Хотите больше подробностей о MLOps? Обязательно подпишитесь на новостную рассылку MLOps Now.
Фото Скотт Блейк на Unsplash
Операции машинного обучения (MLOPs) — важнейший компонент современной науки о данных. Он оптимизирует процесс создания, развертывания и обслуживания моделей машинного обучения, облегчая предприятиям извлечение ценности из своих данных.
В этой статье мы рассмотрим, как моя команда перешла от нулевых моделей и инфраструктуры к развертыванию трех готовых к эксплуатации моделей всего за три месяца с использованием принципов MLOps. Мы обсудим стратегии, которые мы использовали, инструменты, которые мы использовали, и уроки, которые мы извлекли на этом пути.
1. Использование внешней помощи
В то время, когда я был руководителем отдела обработки данных, я был знаком с концепцией MLOps, но еще не применял ее на практике. Чтобы начать путешествие по MLOps, мы обратились за помощью к консультанту по машинному обучению. Это партнерство позволило нам работать вместе с опытными профессионалами, которые помогали нам в процессе создания надежной инфраструктуры машинного обучения. Эта система безопасности знаний сыграла важную роль в ускорении нашего прогресса и обеспечении того, чтобы мы заложили прочную основу для наших усилий по MLOps.
2. Повышение продуктивности команды
Одним из ключевых факторов, способствовавших нашему быстрому прогрессу, был целенаправленный подход, который мы использовали с нашей командой по обработке и анализу данных. Мы сузили круг команды до трех конкретных моделей без каких-либо отклонений. Все усилия, от экспериментов до развертывания, были направлены на эти три модели, которые, как мы знали, окажут наиболее значительное влияние на бизнес. Сохраняя четкую направленность и сохраняя идеи для будущих моделей в бэклоге, мы смогли оптимизировать производительность нашей команды и быстро добиться результатов.
3. Использование существующих сред MLOps
Вместо создания собственной платформы MLOps с нуля мы решили использовать существующие инструменты и среды. Мы использовали Amazon Web Services (AWS) SageMaker, полностью управляемый сервис машинного обучения, а также некоторый пользовательский код. Это решение позволило нам значительно сократить время выхода на рынок, поскольку нам не нужно было беспокоиться о самостоятельном создании критически важных компонентов инфраструктуры. Более того, использование хорошо зарекомендовавшей себя платформы, такой как SageMaker, дало нам больше уверенности в стабильности и надежности нашей инфраструктуры.
4. Получение поддержки от бизнеса
Машинное обучение предназначено не только для отделов данных — оно приносит пользу всей организации. Чтобы обеспечить плавный переход к модельному подходу, мы сообщали о наших планах и прогрессе командам по всей компании. Привлекая заинтересованные стороны из различных отделов и интегрируя их отзывы в наш процесс разработки, мы гарантировали, что все были готовы к развертыванию наших моделей.
Заключение
Наш успех в развертывании трех моделей всего за три месяца демонстрирует силу MLOps в ускорении разработки и развертывания решений для машинного обучения. Используя внешнюю помощь, сосредоточив усилия нашей команды, используя существующие инструменты и среды, а также заручившись поддержкой бизнеса, мы смогли быстро извлечь выгоду из наших данных.
Если вы нашли эту статью полезной, обязательно:
- Дайте мне знать, что вы думаете.
- Подпишитесь на меня в Твиттере и поделитесь этой статьей со своими подписчиками.
- Подпишитесь на информационный бюллетень, чтобы получать более подробную информацию о MLOps и науке о данных.
Первоначально опубликовано на https://mlopsnow.com 26 апреля 2023 г.
