Modelo de maturidade das operações de Machine Learning

Azure Machine Learning

A finalidade desse modelo de maturidade é ajudar a esclarecer os princípios e as práticas de MLOps (operações de machine learning). O modelo de maturidade mostra a melhoria contínua na criação e na operação de um ambiente de aplicativo de machine learning em nível de produção. Você pode usá-lo como uma métrica para estabelecer os requisitos progressivos necessários para medir a maturidade de um ambiente de produção de machine learning e os processos associados.

Modelo de maturidade

O modelo de maturidade de MLOps ajuda a esclarecer os princípios e as práticas de operações de desenvolvimento (DevOps) necessários para executar um ambiente MLOps bem-sucedido. Seu objetivo é identificar lacunas que possam existir quando uma organização tenta implementar esse ambiente. Também é uma maneira de mostrar como aumentar sua capacidade de MLOps em incrementos, em vez de sobrecarregar você com os requisitos de um ambiente totalmente maduro. Use como um guia para:

Estimar o escopo do trabalho para novas participações.
Estabeleça critérios de sucesso realistas.
Identifique os resultados que você entregará na conclusão do trabalho.

Como na maioria dos modelos de maturidade, o modelo de maturidade de MLOps avalia qualitativamente pessoas/cultura, processos/estruturas e objetos/tecnologia. À medida que o nível de maturidade aumenta, aumenta a probabilidade de que incidentes ou erros levem a melhorias na qualidade dos processos de desenvolvimento e produção.

O modelo de maturidade do MLOps abrange cinco níveis de capacidade técnica:

Nível	Descrição	Destaques	Tecnologia
0	Sem MLOps	É difícil gerenciar o ciclo de vida completo do modelo de machine learning As equipes são diferentes e os lançamentos de versões são dolorosos A maioria dos sistemas existem como "caixas pretas", pouco feedback durante/pós-implantação	Compilações e implantações manuais Teste manual de modelo e aplicativo Não há acompanhamento centralizado do desempenho do modelo O treinamento do modelo é manual
1	Com DevOps, mas sem MLOps	Os lançamentos de versões são menos dolorosos que do que sem MLOps, mas dependem da Equipe de Dados para cada novo modelo Feedback ainda limitado sobre o desempenho de um modelo na produção Resultados difíceis de rastrear/reproduzir	Compilações automatizadas Testes automatizados para o código do aplicativo
2	Treinamento automatizado	O ambiente de treinamento é totalmente gerenciado e rastreável Modelo fácil de reproduzir Os lançamentos de versões são manuais, mas com baixo atrito	Treinamento de modelo automatizado Acompanhamento centralizado do desempenho do treinamento do modelo Gerenciamento de modelos
3	Implantação de modelo automatizada	Os lançamentos de versões são de baixo atrito e automáticas Rastreabilidade completa da implantação até os dados originais Todo o ambiente é gerenciado: treinamento > teste > produção	Teste A/B integrado do desempenho do modelo para implantação Testes automatizados para todos os códigos Acompanhamento centralizado do desempenho do treinamento do modelo
4	Operações automatizadas MLOps completas	Sistema completamente automatizado e facilmente monitorado Os sistemas de produção estão fornecendo informações sobre como melhorar e, em alguns casos, melhorar automaticamente através dos novos modelos Aproximando-se de um sistema de tempo de inatividade zero	Treinamento e teste de modelo automatizado Métricas detalhadas e centralizadas do modelo implantado

As tabelas a seguir identificam as características detalhadas para esse nível de maturidade do processo. O modelo continuará evoluindo.

Nível 0: Sem MLOps

Pessoas	Criação do Modelo	Versão do Modelo	Integração de Aplicativo
Cientistas de dados: compartimentalizados, sem comunicações regulares com a equipe maior Engenheiros de dados (se existirem): compartimentalizados, sem comunicações regulares com a equipe maior Engenheiros de software: compartimentalizados, recebem o modelo remotamente dos outros membros da equipe	Dados coletados manualmente Provavelmente, a computação não é gerenciada Os experimentos não são acompanhados de forma previsível O resultado final pode ser um único arquivo de modelo entregue manualmente com entradas/saídas	Processo manual O script de pontuação pode ser criado manualmente bem depois dos experimentos, sem controle de versão Lançamento de versões manipulado apenas pelo cientista ou engenheiro de dados	Depende muito da experiência do cientista de dados para implementar Lançamentos manuais de versões sempre

Nível 1: DevOps no MLOps

Pessoas	Criação do Modelo	Versão do Modelo	Integração de Aplicativo
Cientistas de dados: compartimentalizados, sem comunicações regulares com a equipe maior Engenheiros de dados (se existirem): compartimentalizados, sem comunicação regular com a equipe maior Engenheiros de software: compartimentalizados, recebem o modelo remotamente dos outros membros da equipe	O pipeline de dados coleta dados automaticamente A computação é ou não é gerenciada Os experimentos não são acompanhados de forma previsível O resultado final pode ser um único arquivo de modelo entregue manualmente com entradas/saídas	Processo manual O script de pontuação pode ser criado manualmente bem depois dos experimentos, provavelmente com controle de versão É entregue aos engenheiros de software	Existem testes de integração básicos para o modelo Depende muito da experiência do cientista de dados para implementar o modelo Lançamentos de versões automatizados O código do aplicativo tem testes de unidade

Nível 2: Treinamento Automatizado

Pessoas	Criação do Modelo	Versão do Modelo	Integração de Aplicativo
Cientistas de dados: trabalham diretamente com os engenheiros de dados para converter código de experimentação em scripts/trabalhos repetíveis Engenheiros de dados: trabalham com os cientistas de dados Engenheiros de software: compartimentalizados, recebem o modelo remotamente dos outros membros da equipe	O pipeline de dados coleta dados automaticamente Computação gerenciada Resultados de experimentos monitorados Tanto o código de treinamento quanto os modelos resultantes têm controle de versão	Lançamento de versão manual O script de pontuação tem controle de versão com testes Lançamento de versão gerenciado pela equipe de engenharia de software	Existem testes de integração básicos para o modelo Depende muito da experiência do cientista de dados para implementar o modelo O código do aplicativo tem testes de unidade

Nível 3: Implantação de Modelo Automatizada

Pessoas	Criação do Modelo	Versão do Modelo	Integração de Aplicativo
Cientistas de dados: trabalham diretamente com os engenheiros de dados para converter código de experimentação em scripts/trabalhos repetíveis Engenheiros de dados: trabalham com cientistas de dados e engenheiros de software para gerenciar entradas/saídas Engenheiros de software: trabalham com engenheiros de dados para automatizar a integração de modelos no código do aplicativo	O pipeline de dados coleta dados automaticamente Computação gerenciada Resultados de experimentos monitorados Tanto o código de treinamento quanto os modelos resultantes têm controle de versão	Lançamento de versão automático O script de pontuação tem controle de versão com testes Lançamento de versão gerenciado por pipeline de CI/CD (integração contínua e entrega contínua)	Testes de unidade e de integração para cada lançamento de versão do modelo Menos dependente da experiência do cientista de dados para implementar o modelo O código do aplicativo tem testes de unidade/integração

Nível 4: Retreinamento automatizado de MLOps completos

Pessoas	Criação do Modelo	Versão do Modelo	Integração de Aplicativo
Cientistas de dados: trabalham diretamente com os engenheiros de dados para converter código de experimentação em scripts/trabalhos repetíveis. Trabalham com engenheiros de software para identificar marcadores para engenheiros de dados Engenheiros de dados: trabalham com cientistas de dados e engenheiros de software para gerenciar entradas/saídas Engenheiros de software: trabalham com engenheiros de dados para automatizar a integração de modelos no código do aplicativo. Implementação da coleta de métricas pós-implantação	O pipeline de dados coleta dados automaticamente Retreinamento disparado automaticamente com base nas métricas de produção Computação gerenciada Resultados de experimentos monitorados Tanto o código de treinamento quanto os modelos resultantes têm controle de versão	Lançamento de Versão Automático O Script de Pontuação tem controle de versão com testes Lançamento de versão gerenciado por integração contínua e pipeline de CI/CD	Testes de Unidade e de Integração para cada lançamento de versão do modelo Menos dependente da experiência do cientista de dados para implementar o modelo O código do aplicativo tem testes de unidade/integração

Compartilhar via

Modelo de maturidade das operações de Machine Learning