Panduan ML-OPS Seri-1 – Menuju AI — Teknologi, Sains, dan Teknik Terbaik

Pengarang: Rashmi Margani

Pembelajaran mesin

Apa itu, Mengapa itu penting, pentingnya, dan banyak lagi…

Intro: Mari kita mulai dengan,

Gambar 1. Elemen Dasar /Fundamental untuk sistem ML untuk ML-Ops. Diadaptasi dari Hutang Teknis Tersembunyi dalam Sistem Pembelajaran Mesin.

Apa itu MLops?

Sederhananya, MLOps atau ML Ops adalah serangkaian praktik yang bertujuan untuk menerapkan dan memelihara model ML dalam produksi secara andal dan efisien, mulai dari mendefinisikan ruang lingkup (pernyataan masalah) proyek hingga memantau bahkan setelah penerapan untuk memastikan semuanya berjalan lancar. bekerja seperti yang diharapkan.

Sekarang pertanyaannya mungkin tentang, bagaimana DevOps VS MLOps?

Gambar 2 — 5 dimensi Google (DevOps VS MLOps)Gambar 2 — 5 dimensi Google (DevOps VS MLOps)

Mengapa penting & bagaimana membawa ML-Ops dalam kepraktisan?

Pentingnya ML-Ops:

Selama dekade terakhir, kami telah menyaksikan adopsi ML dalam aplikasi kehidupan sehari-hari. Tidak hanya untuk aplikasi esoteris seperti Dota atau AlphaGo, tetapi ML juga telah mencapai aplikasi standar yang cantik seperti terjemahan mesin, pemrosesan gambar, dan pengenalan suara.

Adopsi ini didukung oleh perkembangan infrastruktur, terutama dalam hal pemanfaatan daya komputasi. Ini telah membuka potensi pembelajaran mendalam dan ML.

Gambar 3: bersumber dari OpenAI: https://openai.com/blog/ai-and-compute

Karena AI berkembang pesat ke dalam aplikasi dan industri baru, dan penelitian membuat langkah luar biasa. Namun membangun proyek yang sukses masih sulit. Model gagal beradaptasi dengan perubahan dinamika lingkungan atau perubahan data yang menggambarkan lingkungan. Jadi kebutuhan untuk membangun praktik dan proses yang efektif seputar perancangan, pembuatan, dan penerapan model meningkat.

Oleh karena itu MLOps memainkan peran utama dalam memantau dan melakukan pemeriksaan berkala pada dependensi model, penggunaan, dan kinerja untuk memastikan bahwa itu berfungsi seperti yang diharapkan. MLOps mendorong bahwa perilaku yang diinginkan model harus direkam sebelumnya dan digunakan sebagai tolok ukur dimana ketika model berkinerja buruk atau melonjak tidak teratur, tindakan yang diperlukan diambil.

Langkah-langkah yang layak untuk membawa ML-Ops dalam kepraktisan,

> Terus pantau kualitas model Anda dalam produksi sehingga memungkinkan Anda mendeteksi penurunan kinerja, yang, pada gilirannya, merupakan isyarat untuk melatih ulang model pada data baru.

> Gunakan data terbaru untuk menangkap pola yang berkembang dan muncul.

> Coba implementasi baru seperti rekayasa fitur, perubahan arsitektur model, hiperparameter untuk meningkatkan Performace

Tiga poin yang disebutkan di atas memerlukan banyak proses manual, untuk mengatasi tantangan ini ML-Ops membantu mengotomatisasi menggunakan CI/CD dan CT.

Di Sini,

CI mengacu pada integrasi berkelanjutan: Ini tidak lagi hanya tentang menguji dan memvalidasi kode dan komponen seperti dalam kasus DevOps, tetapi juga menguji dan memvalidasi data, skema data, dan model untuk sistem ML.

CD mengacu pada pengiriman berkelanjutan: Bukan hanya tentang satu paket perangkat lunak atau layanan, tetapi jalur pelatihan ML yang secara otomatis menerapkan layanan lain seperti layanan prediksi model dalam sistem ML yang ada saat ada kebutuhan bisnis baru.

CT mengacu pada pelatihan berkelanjutan: Ini adalah properti baru, unik untuk sistem ML, yang berkaitan dengan pelatihan ulang dan penyajian model secara otomatis.

Lagi…

Gambar 4: cloud.google.com

Kedepannya dengan ML-Ops Series akan membahas secara mendetail, kepraktisan mengotomatisasi setiap langkah Ilmu Data untuk Sistem ML seperti Ekstraksi Data, Analisis Data, Persiapan Data, Pelatihan Model, Evaluasi Model, Validasi Model, Penyajian Model & Pemantauan Model Menggunakan ML pemicu pipa. Berbagai teknik dan kasus penggunaan untuk ditangani selama fase siklus hidup ML yang berbeda dan penerapan ML-ops yang mencakup keragaman teknik otomatisasi yang kuat (CI/CD) untuk memelihara sistem ML.

Tetap dengarkan…

ML-OPS Guide Series-1 awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Menuju AI