MLOps: মেশিন লার্নিং জগতে DevOps

2018 সালে, MLOps-এর ধারণাটি পেশাদার চেনাশোনাগুলিতে এবং AI-তে নিবেদিত বিষয়ভিত্তিক সম্মেলনে উপস্থিত হয়েছিল, যা দ্রুত শিল্পে দখল করে নেয় এবং এখন একটি স্বাধীন দিক হিসাবে বিকাশ করছে। ভবিষ্যতে, MLOps IT এর অন্যতম জনপ্রিয় ক্ষেত্র হয়ে উঠতে পারে। এটি কী এবং এটি কী দিয়ে খাওয়া হয়? আসুন নীচে জেনে নেওয়া যাক।

MLOps কি?

কৃত্রিম বুদ্ধিমত্তা ব্যবস্থা তৈরি করার সময় MLOps (মেশিন লার্নিং প্রযুক্তি এবং প্রক্রিয়াগুলি এবং বিকাশিত মডেলগুলিকে ব্যবসায়িক প্রক্রিয়ায় প্রয়োগ করার পদ্ধতির সমন্বয়) হল ব্যবসায়িক প্রতিনিধি, বিজ্ঞানী, গণিতবিদ, মেশিন লার্নিং বিশেষজ্ঞ এবং আইটি ইঞ্জিনিয়ারদের মধ্যে সহযোগিতার একটি নতুন উপায়।

অন্য কথায়, এটি মেশিন লার্নিং পদ্ধতি এবং প্রযুক্তিগুলিকে ব্যবসায়িক সমস্যা সমাধানের জন্য একটি দরকারী টুলে পরিণত করার একটি উপায়। 

এটি বুঝতে হবে যে মডেলের বিকাশের অনেক আগে উত্পাদনশীলতার শৃঙ্খল শুরু হয়। এটির প্রথম ধাপ হল একটি ব্যবসায়িক সমস্যা সংজ্ঞায়িত করা, ডেটা থেকে বের করা যেতে পারে এমন মান সম্পর্কে একটি হাইপোথিসিস এবং এটি প্রয়োগ করার জন্য একটি ব্যবসায়িক ধারণা। 

MLOps এর ধারণাটি মেশিন লার্নিং মডেল এবং প্রযুক্তির সাথে সম্পর্কিত DevOps ধারণার সাদৃশ্য হিসাবে উদ্ভূত হয়েছে। DevOps হল সফ্টওয়্যার ডেভেলপমেন্টের একটি পদ্ধতি যা আপনাকে ক্রমাগত বিকাশ, স্বতন্ত্র মাইক্রোসার্ভিসে ফাংশনগুলির বিভাজন, স্বয়ংক্রিয় পরীক্ষা এবং ব্যক্তির স্থাপন সহ বেশ কয়েকটি পদ্ধতি ব্যবহার করে নমনীয়তা এবং নির্ভরযোগ্যতা বজায় রেখে স্বতন্ত্র পরিবর্তনগুলি বাস্তবায়নের গতি বাড়াতে দেয়। পরিবর্তন, গ্লোবাল হেলথ মনিটরিং, শনাক্ত করা ব্যর্থতার জন্য দ্রুত প্রতিক্রিয়া সিস্টেম ইত্যাদি। 

DevOps সফ্টওয়্যার জীবনচক্রকে সংজ্ঞায়িত করেছে এবং সম্প্রদায়টি বড় ডেটাতে একই পদ্ধতি প্রয়োগ করার ধারণা নিয়ে এসেছে। DataOps হল বৈচিত্র্যময় এবং আন্তঃপরিচালনযোগ্য প্ল্যাটফর্মে প্রচুর পরিমাণে ডেটা সংরক্ষণ, প্রেরণ এবং প্রক্রিয়াকরণের বৈশিষ্ট্যগুলিকে বিবেচনায় নিয়ে পদ্ধতিটিকে মানিয়ে নেওয়া এবং প্রসারিত করার একটি প্রচেষ্টা।
  
এন্টারপ্রাইজগুলির ব্যবসায়িক প্রক্রিয়াগুলিতে বাস্তবায়িত মেশিন লার্নিং মডেলগুলির একটি নির্দিষ্ট সমালোচনামূলক ভরের আবির্ভাবের সাথে, গাণিতিক মেশিন লার্নিং মডেলের জীবনচক্র এবং সফ্টওয়্যার জীবনচক্রের মধ্যে একটি শক্তিশালী মিল লক্ষ্য করা গেছে। একমাত্র পার্থক্য হল যে মডেল অ্যালগরিদমগুলি মেশিন লার্নিং টুল এবং পদ্ধতি ব্যবহার করে তৈরি করা হয়। অতএব, মেশিন লার্নিং মডেলগুলির জন্য সফ্টওয়্যার বিকাশের জন্য ইতিমধ্যে পরিচিত পদ্ধতিগুলি প্রয়োগ এবং মানিয়ে নেওয়ার ধারণাটি স্বাভাবিকভাবেই উদ্ভূত হয়েছিল। এইভাবে, মেশিন লার্নিং মডেলের জীবনচক্রে নিম্নলিখিত মূল পর্যায়গুলিকে আলাদা করা যেতে পারে:

• একটি ব্যবসায়িক ধারণা সংজ্ঞায়িত করা;
• মডেল প্রশিক্ষণ;
• ব্যবসায়িক প্রক্রিয়ায় মডেলটির পরীক্ষা এবং বাস্তবায়ন;
• মডেলের অপারেশন।

যখন অপারেশন চলাকালীন নতুন ডেটাতে মডেলটিকে পরিবর্তন বা পুনরায় প্রশিক্ষণের প্রয়োজন হয়, তখন চক্রটি আবার শুরু হয় - মডেলটি পরিমার্জিত, পরীক্ষা করা হয় এবং একটি নতুন সংস্করণ স্থাপন করা হয়।

পশ্চাদপসরণ। কেন পুনরায় প্রশিক্ষণ এবং পুনরায় প্রশিক্ষণ না? "মডেল পুনঃপ্রশিক্ষণ" শব্দটির একটি দ্বৈত অর্থ রয়েছে: বিশেষজ্ঞদের মধ্যে এর অর্থ একটি মডেল ত্রুটি, যখন মডেলটি ভাল ভবিষ্যদ্বাণী করে, প্রকৃতপক্ষে প্রশিক্ষণ সেটে পূর্বাভাসিত প্যারামিটারের পুনরাবৃত্তি করে, তবে বাহ্যিক ডেটা নমুনায় আরও খারাপ কাজ করে। স্বাভাবিকভাবেই, এই জাতীয় মডেলটি একটি ত্রুটি, যেহেতু এই ত্রুটিটি এটির ব্যবহারের অনুমতি দেয় না।

এই জীবনচক্রে, DevOps সরঞ্জামগুলি ব্যবহার করা যৌক্তিক বলে মনে হয়: স্বয়ংক্রিয় পরীক্ষা, স্থাপনা এবং পর্যবেক্ষণ, পৃথক মাইক্রোসার্ভিসেসের আকারে মডেল গণনা ডিজাইন করা। কিন্তু এমন কিছু বৈশিষ্ট্যও রয়েছে যা অতিরিক্ত ML বাঁধাই ছাড়াই এই সরঞ্জামগুলির সরাসরি ব্যবহারকে বাধা দেয়।

কিভাবে মডেল কাজ এবং লাভজনক হতে

একটি উদাহরণ হিসাবে যেখানে আমরা MLOps পদ্ধতির ব্যবহার প্রদর্শন করব, আমরা একটি ব্যাঙ্কিং (বা অন্য কোনও) পণ্যের জন্য চ্যাট সমর্থন রোবটাইজ করার ক্লাসিক কাজটি গ্রহণ করব। সাধারণত, একটি চ্যাট সমর্থন ব্যবসায়িক প্রক্রিয়া এইরকম দেখায়: একটি ক্লায়েন্ট একটি চ্যাটে একটি প্রশ্ন সহ একটি বার্তা প্রবেশ করে এবং একটি পূর্বনির্ধারিত সংলাপ গাছের মধ্যে একটি বিশেষজ্ঞের কাছ থেকে একটি প্রতিক্রিয়া পায়৷ এই ধরনের চ্যাট স্বয়ংক্রিয় করার কাজটি সাধারণত দক্ষতার সাথে সংজ্ঞায়িত নিয়মগুলির সেট ব্যবহার করে সমাধান করা হয়, যা বিকাশ এবং বজায় রাখার জন্য অত্যন্ত শ্রম-নিবিড়। এই ধরনের অটোমেশনের দক্ষতা, টাস্কের জটিলতার স্তরের উপর নির্ভর করে, 20-30% হতে পারে। স্বাভাবিকভাবেই, ধারণাটি উদ্ভূত হয় যে এটি একটি কৃত্রিম বুদ্ধিমত্তা মডিউল বাস্তবায়ন করা আরও লাভজনক - একটি মডেল যা মেশিন লার্নিং ব্যবহার করে তৈরি করা হয়েছে, যা:

• অপারেটরের অংশগ্রহণ ছাড়াই বৃহত্তর সংখ্যক অনুরোধ প্রক্রিয়া করতে সক্ষম (বিষয়টির উপর নির্ভর করে, কিছু ক্ষেত্রে দক্ষতা 70-80% পর্যন্ত পৌঁছাতে পারে);
• কথোপকথনে অ-মানক শব্দের সাথে আরও ভালভাবে খাপ খায় - স্পষ্টভাবে প্রণয়নকৃত অনুরোধের ভিত্তিতে ব্যবহারকারীর আসল ইচ্ছা, উদ্দেশ্য নির্ধারণ করতে সক্ষম হয়;
• মডেলের উত্তরটি পর্যাপ্ত হলে কীভাবে নির্ধারণ করতে হয় এবং যখন এই উত্তরের "সচেতনতা" সম্পর্কে সন্দেহ থাকে এবং আপনাকে একটি অতিরিক্ত স্পষ্ট প্রশ্ন জিজ্ঞাসা করতে হবে বা অপারেটরে স্যুইচ করতে হবে;
• অতিরিক্তভাবে স্বয়ংক্রিয়ভাবে প্রশিক্ষিত হতে পারে (একদল ডেভেলপার ক্রমাগত প্রতিক্রিয়া স্ক্রিপ্টগুলিকে অভিযোজিত এবং সংশোধন করার পরিবর্তে, মডেলটিকে অতিরিক্তভাবে উপযুক্ত মেশিন লার্নিং লাইব্রেরি ব্যবহার করে ডেটা সায়েন্স বিশেষজ্ঞ দ্বারা প্রশিক্ষিত করা হয়)। 

কিভাবে এই ধরনের একটি উন্নত মডেল কাজ করতে? 

অন্য কোনো সমস্যা সমাধানের মতো, এই ধরনের একটি মডিউল তৈরি করার আগে, একটি ব্যবসায়িক প্রক্রিয়া সংজ্ঞায়িত করা এবং আমরা মেশিন লার্নিং পদ্ধতি ব্যবহার করে যে নির্দিষ্ট কাজটি সমাধান করব তা আনুষ্ঠানিকভাবে বর্ণনা করা প্রয়োজন। এই মুহুর্তে, অপারেশনালাইজেশন প্রক্রিয়া, সংক্ষিপ্ত রূপ Ops দ্বারা মনোনীত, শুরু হয়। 

পরবর্তী পদক্ষেপটি হল যে ডেটা সায়েন্টিস্ট, ডেটা ইঞ্জিনিয়ারের সাথে সহযোগিতায়, ডেটার প্রাপ্যতা এবং পর্যাপ্ততা এবং ব্যবসায়িক ধারণার কার্যকারিতা সম্পর্কে ব্যবসায়িক হাইপোথিসিস পরীক্ষা করে, একটি প্রোটোটাইপ মডেল তৈরি করে এবং এর প্রকৃত কার্যকারিতা পরীক্ষা করে। শুধুমাত্র ব্যবসার দ্বারা নিশ্চিতকরণের পরে একটি মডেল তৈরি করা থেকে এটিকে একটি নির্দিষ্ট ব্যবসায়িক প্রক্রিয়া সম্পাদনকারী সিস্টেমে একীভূত করার জন্য রূপান্তর শুরু হতে পারে। এন্ড-টু-এন্ড বাস্তবায়ন পরিকল্পনা, মডেলটি কীভাবে ব্যবহার করা হবে এবং এটি কী অর্থনৈতিক প্রভাব আনবে তার প্রতিটি পর্যায়ে গভীর উপলব্ধি, কোম্পানির প্রযুক্তিগত ল্যান্ডস্কেপে MLOps পদ্ধতির প্রবর্তনের প্রক্রিয়ার একটি মৌলিক বিষয়।

AI প্রযুক্তির বিকাশের সাথে সাথে, মেশিন লার্নিং ব্যবহার করে সমাধান করা যেতে পারে এমন সমস্যার সংখ্যা এবং বিভিন্নতা দ্রুত বৃদ্ধি পাচ্ছে। এই জাতীয় প্রতিটি ব্যবসায়িক প্রক্রিয়া কোম্পানির জন্য একটি সঞ্চয় কারণ গণ কর্মচারীদের শ্রমের স্বয়ংক্রিয়তা (কল সেন্টার, নথিপত্র যাচাই এবং বাছাই করা ইত্যাদি), এটি নতুন আকর্ষণীয় এবং সুবিধাজনক ফাংশন যোগ করে ক্লায়েন্ট বেসের একটি সম্প্রসারণ, এটি সম্পদের সর্বোত্তম ব্যবহার এবং পুনর্বন্টন এবং আরও অনেক কিছুর কারণে অর্থ সাশ্রয় হচ্ছে। পরিশেষে, যে কোনো প্রক্রিয়া মূল্য তৈরির উপর দৃষ্টি নিবদ্ধ করে এবং ফলস্বরূপ, একটি নির্দিষ্ট অর্থনৈতিক প্রভাব আনতে হবে। এখানে ব্যবসায়িক ধারণাটি স্পষ্টভাবে প্রণয়ন করা এবং কোম্পানির সামগ্রিক মূল্য তৈরির কাঠামোতে মডেলটি বাস্তবায়ন থেকে প্রত্যাশিত লাভের হিসাব করা খুবই গুরুত্বপূর্ণ। এমন পরিস্থিতি রয়েছে যখন একটি মডেল প্রয়োগ করা নিজেকে ন্যায্যতা দেয় না এবং মেশিন লার্নিং বিশেষজ্ঞদের দ্বারা ব্যয় করা সময়টি এই কাজটি সম্পাদনকারী অপারেটরের কর্মক্ষেত্রের চেয়ে অনেক বেশি ব্যয়বহুল। সেজন্য এআই সিস্টেম তৈরির প্রাথমিক পর্যায়ে এই ধরনের কেস সনাক্ত করার চেষ্টা করা প্রয়োজন।

ফলস্বরূপ, মডেলগুলি কেবল তখনই মুনাফা তৈরি করতে শুরু করে যখন MLOps প্রক্রিয়ায় ব্যবসায়িক সমস্যাটি সঠিকভাবে প্রণয়ন করা হয়, অগ্রাধিকার নির্ধারণ করা হয় এবং সিস্টেমে মডেলটি প্রবর্তনের প্রক্রিয়াটি বিকাশের প্রাথমিক পর্যায়ে প্রণয়ন করা হয়।

নতুন প্রক্রিয়া-নতুন চ্যালেঞ্জ

সমস্যা সমাধানে এমএল মডেলগুলি কতটা প্রযোজ্য সে সম্পর্কে মৌলিক ব্যবসায়িক প্রশ্নের একটি বিস্তৃত উত্তর, AI-তে আস্থার সাধারণ সমস্যা হল MLOps পদ্ধতির বিকাশ ও বাস্তবায়নের প্রক্রিয়ার অন্যতম প্রধান চ্যালেঞ্জ। প্রাথমিকভাবে, ব্যবসাগুলি প্রক্রিয়াগুলিতে মেশিন লার্নিং প্রবর্তন সম্পর্কে সন্দিহান - এমন জায়গায় মডেলগুলির উপর নির্ভর করা কঠিন যেখানে আগে, একটি নিয়ম হিসাবে, লোকেরা কাজ করত। ব্যবসার জন্য, প্রোগ্রামগুলি একটি "ব্ল্যাক বক্স" বলে মনে হয়, যার প্রাসঙ্গিকতা এখনও প্রমাণ করা দরকার। এছাড়াও, ব্যাঙ্কিং, টেলিকম অপারেটর এবং অন্যান্যদের ব্যবসায়, সরকারী নিয়ন্ত্রকদের কঠোর প্রয়োজনীয়তা রয়েছে। সমস্ত সিস্টেম এবং অ্যালগরিদম যা ব্যাঙ্কিং প্রক্রিয়াগুলিতে প্রয়োগ করা হয় নিরীক্ষা সাপেক্ষে। এই সমস্যা সমাধানের জন্য, ব্যবসায়িক এবং নিয়ন্ত্রকদের কাছে কৃত্রিম বুদ্ধিমত্তার প্রতিক্রিয়াগুলির বৈধতা এবং সঠিকতা প্রমাণ করার জন্য, মডেলের সাথে মনিটরিং সরঞ্জামগুলি চালু করা হচ্ছে। উপরন্তু, একটি স্বাধীন বৈধতা পদ্ধতি আছে, নিয়ন্ত্রক মডেলের জন্য বাধ্যতামূলক, যা কেন্দ্রীয় ব্যাংকের প্রয়োজনীয়তা পূরণ করে। একটি স্বাধীন বিশেষজ্ঞ দল ইনপুট ডেটা বিবেচনায় নিয়ে মডেল দ্বারা প্রাপ্ত ফলাফলগুলি নিরীক্ষণ করে।

দ্বিতীয় চ্যালেঞ্জ হল একটি মেশিন লার্নিং মডেল বাস্তবায়ন করার সময় মডেল ঝুঁকি মূল্যায়ন করা এবং বিবেচনা করা। সেই একই পোশাক সাদা না নীল ছিল কিনা সেই প্রশ্নের উত্তর যদি কোনো ব্যক্তি একশো শতাংশ নিশ্চিতভাবে না দিতে পারেন, তাহলে কৃত্রিম বুদ্ধিমত্তারও ভুল করার অধিকার রয়েছে। এটি বিবেচনা করাও মূল্যবান যে ডেটা সময়ের সাথে পরিবর্তিত হতে পারে এবং পর্যাপ্ত সঠিক ফলাফল তৈরি করার জন্য মডেলগুলিকে পুনরায় প্রশিক্ষণ দেওয়া দরকার। ব্যবসায়িক প্রক্রিয়া যাতে ক্ষতিগ্রস্থ না হয় তা নিশ্চিত করার জন্য, মডেলের ঝুঁকিগুলি পরিচালনা করা এবং মডেলের কার্যকারিতা নিরীক্ষণ করা, নিয়মিত নতুন ডেটাতে পুনরায় প্রশিক্ষণ দেওয়া প্রয়োজন।

কিন্তু অবিশ্বাসের প্রথম পর্যায়ের পর বিপরীত প্রভাব দেখা দিতে শুরু করে। যত বেশি মডেল সফলভাবে প্রক্রিয়ায় প্রয়োগ করা হয়, কৃত্রিম বুদ্ধিমত্তা ব্যবহারের জন্য ব্যবসার ক্ষুধা তত বাড়তে থাকে - নতুন এবং নতুন সমস্যাগুলি পাওয়া যাচ্ছে যা মেশিন লার্নিং পদ্ধতি ব্যবহার করে সমাধান করা যেতে পারে। প্রতিটি কাজ একটি সম্পূর্ণ প্রক্রিয়াকে ট্রিগার করে যার জন্য নির্দিষ্ট দক্ষতার প্রয়োজন হয়:

• তথ্য প্রকৌশলী তথ্য প্রস্তুত এবং প্রক্রিয়া;
• ডেটা সায়েন্টিস্টরা মেশিন লার্নিং টুল ব্যবহার করেন এবং একটি মডেল ডেভেলপ করেন;
• আইটি সিস্টেমে মডেল প্রয়োগ করে;
• এমএল ইঞ্জিনিয়ার নির্ধারণ করেন কিভাবে এই মডেলটিকে প্রক্রিয়ার মধ্যে সঠিকভাবে একীভূত করা যায়, কোন আইটি টুলগুলি ব্যবহার করতে হবে, মডেলের প্রয়োগের মোডের প্রয়োজনীয়তার উপর নির্ভর করে, অনুরোধের প্রবাহ, প্রতিক্রিয়ার সময় ইত্যাদি বিবেচনা করে। 
• একজন এমএল স্থপতি ডিজাইন করেন কিভাবে একটি সফ্টওয়্যার পণ্য একটি শিল্প ব্যবস্থায় শারীরিকভাবে প্রয়োগ করা যেতে পারে।

পুরো চক্রের জন্য প্রচুর সংখ্যক উচ্চ যোগ্য বিশেষজ্ঞের প্রয়োজন। ব্যবসায়িক প্রক্রিয়াগুলিতে এমএল মডেলগুলির বিকাশ এবং অনুপ্রবেশের একটি নির্দিষ্ট পর্যায়ে, এটি দেখা যাচ্ছে যে কাজের সংখ্যা বৃদ্ধির অনুপাতে বিশেষজ্ঞদের সংখ্যা রৈখিকভাবে স্কেল করা ব্যয়বহুল এবং অকার্যকর হয়ে ওঠে। অতএব, MLOps প্রক্রিয়াটিকে স্বয়ংক্রিয় করার প্রশ্ন উঠছে - মেশিন লার্নিং সমস্যার বিভিন্ন স্ট্যান্ডার্ড ক্লাস সংজ্ঞায়িত করা, স্ট্যান্ডার্ড ডেটা প্রসেসিং পাইপলাইন তৈরি করা এবং মডেলগুলির অতিরিক্ত প্রশিক্ষণ। একটি আদর্শ চিত্রে, এই ধরনের সমস্যা সমাধানের জন্য পেশাদারদের প্রয়োজন যারা বিগ ডেটা, ডেটা সায়েন্স, ডিওঅপস এবং আইটি-এর সংযোগস্থলে সমানভাবে দক্ষ। অতএব, ডেটা সায়েন্স শিল্পের সবচেয়ে বড় সমস্যা এবং MLOps প্রক্রিয়াগুলি সংগঠিত করার ক্ষেত্রে সবচেয়ে বড় চ্যালেঞ্জ হল বিদ্যমান প্রশিক্ষণের বাজারে এই ধরনের দক্ষতার অভাব। এই প্রয়োজনীয়তাগুলি পূরণকারী বিশেষজ্ঞরা বর্তমানে শ্রমবাজারে বিরল এবং তাদের ওজন সোনায় মূল্যবান।

যোগ্যতার ইস্যুতে

তাত্ত্বিকভাবে, সমস্ত MLOps কাজগুলি ক্লাসিক DevOps সরঞ্জামগুলি ব্যবহার করে এবং রোল মডেলের একটি বিশেষ এক্সটেনশন অবলম্বন না করে সমাধান করা যেতে পারে। তারপরে, যেমনটি আমরা উপরে উল্লেখ করেছি, একজন ডেটা সায়েন্টিস্টকে কেবল একজন গণিতবিদ এবং ডেটা বিশ্লেষকই নয়, পুরো পাইপলাইনের একজন গুরুও হতে হবে - তিনি স্থাপত্যের উপর নির্ভর করে বিভিন্ন ভাষায় স্থাপত্য, প্রোগ্রামিং মডেল তৈরির জন্য দায়ী। একটি ডেটা মার্ট এবং অ্যাপ্লিকেশন নিজেই স্থাপন। যাইহোক, এন্ড-টু-এন্ড MLOps প্রক্রিয়ায় বাস্তবায়িত প্রযুক্তিগত কাঠামো তৈরি করতে শ্রম খরচের 80% পর্যন্ত লাগে, যার মানে একজন যোগ্য গণিতবিদ, যিনি একজন গুণমান ডেটা সায়েন্টিস্ট, তিনি তার বিশেষত্বের জন্য শুধুমাত্র 20% সময় দেবেন। . অতএব, মেশিন লার্নিং মডেলগুলি বাস্তবায়নের প্রক্রিয়ায় জড়িত বিশেষজ্ঞদের ভূমিকা বর্ণনা করা গুরুত্বপূর্ণ হয়ে ওঠে। 

ভূমিকাগুলি কতটা বিশদভাবে বর্ণনা করা উচিত তা এন্টারপ্রাইজের আকারের উপর নির্ভর করে। এটি একটি জিনিস যখন একটি স্টার্টআপে একজন বিশেষজ্ঞ থাকে, শক্তি সংরক্ষণের একজন কঠোর কর্মী, যিনি তার নিজের প্রকৌশলী, স্থপতি এবং DevOps। এটি একটি সম্পূর্ণ ভিন্ন বিষয় যখন, একটি বৃহৎ উদ্যোগে, সমস্ত মডেল বিকাশের প্রক্রিয়াগুলি কয়েকজন উচ্চ-স্তরের ডেটা সায়েন্স বিশেষজ্ঞের উপর কেন্দ্রীভূত হয়, যখন একজন প্রোগ্রামার বা ডাটাবেস বিশেষজ্ঞ - শ্রম বাজারে আরও সাধারণ এবং কম ব্যয়বহুল দক্ষতা - নিতে পারেন বেশিরভাগ কাজে। রুটিন কাজ।

এইভাবে, উন্নত মডেলগুলির গতি এবং গুণমান, দলের উত্পাদনশীলতা এবং এতে মাইক্রোক্লাইমেট সরাসরি নির্ভর করে যে MLOps প্রক্রিয়াটিকে সমর্থন করার জন্য বিশেষজ্ঞদের নির্বাচনের ক্ষেত্রে সীমানা কোথায় অবস্থিত এবং কীভাবে উন্নত মডেলগুলির পরিচালনার প্রক্রিয়াটি সংগঠিত হয়। .

আমাদের দল ইতিমধ্যে যা করেছে

আমরা সম্প্রতি একটি সক্ষমতা কাঠামো এবং MLOps প্রক্রিয়া তৈরি শুরু করেছি। কিন্তু মডেল লাইফসাইকেল ম্যানেজমেন্ট এবং পরিষেবা হিসাবে মডেলগুলি ব্যবহার করার বিষয়ে আমাদের প্রকল্পগুলি ইতিমধ্যেই MVP পরীক্ষার পর্যায়ে রয়েছে৷

আমরা একটি বৃহৎ এন্টারপ্রাইজের জন্য সর্বোত্তম দক্ষতার কাঠামো এবং প্রক্রিয়ার সমস্ত অংশগ্রহণকারীদের মধ্যে মিথস্ক্রিয়ার সাংগঠনিক কাঠামো নির্ধারণ করেছি। ব্যবসায়িক গ্রাহকদের সমগ্র পরিসরের সমস্যা সমাধানের জন্য চটপটে দলগুলি সংগঠিত হয়েছিল, এবং প্ল্যাটফর্ম এবং অবকাঠামো তৈরি করতে প্রকল্প টিমের সাথে মিথস্ক্রিয়া করার একটি প্রক্রিয়া, যা নির্মাণাধীন MLOps বিল্ডিংয়ের ভিত্তি, প্রতিষ্ঠিত হয়েছিল।

ভবিষ্যতের জন্য প্রশ্ন

MLOps হল একটি ক্রমবর্ধমান এলাকা যা দক্ষতার অভাব অনুভব করছে এবং ভবিষ্যতে গতি পাবে। ইতিমধ্যে, DevOps বিকাশ এবং অনুশীলনগুলি তৈরি করা সর্বোত্তম। MLOps-এর মূল লক্ষ্য হল ব্যবসায়িক সমস্যা সমাধানের জন্য ML মডেলগুলিকে আরও কার্যকরভাবে ব্যবহার করা। কিন্তু এটি অনেক প্রশ্ন উত্থাপন করে:

• কিভাবে উত্পাদন মধ্যে মডেল চালু করার সময় কমাতে?
• কিভাবে বিভিন্ন দক্ষতার দলের মধ্যে আমলাতান্ত্রিক ঘর্ষণ কমাতে এবং সহযোগিতার উপর ফোকাস বাড়াতে?
• কিভাবে মডেল ট্র্যাক, সংস্করণ পরিচালনা এবং কার্যকর পর্যবেক্ষণ সংগঠিত?
• একটি আধুনিক এমএল মডেলের জন্য সত্যিকারের বৃত্তাকার জীবনচক্র কীভাবে তৈরি করবেন?
• কিভাবে মেশিন লার্নিং প্রক্রিয়া মানসম্মত?

এই প্রশ্নের উত্তরগুলি মূলত নির্ধারণ করবে কত দ্রুত MLOps তার পূর্ণ সম্ভাবনায় পৌঁছাবে।

উত্স: www.habr.com