystkich zadaniach związanych z trenowaniem modelu, nazywanych również pętlą wewnętrzną .
Aby spakować i wdrożyć model, analitycy danych mogą potrzebować pomocy inżynierów uczenia maszynowego, którzy stosują praktyki DevOps w celu skalowania modeli uczenia maszynowego.
Przyjęcie wytrenowanego modelu i wdrożenie go w środowisku produkcyjnym jest często określane jako pętla zewnętrzna . W pętli zewnętrznej model jest pakowany, weryfikowany, wdrażany i monitorowany. Gdy zdecydujesz, że model musi zostać ponownie wytrenowany, wróć do pętli wewnętrznej, aby wprowadzić zmiany w modelu.
Metodyka DevOps
Korzystanie z zasad metodyki DevOps, takich jak elastyczne planowanie, może pomóc zespołowi w organizacji pracy i szybszym tworzeniu produktów końcowych. Dzięki kontroli źródłamożna ułatwić współpracę nad projektami. Dzięki automatyzacji można przyspieszyć cykl życia uczenia maszynowego.
W tym module przedstawione zostaną zasady metodyki DevOps oraz zwrócona uwaga na dwa powszechnie używane narzędzia: Azure DevOps i GitHub.
Cele kształcenia
W tym module dowiesz się:
- Dlaczego metodyka DevOps jest przydatna w projektach uczenia maszynowego.
- Które zasady metodyki DevOps można zastosować do projektów uczenia maszynowego.
- Jak połączyć usługi Azure DevOps i GitHub z usługą Azure Machine Learning.