In 2018, i gciorcail ghairmiúla agus ag comhdhálacha téamacha atá tiomnaithe do AI, bhí an chuma ar an gcoincheap MLOps, a fuair cos isteach go tapa sa tionscal agus tá sé ag forbairt anois mar threoir neamhspleách. Amach anseo, d'fhéadfadh sé go mbeidh MLOps ar cheann de na réimsí is mó éileamh san TF. Cad é agus cad a itear leis, tuigimid faoin gearrtha.
Cad é MLOps
Bealach nua comhair idir ionadaithe gnó, eolaithe, matamaiticeoirí, speisialtóirí meaisínfhoghlama agus innealtóirí TF is ea MLOps (cumasc teicneolaíochtaí agus próisis meaisínfhoghlama agus cuir chuige maidir le samhlacha forbartha a chur i bhfeidhm i bpróisis ghnó) i gcruthú córais hintleachta saorga.
I bhfocail eile, is bealach é modhanna agus teicneolaíochtaí meaisínfhoghlama a iompú ina uirlis úsáideach chun fadhbanna gnó a réiteach.
Ní mór a thuiscint go dtosaíonn an slabhra táirgiúlachta fada roimh fhorbairt an mhúnla. Is é an chéad chéim atá aige ná an cuspóir gnó a shainiú, an hipitéis faoin luach is féidir a bhaint as na sonraí, agus an smaoineamh gnó chun é a chur i bhfeidhm.
D’eascair coincheap an MLOps mar analaí le coincheap DevOps maidir le samhlacha agus teicneolaíochtaí meaisínfhoghlama. Is cur chuige forbartha bogearraí é DevOps a ligeann duit luas na n-athruithe aonair a mhéadú agus solúbthacht agus iontaofacht a chothabháil ag baint úsáide as roinnt cur chuige, lena n-áirítear forbairt leanúnach, scaradh feidhmeanna i roinnt microservices neamhspleácha, tástáil uathoibrithe agus imscaradh athruithe aonair, domhanda. monatóireacht sláinte, córas mearfhreagartha maidir le teipeanna braite, etc.
Sainmhínigh DevOps saolré na mbogearraí, agus tháinig an smaoineamh chun cinn sa phobal bogearraí an teicníc chéanna a chur i bhfeidhm ar shonraí móra. Is iarracht é DataOps an mhodheolaíocht a oiriúnú agus a leathnú, ag cur san áireamh na tréithe a bhaineann le méideanna móra sonraí a stóráil, a tharchur agus a phróiseáil ar ardáin éagsúla agus idirghníomhacha.
Le teacht mais chriticiúil áirithe de mhúnlaí foghlama meaisín atá leabaithe i bpróisis ghnó na bhfiontar, tugadh faoi deara cosúlacht láidir idir saolré na múnlaí matamaitice foghlama meaisín agus saolré na bogearraí. Is é an t-aon difríocht ná go gcruthaítear na halgartaim mhúnla ag baint úsáide as uirlisí agus modhanna meaisínfhoghlama. Dá bhrí sin, tháinig an smaoineamh chun cinn go nádúrtha cineálacha cur chuige atá ar eolas cheana féin a chur i bhfeidhm agus a oiriúnú maidir le forbairt bogearraí do mhúnlaí meaisínfhoghlama. Mar sin, is féidir na príomhchéimeanna seo a leanas a idirdhealú i saolré na múnlaí meaisínfhoghlama:
- smaoineamh gnó a shainiú;
- oiliúint eiseamláireach;
- tástáil agus cur i bhfeidhm na samhla sa phróiseas gnó;
- oibriú samhail.
Nuair a bhíonn sé riachtanach an tsamhail a athrú nó a athoiliúint ar shonraí nua le linn na hoibríochta, tosaíonn an timthriall as an nua - déantar an tsamhail a thabhairt chun críche, a thástáil, agus imscartar leagan nua.
Cúlú. Cén fáth an athoideachas agus gan oideachas a chur ort arís? Tá léirmhíniú dúbailte ag an téarma "athoiliúint múnla": i measc speisialtóirí ciallaíonn sé locht sa mhúnla, nuair a thuarann an tsamhail go maith, déanann sé an paraiméadar tuartha ar an tsraith oiliúna arís, ach oibríonn sé i bhfad níos measa ar an tacar sonraí seachtracha. Ar ndóigh, is locht é samhail den sórt sin, ós rud é nach gceadaíonn an locht seo é a chur i bhfeidhm.
Sa saolré seo, is cosúil go bhfuil sé loighciúil uirlisí DevOps a úsáid: tástáil uathoibrithe, imscaradh agus monatóireacht, ríomh ríomh múnla a chlárú mar mhicreirbhísí ar leithligh. Ach tá roinnt gnéithe ann a chuireann cosc ar úsáid dhíreach na n-uirlisí seo gan ML-cheangail bhreise.
Conas samhlacha a dhéanamh ag obair agus brabús a dhéanamh
Mar shampla, ina léireoimid cur i bhfeidhm an chur chuige MLOps, tabharfaimid an tasc atá anois clasaiceach chun an comhrá tacaíochta a robotáil le haghaidh táirge baincéireachta (nó aon táirge eile). Seo a leanas próiseas gnó tacaíochta comhrá tipiciúil: cuireann custaiméir ceist isteach i gcomhrá agus faigheann sé freagra ó speisialtóir laistigh de chrann dialóige réamhshainithe. Réitítear an tasc a bhaineann le comhrá den sórt sin a uathoibriú go hiondúil trí úsáid a bhaint as tacair rialacha atá sainithe go sainiúil atá an-deacair a fhorbairt agus a chothabháil. Is féidir le héifeachtacht uathoibrithe den sórt sin, ag brath ar leibhéal castachta an tasc, a bheith 20-30%. Ar ndóigh, tagann an smaoineamh chun cinn go bhfuil sé níos tairbhí modúl hintleachta saorga a chur i bhfeidhm - samhail a forbraíodh ag baint úsáide as meaisínfhoghlaim:
- in ann níos mó iarrataí a phróiseáil gan rannpháirtíocht oibreora (ag brath ar an ábhar, i gcásanna áirithe, is féidir leis an éifeachtúlacht 70-80% a bhaint amach);
- cuireann sé in oiriúint níos fearr d'fhoclaíocht neamhchaighdeánach san idirphlé - tá sé in ann a chinneadh cad é an rún agus an fonn atá ar an úsáideoir iarratas a chur le chéile nach bhfuil soiléir;
- atá in ann a chinneadh cathain is leor freagra na samhla, agus nuair a bhíonn amhras ann faoi “chomhfhios” an fhreagra seo agus gur gá ceist shoiléiriúcháin bhreise a chur nó aistriú chuig an oibreoir;
- a athoiliúint go huathoibríoch (in ionad grúpa forbróirí a bheith i gcónaí ag oiriúnú agus ag ceartú cásanna freagartha, déanann Eolaí Sonraí an tsamhail a athoiliúint ag baint úsáide as na leabharlanna meaisínfhoghlama cuí).
Conas a dhéanamh den sórt sin samhail chun cinn ag obair?
Mar a dhéantar aon tasc eile a réiteach, sula ndéantar modúl den sórt sin a fhorbairt, is gá próiseas gnó a shainiú agus cur síos foirmiúil a dhéanamh ar thasc ar leith a réiteoimid ag baint úsáide as an modh meaisínfhoghlama. Ag an bpointe seo, tosaíonn an próiseas oibríochta, arna shonrú ag an giorrúchán Ops.
Is é an chéad chéim eile ná go seiceálann an t-eolaí sonraí, i gcomhar leis an innealtóir sonraí, infhaighteacht agus leordhóthanacht na sonraí agus an hipitéis ghnó maidir le hinoibritheacht an smaoineamh gnó, ag forbairt fréamhshamhail den mhúnla agus ag seiceáil a éifeachtacht iarbhír. Ní féidir tús a chur leis an aistriú ó fhorbairt na samhla go dtí é a leabú i gcórais a dhéanann próiseas gnó ar leith ach amháin tar éis don ghnó é a dhearbhú. Tá pleanáil cur chun feidhme ceann go deireadh, tuiscint dhomhain ag gach céim ar an gcaoi a n-úsáidfear an tsamhail agus cén éifeacht eacnamaíoch a thabharfaidh sé, ina nóiméad bunúsach sna próisis chun cur chuige MLOps a thabhairt isteach i dtírdhreach teicneolaíochta na cuideachta.
Le forbairt na dteicneolaíochtaí AI, tá méadú ag teacht ar líon agus ar éagsúlacht na dtascanna is féidir a réiteach le cabhair ó fhoghlaim meaisín mar avalanche. Tá gach próiseas gnó den sórt sin ag sábháil na cuideachta trí obair na bhfostaithe de shuímh mais a uathoibriú (ionad glaonna, seiceáil agus doiciméid a shórtáil, etc.), tá sé ag leathnú bonn na gcliant trí fheidhmeanna nua tarraingteacha agus áisiúla a chur leis, rud a shábháil airgead mar gheall ar bharrfheabhsú a gcuid úsáid agus athdháileadh acmhainní agus go leor eile. I ndeireadh na dála, tá aon phróiseas dírithe ar luach a chruthú agus, mar thoradh air sin, ní mór éifeacht eacnamaíoch áirithe a thabhairt. Anseo tá sé an-tábhachtach an smaoineamh gnó a chur in iúl go soiléir agus an brabús ionchais ó chur i bhfeidhm an mhúnla a ríomh i struchtúr foriomlán chruthú luach na cuideachta. Tá cásanna ann nuair nach bhfuil údar maith le cur i bhfeidhm an mhúnla, agus tá an t-am a chaitheann speisialtóirí meaisínfhoghlama i bhfad níos daoire ná ionad oibre an oibreora atá ag déanamh an tasc seo. Sin é an fáth go bhfuil sé riachtanach iarracht a dhéanamh cásanna den sórt sin a aithint sna céimeanna tosaigh de chórais AI a chruthú.
Mar thoradh air sin, ní thosaíonn na samhlacha ag tabhairt brabúis ach amháin nuair a bhí an tasc gnó curtha le chéile i gceart sa phróiseas MLOps, socraíodh tosaíochtaí, agus foirmíodh an próiseas chun an tsamhail a thabhairt isteach sa chóras ag céimeanna tosaigh na forbartha.
Próiseas nua - dúshláin nua
Freagra uileghabhálach ar an gceist bhunúsach ghnó maidir le cé chomh infheidhme agus atá samhlacha ML maidir le fadhbanna a réiteach, tá ceist ghinearálta na muiníne in AI ar cheann de na príomhdhúshláin i bhforbairt agus i gcur i bhfeidhm cur chuige MLOps. Ar dtús, tá gnólachtaí amhrasach faoi thabhairt isteach na foghlama meaisín isteach i bpróisis - tá sé deacair a bheith ag brath ar mhúnlaí in áiteanna ina raibh daoine ag obair de ghnáth san am atá caite. Maidir le gnó, is cosúil gur “bosca dubh” iad na cláir, agus ní mór ábharthacht na bhfreagraí a chruthú fós. Ina theannta sin, i mbaincéireacht, i ngnó oibreoirí teileachumarsáide agus daoine eile, tá ceanglais dhian ar rialtóirí stáit. Tá gach córas agus algartam a chuirtear chun feidhme i bpróisis bhaincéireachta faoi réir iniúchta. Chun an fhadhb seo a réiteach, chun bailíocht agus cruinneas na bhfreagraí hintleachta saorga a chruthú do ghnólachtaí agus do rialtóirí, tá uirlisí monatóireachta á dtabhairt isteach in éineacht leis an tsamhail. Ina theannta sin, tá nós imeachta bailíochtaithe neamhspleách ann, atá éigeantach maidir le samhlacha rialála, a chomhlíonann ceanglais an Bhainc Ceannais. Déanann grúpa saineolaithe neamhspleách iniúchadh ar na torthaí a fhaigheann an tsamhail, agus na sonraí ionchuir á gcur san áireamh.
Is é an dara dúshlán measúnú agus breithniú a dhéanamh ar rioscaí samhla agus múnla meaisínfhoghlama á chur i bhfeidhm. Fiú murar féidir le duine an cheist a fhreagairt le cinnteacht iomlán an raibh an gúna sin bán nó gorm, tá sé de cheart ag hintleachta saorga botún a dhéanamh freisin. Is fiú a mheas freisin gur féidir le sonraí athrú le himeacht ama, agus ní mór samhlacha a athoiliúint chun toradh atá cruinn go leor a bhaint amach. Chun nach mbeidh an próiseas gnó thíos leis, is gá rioscaí samhla a bhainistiú agus faireachán a dhéanamh ar fheidhmíocht na samhla, agus é a athoiliúint go rialta ar shonraí nua.
Ach tar éis an chéad chéim de mistrust, tosaíonn an éifeacht os coinne le feiceáil. Dá mhéad samhlacha a thugtar isteach go rathúil i bpróisis, is ea is mó a bhíonn dúil ag an ngnó maidir le húsáid na hintleachta saorga - tá tascanna nua agus nua ann ar féidir iad a réiteach ag baint úsáide as modhanna meaisínfhoghlama. Seolann gach tasc próiseas iomlán a éilíonn inniúlachtaí áirithe:
- ullmhaíonn agus próiseálann innealtóirí sonraí sonraí;
- cuireann eolaithe sonraí uirlisí meaisínfhoghlama i bhfeidhm agus forbraíonn siad samhail;
- TF an tsamhail a chur i bhfeidhm sa chóras;
- Cinneann an t-innealtóir ML conas an múnla seo a chomhtháthú i gceart sa phróiseas, cé na huirlisí TF atá le húsáid ag brath ar na ceanglais maidir le modh cur i bhfeidhm an mhúnla, ag cur san áireamh sreabhadh na n-iarratas, am freagartha, etc.
- Dearann ailtire ML conas is féidir táirge bogearraí a chur i bhfeidhm go fisiciúil i gcóras tionsclaíoch.
Éilíonn an timthriall iomlán líon mór speisialtóirí ardcháilithe. Ag pointe áirithe forbartha agus an méid a théann samhlacha ML isteach i bpróisis ghnó, tarlaíonn sé go n-éireoidh sé costasach agus mí-éifeachtach líon na speisialtóirí a scálú go líneach i gcomhréir leis an bhfás ar líon na dtascanna. Dá bhrí sin, eascraíonn an cheist maidir le próiseas MLOps a uathoibriú - roinnt ranganna caighdeánacha d'fhadhbanna meaisínfhoghlama a shainiú, píblínte próiseála sonraí tipiciúla a fhorbairt agus samhlacha athoiliúna. Sa phictiúr idéalach, chun fadhbanna den sórt sin a réiteach, tá gá le gairmithe a bhfuil an-eolas acu ar inniúlachtaí ag acomhal BigData, Data Science, DevOps agus IT. Dá bhrí sin, is é an fhadhb is mó sa tionscal Eolaíochta Sonraí agus an dúshlán is mó maidir le próisis MLOps a eagrú ná an easpa inniúlachta den sórt sin sa mhargadh oiliúna atá ann cheana féin. Tá speisialtóirí a chomhlíonann ceanglais den sórt sin annamh i margadh an tsaothair faoi láthair agus is fiú a meáchan in ór.
Le ceist na n-inniúlachtaí
Go teoiriciúil, is féidir gach tasc MLOps a réiteach le huirlisí clasaiceacha DevOps agus gan dul i muinín síneadh sainróil. Ansin, mar a thugamar faoi deara thuas, ba cheart go mbeadh eolaí sonraí ní hamháin ina matamaiticeoir agus ina anailísí sonraí, ach freisin ina Ghúrú den phíblíne iomlán - forbairt ailtireachta, samhlacha ríomhchlárú i dteangacha éagsúla ag brath ar an ailtireacht, marglann sonraí a ullmhú agus imscaradh. thiteann ar a ghuaillí an t-iarratas féin. Mar sin féin, tógann cruthú ceangailteach teicneolaíochta a chuirtear i bhfeidhm sa phróiseas deireadh le deireadh MLOps suas le 80% de chostais saothair, rud a chiallaíonn go gcaithfidh matamaiticeoir cáilithe, atá ina Eolaí Sonraí ardcháilíochta, ach 20% de na costais saothair. am chun a speisialtachta. Dá bhrí sin, tá sé ríthábhachtach idirdhealú a dhéanamh ar róil na speisialtóirí a chuireann an próiseas chun samhlacha meaisínfhoghlama a chur i bhfeidhm i bhfeidhm.
Braitheann cé chomh mionsonraithe is ceart na róil a leagan amach ar mhéid an fhiontair. Is rud amháin é nuair a bhíonn speisialtóir amháin ag gnólacht tosaithe, oibrí i gcúlchiste na n-innealtóirí cumhachta, innealtóir, ailtire, agus DevOps ina cheart féin. Is ábhar go hiomlán difriúil é nuair a bhíonn gach próiseas forbartha múnla i bhfiontar mór dírithe ar roinnt Eolaithe Sonraí ardleibhéil, agus is féidir le ríomhchláraitheoir nó speisialtóir bunachar sonraí - inniúlacht níos coitianta agus níos saoire sa mhargadh saothair - a ghlacadh. an chuid is mó de na gnáth-thascanna.
Mar sin, i gcás ina luíonn an teorainn i rogha na speisialtóirí chun próiseas MLOps a chinntiú agus conas a eagraítear próiseas oibríochta na samhlacha forbartha a théann i bhfeidhm go díreach ar luas agus ar cháilíocht na múnlaí forbartha, ar tháirgiúlacht na foirne agus ar an microclimate ann.
Cad atá déanta cheana féin ag ár bhfoireann
Le déanaí thosaigh muid ag tógáil an chreata inniúlachta agus na próisis MLOps. Ach cheana féin, tá ár dtionscadail maidir le saolré na múnlaí a bhainistiú agus samhlacha a úsáid mar sheirbhís ag an gcéim tástála MVP.
Chinneamar freisin struchtúr barrmhaith inniúlachtaí d’fhiontar mór agus struchtúr eagraíochtúil na hidirghníomhaíochta idir rannpháirtithe uile an phróisis. Eagraíodh foirne lúfar chun fadhbanna a réiteach do speictream iomlán na gcustaiméirí gnó, chomh maith le próiseas idirghníomhaíochta le foirne tionscadail chun ardáin agus bonneagar a chruthú, atá mar bhunús le foirgneamh MLOps atá á dtógáil.
Ceisteanna don todhchaí
Is réimse é MLOps atá ag dul i méid agus a bhfuil easpa inniúlachtaí ann agus a bhainfidh móiminteam amach anseo. Idir an dá linn, is fearr cur le forbairtí agus cleachtais DevOps. Is é príomhsprioc MLOps samhlacha ML a úsáid ar bhealach níos éifeachtaí chun fadhbanna gnó a réiteach. Ach ardaíonn sé seo go leor ceisteanna:
- Conas an t-am a laghdú chun samhlacha a sheoladh i dtáirgeadh?
- Conas frithchuimilt mhaorlathach a laghdú idir foirne a bhfuil inniúlachtaí éagsúla acu agus an fócas ar chomhar a mhéadú?
- Conas samhlacha a rianú, leaganacha a bhainistiú agus monatóireacht éifeachtach a eagrú?
- Conas saolré fíor-chiorclach a chruthú do mhúnla ML nua-aimseartha?
- Conas an próiseas foghlama meaisín a chaighdeánú?
Cinnfidh freagraí na gceisteanna seo den chuid is mó cé chomh tapa agus a nochtfaidh MLOps a lánacmhainneacht.
Foinse: will.com