MLOps: મશીન લર્નિંગ વિશ્વમાં DevOps

2018 માં, MLOps નો ખ્યાલ વ્યાવસાયિક વર્તુળોમાં અને AI ને સમર્પિત વિષયોની પરિષદોમાં દેખાયો, જેણે ઝડપથી ઉદ્યોગમાં પકડ મેળવી અને હવે એક સ્વતંત્ર દિશા તરીકે વિકાસ કરી રહ્યો છે. ભવિષ્યમાં, MLOps ITમાં સૌથી વધુ લોકપ્રિય ક્ષેત્રોમાંનું એક બની શકે છે. તે શું છે અને તેની સાથે શું ખાવામાં આવે છે? ચાલો નીચે જાણીએ.

MLOps શું છે

MLOps (મશીન લર્નિંગ ટેક્નોલોજીઓ અને પ્રક્રિયાઓ અને વિકસિત મોડલને વ્યવસાય પ્રક્રિયાઓમાં અમલમાં મૂકવાના અભિગમોનું સંયોજન) એ આર્ટિફિશિયલ ઇન્ટેલિજન્સ સિસ્ટમ્સ બનાવતી વખતે બિઝનેસ પ્રતિનિધિઓ, વૈજ્ઞાનિકો, ગણિતશાસ્ત્રીઓ, મશીન લર્નિંગ નિષ્ણાતો અને IT એન્જિનિયરો વચ્ચેના સહયોગનો એક નવો માર્ગ છે.

બીજા શબ્દોમાં કહીએ તો, તે મશીન લર્નિંગ પદ્ધતિઓ અને તકનીકોને વ્યવસાયિક સમસ્યાઓના ઉકેલ માટે ઉપયોગી સાધનમાં ફેરવવાનો એક માર્ગ છે. 

તે સમજવું જરૂરી છે કે ઉત્પાદકતાની સાંકળ મોડેલના વિકાસના ઘણા સમય પહેલા શરૂ થાય છે. તેનું પ્રથમ પગલું વ્યવસાય સમસ્યાને વ્યાખ્યાયિત કરવાનું છે, ડેટામાંથી કાઢી શકાય તેવા મૂલ્ય વિશેની પૂર્વધારણા અને તેને લાગુ કરવા માટેનો વ્યવસાયિક વિચાર. 

MLOps નો ખ્યાલ મશીન લર્નિંગ મૉડલ્સ અને ટેક્નૉલૉજીના સંબંધમાં DevOps ની વિભાવનાની સમાનતા તરીકે ઉભો થયો હતો. DevOps એ સૉફ્ટવેર ડેવલપમેન્ટ માટેનો એક અભિગમ છે જે તમને સતત વિકાસ, સંખ્યાબંધ સ્વતંત્ર માઇક્રોસર્વિસિસમાં ફંક્શનનું વિભાજન, સ્વચાલિત પરીક્ષણ અને વ્યક્તિગતની જમાવટ સહિત સંખ્યાબંધ અભિગમોનો ઉપયોગ કરીને લવચીકતા અને વિશ્વસનીયતા જાળવી રાખીને વ્યક્તિગત ફેરફારોના અમલીકરણની ઝડપ વધારવા માટે પરવાનગી આપે છે. ફેરફારો, વૈશ્વિક આરોગ્ય દેખરેખ, શોધાયેલ નિષ્ફળતાઓ માટે ઝડપી પ્રતિસાદ પ્રણાલી, વગેરે. 

DevOps એ સૉફ્ટવેર જીવનચક્રને વ્યાખ્યાયિત કર્યું છે, અને સમુદાય મોટા ડેટા પર સમાન પદ્ધતિ લાગુ કરવાનો વિચાર સાથે આવ્યો છે. DataOps એ વૈવિધ્યસભર અને ઇન્ટરઓપરેબલ પ્લેટફોર્મ્સમાં મોટી માત્રામાં ડેટા સ્ટોર કરવા, ટ્રાન્સમિટ કરવા અને પ્રોસેસ કરવાની વિશેષતાઓને ધ્યાનમાં લઈને પદ્ધતિને અનુકૂલન અને વિસ્તૃત કરવાનો પ્રયાસ છે.
  
એન્ટરપ્રાઇઝીસની વ્યાપાર પ્રક્રિયાઓમાં અમલમાં મૂકાયેલા મશીન લર્નિંગ મોડલ્સના ચોક્કસ જટિલ સમૂહના આગમન સાથે, ગાણિતિક મશીન લર્નિંગ મોડલ્સના જીવન ચક્ર અને સોફ્ટવેર જીવન ચક્ર વચ્ચે મજબૂત સમાનતા જોવા મળી હતી. માત્ર એટલો જ તફાવત છે કે મોડલ અલ્ગોરિધમ્સ મશીન લર્નિંગ ટૂલ્સ અને પદ્ધતિઓનો ઉપયોગ કરીને બનાવવામાં આવે છે. તેથી, વિચાર કુદરતી રીતે મશીન લર્નિંગ મોડલ્સ માટે સોફ્ટવેર ડેવલપમેન્ટ માટે પહેલાથી જાણીતા અભિગમોને લાગુ કરવા અને અનુકૂલન કરવાનો ઉદ્ભવ્યો. આમ, મશીન લર્નિંગ મોડલ્સના જીવન ચક્રમાં નીચેના મુખ્ય તબક્કાઓને ઓળખી શકાય છે:

• વ્યવસાયિક વિચારની વ્યાખ્યા;
• મોડેલ તાલીમ;
• વ્યવસાય પ્રક્રિયામાં મોડેલનું પરીક્ષણ અને અમલીકરણ;
• મોડેલની કામગીરી.

જ્યારે ઓપરેશન દરમિયાન નવા ડેટા પર મોડેલને બદલવાની અથવા ફરીથી તાલીમ આપવાની જરૂર હોય, ત્યારે ચક્ર ફરી શરૂ થાય છે - મોડેલને શુદ્ધ કરવામાં આવે છે, પરીક્ષણ કરવામાં આવે છે અને એક નવું સંસ્કરણ ગોઠવવામાં આવે છે.

પીછેહઠ. શા માટે ફરીથી તાલીમ આપવી અને ફરીથી તાલીમ આપવી નહીં? "મોડેલ રીટ્રેનિંગ" શબ્દનો બેવડો અર્થ છે: નિષ્ણાતો વચ્ચે તેનો અર્થ થાય છે મોડેલની ખામી, જ્યારે મોડેલ સારી આગાહી કરે છે, વાસ્તવમાં તાલીમ સેટ પર અનુમાનિત પરિમાણનું પુનરાવર્તન કરે છે, પરંતુ બાહ્ય ડેટા નમૂના પર વધુ ખરાબ પ્રદર્શન કરે છે. સ્વાભાવિક રીતે, આવા મોડેલ એક ખામી છે, કારણ કે આ ખામી તેના ઉપયોગને મંજૂરી આપતી નથી.

આ જીવન ચક્રમાં, DevOps ટૂલ્સનો ઉપયોગ કરવો તાર્કિક લાગે છે: સ્વચાલિત પરીક્ષણ, જમાવટ અને દેખરેખ, અલગ માઇક્રોસર્વિસિસના સ્વરૂપમાં મોડેલ ગણતરીઓ ડિઝાઇન કરવી. પરંતુ ત્યાં સંખ્યાબંધ સુવિધાઓ પણ છે જે વધારાના ML બંધનકર્તા વિના આ સાધનોનો સીધો ઉપયોગ અટકાવે છે.

મૉડલને કેવી રીતે કામ કરવું અને નફાકારક બનવું

ઉદાહરણ તરીકે અમે MLOps અભિગમનો ઉપયોગ દર્શાવીશું, અમે બેંકિંગ (અથવા અન્ય કોઈપણ) ઉત્પાદન માટે ચેટ સપોર્ટને રોબોટાઇઝ કરવાનું ઉત્તમ કાર્ય કરીશું. સામાન્ય રીતે, ચેટ સપોર્ટ વ્યવસાય પ્રક્રિયા આના જેવી દેખાય છે: ક્લાયંટ ચેટમાં પ્રશ્ન સાથે સંદેશ દાખલ કરે છે અને પૂર્વવ્યાખ્યાયિત સંવાદ ટ્રીની અંદર નિષ્ણાત પાસેથી પ્રતિસાદ મેળવે છે. આવી ચેટને સ્વચાલિત કરવાનું કાર્ય સામાન્ય રીતે નિપુણતાથી વ્યાખ્યાયિત નિયમોના સેટનો ઉપયોગ કરીને ઉકેલવામાં આવે છે, જે વિકસાવવા અને જાળવવા માટે ખૂબ જ શ્રમ-સઘન હોય છે. આવા ઓટોમેશનની કાર્યક્ષમતા, કાર્યની જટિલતાના સ્તરના આધારે, 20-30% હોઈ શકે છે. સ્વાભાવિક રીતે, એવો વિચાર ઊભો થાય છે કે આર્ટિફિશિયલ ઇન્ટેલિજન્સ મોડ્યુલનો અમલ કરવો વધુ નફાકારક છે - મશીન લર્નિંગનો ઉપયોગ કરીને વિકસિત મોડેલ, જે:

• ઑપરેટરની સહભાગિતા વિના મોટી સંખ્યામાં વિનંતીઓ પર પ્રક્રિયા કરવામાં સક્ષમ છે (વિષય પર આધાર રાખીને, કેટલાક કિસ્સાઓમાં કાર્યક્ષમતા 70-80% સુધી પહોંચી શકે છે);
• સંવાદમાં બિન-માનક શબ્દોને વધુ સારી રીતે અપનાવે છે - સ્પષ્ટ રીતે ઘડવામાં આવેલી વિનંતીના આધારે હેતુ, વપરાશકર્તાની વાસ્તવિક ઇચ્છા નક્કી કરવામાં સક્ષમ છે;
• જ્યારે મોડેલનો જવાબ પર્યાપ્ત છે ત્યારે કેવી રીતે નિર્ધારિત કરવું તે જાણે છે, અને જ્યારે આ જવાબની "જાગૃતિ" વિશે શંકા હોય અને તમારે વધારાના સ્પષ્ટતા પ્રશ્ન પૂછવાની અથવા ઑપરેટર પર સ્વિચ કરવાની જરૂર હોય;
• વધુમાં આપમેળે પ્રશિક્ષિત થઈ શકે છે (વિકાસકર્તાઓના જૂથને સતત પ્રતિભાવ સ્ક્રિપ્ટ્સને અનુકૂલિત કરવા અને સુધારવાને બદલે, મોડેલને યોગ્ય મશીન લર્નિંગ લાઇબ્રેરીઓનો ઉપયોગ કરીને ડેટા સાયન્સ નિષ્ણાત દ્વારા વધારાની તાલીમ આપવામાં આવે છે). 

આવા અદ્યતન મોડેલને કેવી રીતે કાર્ય કરવું? 

અન્ય કોઈપણ સમસ્યાના ઉકેલની જેમ, આવા મોડ્યુલ વિકસાવતા પહેલા, વ્યવસાય પ્રક્રિયાને વ્યાખ્યાયિત કરવી અને ઔપચારિક રીતે વિશિષ્ટ કાર્યનું વર્ણન કરવું જરૂરી છે જેને આપણે મશીન લર્નિંગ પદ્ધતિનો ઉપયોગ કરીને હલ કરીશું. આ બિંદુએ, ઓપરેશનલાઇઝેશનની પ્રક્રિયા, ટૂંકાક્ષર ઓપ્સ દ્વારા નિયુક્ત, શરૂ થાય છે. 

આગળનું પગલું એ છે કે ડેટા સાયન્ટિસ્ટ, ડેટા એન્જિનિયર સાથે મળીને, ડેટાની ઉપલબ્ધતા અને પર્યાપ્તતા અને વ્યવસાયિક વિચારની સદ્ધરતા વિશેની વ્યવસાય પૂર્વધારણાને તપાસે છે, પ્રોટોટાઇપ મોડેલ વિકસાવે છે અને તેની વાસ્તવિક અસરકારકતાનું પરીક્ષણ કરે છે. વ્યવસાય દ્વારા પુષ્ટિ કર્યા પછી જ એક મોડેલ વિકસાવવાથી તેને સિસ્ટમોમાં એકીકૃત કરવા માટેનું સંક્રમણ શરૂ થઈ શકે છે જે ચોક્કસ વ્યવસાય પ્રક્રિયા કરે છે. એન્ડ-ટુ-એન્ડ અમલીકરણ આયોજન, મોડેલનો ઉપયોગ કેવી રીતે કરવામાં આવશે અને તે કઈ આર્થિક અસર લાવશે તેની દરેક તબક્કે ઊંડી સમજ, કંપનીના તકનીકી લેન્ડસ્કેપમાં MLOps અભિગમો રજૂ કરવાની પ્રક્રિયામાં એક મૂળભૂત મુદ્દો છે.

AI ટેક્નોલોજીના વિકાસ સાથે, મશીન લર્નિંગનો ઉપયોગ કરીને ઉકેલી શકાય તેવી સમસ્યાઓની સંખ્યા અને વિવિધતા ઝડપથી વધી રહી છે. આવી દરેક વ્યવસાયિક પ્રક્રિયા સામૂહિક કર્મચારીઓ (કોલ સેન્ટર, દસ્તાવેજોની ચકાસણી અને વર્ગીકરણ વગેરે) ના ઓટોમેશનને કારણે કંપની માટે બચત છે, તે નવા આકર્ષક અને અનુકૂળ કાર્યો ઉમેરીને ક્લાયન્ટ બેઝનું વિસ્તરણ છે, તે સંસાધનોના શ્રેષ્ઠ ઉપયોગ અને પુનઃવિતરણને કારણે નાણાંની બચત થાય છે અને ઘણું બધું. આખરે, કોઈપણ પ્રક્રિયા મૂલ્ય બનાવવા પર કેન્દ્રિત છે અને પરિણામે, ચોક્કસ આર્થિક અસર લાવવી જોઈએ. અહીં વ્યવસાયિક વિચારને સ્પષ્ટ રીતે ઘડવો અને કંપનીના એકંદર મૂલ્ય નિર્માણ માળખામાં મોડેલને અમલમાં મૂકવાથી અપેક્ષિત નફાની ગણતરી કરવી ખૂબ જ મહત્વપૂર્ણ છે. એવી પરિસ્થિતિઓ હોય છે જ્યારે મોડેલને અમલમાં મૂકવું એ પોતાને ન્યાયી ઠેરવતું નથી, અને મશીન લર્નિંગ નિષ્ણાતો દ્વારા વિતાવેલો સમય આ કાર્ય કરી રહેલા ઑપરેટરના કાર્યસ્થળ કરતાં વધુ ખર્ચાળ છે. એટલા માટે AI સિસ્ટમ બનાવવાના પ્રારંભિક તબક્કામાં આવા કિસ્સાઓને ઓળખવાનો પ્રયાસ કરવો જરૂરી છે.

પરિણામે, MLOps પ્રક્રિયામાં વ્યવસાયની સમસ્યા યોગ્ય રીતે ઘડવામાં આવી હોય, પ્રાથમિકતાઓ નિર્ધારિત કરવામાં આવી હોય, અને વિકાસના પ્રારંભિક તબક્કામાં મોડેલને સિસ્ટમમાં દાખલ કરવાની પ્રક્રિયા ઘડવામાં આવી હોય ત્યારે જ મોડેલો નફો મેળવવાનું શરૂ કરે છે.

નવી પ્રક્રિયા - નવા પડકારો

સમસ્યાઓના ઉકેલ માટે ML મોડલ કેટલા લાગુ પડે છે તે અંગેના મૂળભૂત વ્યવસાયિક પ્રશ્નનો વ્યાપક જવાબ, AI માં વિશ્વાસનો સામાન્ય મુદ્દો એ MLOps અભિગમોના વિકાસ અને અમલીકરણની પ્રક્રિયામાં મુખ્ય પડકારોમાંનો એક છે. શરૂઆતમાં, વ્યવસાયો પ્રક્રિયાઓમાં મશીન લર્નિંગની રજૂઆત વિશે શંકાસ્પદ છે - તે સ્થાનો પર મોડેલો પર આધાર રાખવો મુશ્કેલ છે જ્યાં અગાઉ, એક નિયમ તરીકે, લોકો કામ કરતા હતા. વ્યવસાય માટે, પ્રોગ્રામ્સ "બ્લેક બોક્સ" તરીકે દેખાય છે, જેની સુસંગતતા હજુ પણ સાબિત કરવાની જરૂર છે. વધુમાં, બેંકિંગમાં, ટેલિકોમ ઓપરેટરો અને અન્યોના વ્યવસાયમાં, સરકારી નિયમનકારોની કડક આવશ્યકતાઓ છે. બેંકિંગ પ્રક્રિયાઓમાં લાગુ કરવામાં આવતી તમામ સિસ્ટમો અને અલ્ગોરિધમ્સ ઓડિટને આધીન છે. આ સમસ્યાને ઉકેલવા માટે, વ્યવસાય અને નિયમનકારોને આર્ટિફિશિયલ ઇન્ટેલિજન્સ રિસ્પોન્સની માન્યતા અને શુદ્ધતા સાબિત કરવા માટે, મોડલની સાથે મોનિટરિંગ ટૂલ્સ રજૂ કરવામાં આવી રહ્યા છે. વધુમાં, એક સ્વતંત્ર માન્યતા પ્રક્રિયા છે, જે નિયમનકારી મોડલ માટે ફરજિયાત છે, જે સેન્ટ્રલ બેંકની જરૂરિયાતોને પૂર્ણ કરે છે. એક સ્વતંત્ર નિષ્ણાત જૂથ ઇનપુટ ડેટાને ધ્યાનમાં લઈને મોડેલ દ્વારા પ્રાપ્ત પરિણામોનું ઓડિટ કરે છે.

બીજો પડકાર એ છે કે મશીન લર્નિંગ મોડલનો અમલ કરતી વખતે મોડલના જોખમોનું મૂલ્યાંકન કરવું અને તેને ધ્યાનમાં લેવું. જો કોઈ વ્યક્તિ આ પ્રશ્નનો સો ટકા ખાતરી સાથે જવાબ ન આપી શકે કે તે જ ડ્રેસ સફેદ હતો કે વાદળી, તો કૃત્રિમ બુદ્ધિમત્તાને પણ ભૂલ કરવાનો અધિકાર છે. તે ધ્યાનમાં લેવું પણ યોગ્ય છે કે સમય જતાં ડેટા બદલાઈ શકે છે, અને પૂરતા પ્રમાણમાં સચોટ પરિણામ લાવવા માટે મોડલ્સને ફરીથી પ્રશિક્ષિત કરવાની જરૂર છે. વ્યવસાય પ્રક્રિયાને નુકસાન ન થાય તેની ખાતરી કરવા માટે, મોડેલના જોખમોનું સંચાલન કરવું અને મોડેલના પ્રદર્શનનું નિરીક્ષણ કરવું જરૂરી છે, તેને નિયમિતપણે નવા ડેટા પર ફરીથી તાલીમ આપવી.

પરંતુ અવિશ્વાસના પ્રથમ તબક્કા પછી, વિપરીત અસર દેખાવાનું શરૂ થાય છે. વધુ મોડલને પ્રક્રિયાઓમાં સફળતાપૂર્વક અમલમાં મૂકવામાં આવે છે, કૃત્રિમ બુદ્ધિના ઉપયોગ માટે વ્યવસાયની વધુ ભૂખ વધે છે - નવી અને નવી સમસ્યાઓ જોવા મળી રહી છે જે મશીન લર્નિંગ પદ્ધતિઓનો ઉપયોગ કરીને ઉકેલી શકાય છે. દરેક કાર્ય એક સંપૂર્ણ પ્રક્રિયાને ટ્રિગર કરે છે જેમાં ચોક્કસ ક્ષમતાઓની જરૂર હોય છે:

• ડેટા એન્જિનિયરો ડેટા તૈયાર અને પ્રક્રિયા કરે છે;
• ડેટા વૈજ્ઞાનિકો મશીન લર્નિંગ ટૂલ્સનો ઉપયોગ કરે છે અને મોડેલ વિકસાવે છે;
• આઇટી મોડેલને સિસ્ટમમાં લાગુ કરે છે;
• ML એન્જિનિયર નક્કી કરે છે કે આ મોડેલને પ્રક્રિયામાં યોગ્ય રીતે કેવી રીતે એકીકૃત કરવું, કયા IT ટૂલ્સનો ઉપયોગ કરવો, મોડેલના એપ્લિકેશન મોડની જરૂરિયાતોને આધારે, વિનંતીઓનો પ્રવાહ, પ્રતિભાવ સમય વગેરેને ધ્યાનમાં લઈને. 
• ML આર્કિટેક્ટ ડિઝાઇન કરે છે કે કેવી રીતે સોફ્ટવેર પ્રોડક્ટને ઔદ્યોગિક સિસ્ટમમાં ભૌતિક રીતે અમલમાં મૂકી શકાય.

સમગ્ર ચક્રમાં મોટી સંખ્યામાં ઉચ્ચ લાયકાત ધરાવતા નિષ્ણાતોની જરૂર છે. વ્યવસાયિક પ્રક્રિયાઓમાં એમએલ મોડલ્સના વિકાસ અને ઘૂંસપેંઠના ચોક્કસ તબક્કે, તે તારણ આપે છે કે કાર્યોની સંખ્યામાં વધારો થવાના પ્રમાણમાં નિષ્ણાતોની સંખ્યાને રેખીય રીતે માપવાનું ખર્ચાળ અને બિનઅસરકારક બની જાય છે. તેથી, MLOps પ્રક્રિયાને સ્વચાલિત કરવાનો પ્રશ્ન ઊભો થાય છે - મશીન લર્નિંગ સમસ્યાઓના ઘણા પ્રમાણભૂત વર્ગોને વ્યાખ્યાયિત કરવા, પ્રમાણભૂત ડેટા પ્રોસેસિંગ પાઇપલાઇન્સ વિકસાવવા અને મોડેલોની વધારાની તાલીમ. એક આદર્શ ચિત્રમાં, આવી સમસ્યાઓ ઉકેલવા માટે એવા વ્યાવસાયિકોની જરૂર છે જેઓ બિગ ડેટા, ડેટા સાયન્સ, DevOps અને ITના આંતરછેદ પર સમાનતામાં સમાન રીતે નિપુણ હોય. તેથી, ડેટા સાયન્સ ઉદ્યોગમાં સૌથી મોટી સમસ્યા અને MLOps પ્રક્રિયાઓનું આયોજન કરવામાં સૌથી મોટો પડકાર હાલના તાલીમ બજારમાં આવી યોગ્યતાનો અભાવ છે. આ આવશ્યકતાઓને પૂર્ણ કરનારા વિશેષજ્ઞો હાલમાં શ્રમ બજારમાં દુર્લભ છે અને તેમનું વજન સોનામાં છે.

યોગ્યતાના મુદ્દા પર

સિદ્ધાંતમાં, તમામ MLOps કાર્યો ક્લાસિક DevOps ટૂલ્સનો ઉપયોગ કરીને અને રોલ મોડેલના વિશિષ્ટ વિસ્તરણનો આશરો લીધા વિના ઉકેલી શકાય છે. પછી, જેમ આપણે ઉપર નોંધ્યું છે તેમ, ડેટા સાયન્ટિસ્ટ માત્ર ગણિતશાસ્ત્રી અને ડેટા વિશ્લેષક જ નહીં, પરંતુ સમગ્ર પાઈપલાઈનનો ગુરુ પણ હોવો જોઈએ - તે આર્કિટેક્ચરના આધારે ઘણી ભાષાઓમાં આર્કિટેક્ચર, પ્રોગ્રામિંગ મોડલ વિકસાવવા માટે જવાબદાર છે. ડેટા માર્ટ અને એપ્લિકેશનને જ જમાવવું. જો કે, એન્ડ-ટુ-એન્ડ એમએલઓપ્સ પ્રક્રિયામાં અમલમાં મૂકાયેલ તકનીકી માળખું બનાવવા માટે 80% જેટલો શ્રમ ખર્ચ થાય છે, જેનો અર્થ એ થાય છે કે એક લાયક ગણિતશાસ્ત્રી, જે ગુણવત્તાયુક્ત ડેટા સાયન્ટિસ્ટ છે, તે તેના માત્ર 20% સમય તેની વિશેષતા માટે ફાળવશે. . તેથી, મશીન લર્નિંગ મોડલ્સના અમલીકરણની પ્રક્રિયામાં સામેલ નિષ્ણાતોની ભૂમિકાઓનું વર્ણન કરવું મહત્વપૂર્ણ બની જાય છે. 

ભૂમિકાઓ કેટલી વિગતવાર દર્શાવવી જોઈએ તે એન્ટરપ્રાઇઝના કદ પર આધારિત છે. જ્યારે સ્ટાર્ટઅપમાં એક વિશેષજ્ઞ હોય છે, ઊર્જા અનામતમાં સખત કાર્યકર હોય છે, જે તેના પોતાના એન્જિનિયર, આર્કિટેક્ટ અને DevOps હોય છે ત્યારે તે એક બાબત છે. તે સંપૂર્ણપણે અલગ બાબત છે જ્યારે, મોટા એન્ટરપ્રાઇઝમાં, તમામ મોડેલ વિકાસ પ્રક્રિયાઓ કેટલાક ઉચ્ચ-સ્તરના ડેટા સાયન્સ નિષ્ણાતો પર કેન્દ્રિત હોય છે, જ્યારે પ્રોગ્રામર અથવા ડેટાબેઝ નિષ્ણાત - શ્રમ બજારમાં વધુ સામાન્ય અને ઓછી ખર્ચાળ યોગ્યતા - લઈ શકે છે. મોટાભાગના કામ પર. નિયમિત કાર્યો.

આમ, વિકસિત મોડલની ઝડપ અને ગુણવત્તા, ટીમની ઉત્પાદકતા અને તેમાં રહેલ માઇક્રોકલાઈમેટ સીધો આધાર રાખે છે કે MLOps પ્રક્રિયાને ટેકો આપવા માટે નિષ્ણાતોની પસંદગીમાં ક્યાં સીમા રહેલી છે અને વિકસિત મોડલના સંચાલનની પ્રક્રિયા કેવી રીતે ગોઠવવામાં આવે છે. .

અમારી ટીમ પહેલાથી જ શું કરી ચૂકી છે

અમે તાજેતરમાં સક્ષમતા માળખું અને MLOps પ્રક્રિયાઓ બનાવવાનું શરૂ કર્યું છે. પરંતુ મૉડલ લાઇફસાઇકલ મેનેજમેન્ટ અને સર્વિસ તરીકે મૉડલનો ઉપયોગ કરવા પરના અમારા પ્રોજેક્ટ્સ પહેલેથી જ MVP ટેસ્ટિંગ સ્ટેજમાં છે.

અમે મોટા એન્ટરપ્રાઇઝ માટે શ્રેષ્ઠ યોગ્યતા માળખું અને પ્રક્રિયામાં તમામ સહભાગીઓ વચ્ચે ક્રિયાપ્રતિક્રિયાનું સંગઠનાત્મક માળખું પણ નક્કી કર્યું છે. વ્યવસાયિક ગ્રાહકોની સમગ્ર શ્રેણીની સમસ્યાઓના નિરાકરણ માટે ચપળ ટીમોનું આયોજન કરવામાં આવ્યું હતું, અને પ્લેટફોર્મ અને ઈન્ફ્રાસ્ટ્રક્ચર બનાવવા માટે પ્રોજેક્ટ ટીમો સાથે ક્રિયાપ્રતિક્રિયાની પ્રક્રિયાની સ્થાપના કરવામાં આવી હતી, જે બાંધકામ હેઠળના MLOps બિલ્ડિંગનો પાયો છે.

ભવિષ્ય માટે પ્રશ્નો

MLOps એ એક વિકસતો વિસ્તાર છે જે યોગ્યતાઓની અછત અનુભવી રહ્યો છે અને ભવિષ્યમાં તે વેગ મેળવશે. તે દરમિયાન, DevOps વિકાસ અને પ્રથાઓ પર બિલ્ડ કરવાનું શ્રેષ્ઠ છે. MLOps નો મુખ્ય ધ્યેય વ્યવસાયિક સમસ્યાઓના ઉકેલ માટે ML મોડલ્સનો વધુ અસરકારક રીતે ઉપયોગ કરવાનો છે. પરંતુ આ ઘણા પ્રશ્નો ઉભા કરે છે:

• મોડલને ઉત્પાદનમાં લોન્ચ કરવાનો સમય કેવી રીતે ઘટાડવો?
• વિવિધ ક્ષમતાઓની ટીમો વચ્ચે અમલદારશાહી ઘર્ષણને કેવી રીતે ઘટાડવું અને સહકાર પર ધ્યાન કેવી રીતે વધારવું?
• મોડલ્સને કેવી રીતે ટ્રૅક કરવું, વર્ઝનનું સંચાલન કરવું અને અસરકારક દેખરેખનું આયોજન કેવી રીતે કરવું?
• આધુનિક ML મોડલ માટે ખરેખર ગોળાકાર જીવનચક્ર કેવી રીતે બનાવવું?
• મશીન લર્નિંગ પ્રક્રિયાને કેવી રીતે પ્રમાણિત કરવી?

આ પ્રશ્નોના જવાબો મોટે ભાગે નિર્ધારિત કરશે કે MLOps તેની સંપૂર્ણ ક્ષમતા સુધી કેટલી ઝડપથી પહોંચશે.

સોર્સ: www.habr.com