Введение

  • 5 мин

В организациях наблюдается увеличение количества проектов машинного обучения из-за повышения доступности данных, демократизации вычислительной мощности и развития алгоритмов для обучения моделей.

Однако одним из основных препятствий при внедрении и масштабировании проектов машинного обучения является отсутствие четкой стратегии и организационных хранилищ.

MLOps

Операции машинного обучения, или MLOps, предназначены для более эффективного масштабирования в рабочей среде от подтверждения концепции или пилотного проекта до рабочей нагрузки машинного обучения.

Реализация MLOps позволяет сделать рабочие нагрузки машинного обучения надежными и воспроизводимыми. Например, с их помощью можно при необходимости отслеживать, повторно обучать и развертывать модель, не перенося ее из рабочей среды.

Цель MLOps заключается в масштабировании жизненного цикла машинного обучения:

  1. Обучение модели
  2. Создание пакета модели
  3. Проверка модели
  4. Развертывание модели
  5. Отслеживание модели
  6. Повторное обучение модели

Machine learning lifecycle

Для MLOps требуются различные роли и средства. Специалисты по обработке и анализу данных часто сосредоточены на задачах по обучению модели, которые также называются внутренним циклом.

Для создания пакета и развертывания модели специалистам по обработке и анализу данных может понадобиться помощь инженеров машинного обучения, которые применяют практики DevOps для масштабирования моделей машинного обучения.

Развертывание обученной модели в рабочей среде часто называется внешним циклом. Во внешнем цикле модель упаковывается, проверяется, развертывается и отслеживается. Когда наступает время для повторного обучения модели, она возвращается во внутренний цикл для внесения изменений.

DevOps

Использование таких принципов DevOps, как гибкое планирование, поможет вашей команде организовать работу и быстрее достичь намеченных результатов. С помощью управления исходным кодом можно упростить совместную работу над проектами. А с помощью автоматизации можно ускорить жизненный цикл машинного обучения.

В этом модуле вы познакомитесь с принципами DevOps и узнаете о двух наиболее распространенных средствах: Azure DevOps и GitHub.

Цели обучения

В этом модуле вы найдете ответы на следующие вопросы:

  • Почему DevOps полезны для проектов по машинному обучению.
  • Какие принципы DevOps можно применить к проектам по машинному обучению.
  • Как подключить Azure DevOps и GitHub к службе Машинного обучения Azure.