2018 ರಲ್ಲಿ, MLOps ಪರಿಕಲ್ಪನೆಯು ವೃತ್ತಿಪರ ವಲಯಗಳಲ್ಲಿ ಮತ್ತು AI ಗೆ ಮೀಸಲಾದ ವಿಷಯಾಧಾರಿತ ಸಮ್ಮೇಳನಗಳಲ್ಲಿ ಕಾಣಿಸಿಕೊಂಡಿತು, ಇದು ಉದ್ಯಮದಲ್ಲಿ ತ್ವರಿತವಾಗಿ ಹಿಡಿತ ಸಾಧಿಸಿತು ಮತ್ತು ಈಗ ಸ್ವತಂತ್ರ ನಿರ್ದೇಶನವಾಗಿ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತಿದೆ. ಭವಿಷ್ಯದಲ್ಲಿ, MLOps IT ಯಲ್ಲಿ ಅತ್ಯಂತ ಜನಪ್ರಿಯ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಒಂದಾಗಬಹುದು. ಅದು ಏನು ಮತ್ತು ಅದರೊಂದಿಗೆ ಏನು ತಿನ್ನಲಾಗುತ್ತದೆ? ಕೆಳಗೆ ಕಂಡುಹಿಡಿಯೋಣ.
MLOps ಎಂದರೇನು
MLOps (ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ತಂತ್ರಜ್ಞಾನಗಳು ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗಳು ಮತ್ತು ಅಭಿವೃದ್ಧಿ ಹೊಂದಿದ ಮಾದರಿಗಳನ್ನು ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಅಳವಡಿಸುವ ವಿಧಾನಗಳು) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವ್ಯವಸ್ಥೆಯನ್ನು ರಚಿಸುವಾಗ ವ್ಯಾಪಾರ ಪ್ರತಿನಿಧಿಗಳು, ವಿಜ್ಞಾನಿಗಳು, ಗಣಿತಜ್ಞರು, ಯಂತ್ರ ಕಲಿಕೆ ತಜ್ಞರು ಮತ್ತು IT ಎಂಜಿನಿಯರ್‌ಗಳ ನಡುವಿನ ಸಹಯೋಗದ ಹೊಸ ಮಾರ್ಗವಾಗಿದೆ.
ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಇದು ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳು ಮತ್ತು ತಂತ್ರಜ್ಞಾನಗಳನ್ನು ವ್ಯಾಪಾರ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಉಪಯುಕ್ತ ಸಾಧನವಾಗಿ ಪರಿವರ್ತಿಸುವ ಒಂದು ಮಾರ್ಗವಾಗಿದೆ.
ಮಾದರಿಯ ಅಭಿವೃದ್ಧಿಗೆ ಮುಂಚೆಯೇ ಉತ್ಪಾದಕತೆಯ ಸರಪಳಿಯು ಪ್ರಾರಂಭವಾಗುತ್ತದೆ ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಅವಶ್ಯಕ. ವ್ಯವಹಾರದ ಸಮಸ್ಯೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು, ಡೇಟಾದಿಂದ ಹೊರತೆಗೆಯಬಹುದಾದ ಮೌಲ್ಯದ ಬಗ್ಗೆ ಒಂದು ಊಹೆ ಮತ್ತು ಅದನ್ನು ಅನ್ವಯಿಸುವ ವ್ಯವಹಾರ ಕಲ್ಪನೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಇದರ ಮೊದಲ ಹಂತವಾಗಿದೆ.
MLOps ನ ಪರಿಕಲ್ಪನೆಯು ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳು ಮತ್ತು ತಂತ್ರಜ್ಞಾನಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ DevOps ಪರಿಕಲ್ಪನೆಗೆ ಸಾದೃಶ್ಯವಾಗಿ ಹುಟ್ಟಿಕೊಂಡಿತು. DevOps ಸಾಫ್ಟ್‌ವೇರ್ ಅಭಿವೃದ್ಧಿಗೆ ಒಂದು ವಿಧಾನವಾಗಿದ್ದು, ನಿರಂತರ ಅಭಿವೃದ್ಧಿ, ಹಲವಾರು ಸ್ವತಂತ್ರ ಮೈಕ್ರೋ ಸರ್ವೀಸ್‌ಗಳಾಗಿ ಕಾರ್ಯಗಳ ವಿಭಜನೆ, ಸ್ವಯಂಚಾಲಿತ ಪರೀಕ್ಷೆ ಮತ್ತು ವೈಯಕ್ತಿಕ ನಿಯೋಜನೆ ಸೇರಿದಂತೆ ಹಲವಾರು ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಮ್ಯತೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುವಾಗ ವೈಯಕ್ತಿಕ ಬದಲಾವಣೆಗಳ ಅನುಷ್ಠಾನದ ವೇಗವನ್ನು ಹೆಚ್ಚಿಸಲು ನಿಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಬದಲಾವಣೆಗಳು, ಜಾಗತಿಕ ಆರೋಗ್ಯ ಮೇಲ್ವಿಚಾರಣೆ, ಪತ್ತೆಯಾದ ವೈಫಲ್ಯಗಳಿಗೆ ತ್ವರಿತ ಪ್ರತಿಕ್ರಿಯೆ ವ್ಯವಸ್ಥೆ, ಇತ್ಯಾದಿ.
DevOps ಸಾಫ್ಟ್‌ವೇರ್ ಜೀವನಚಕ್ರವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿದೆ ಮತ್ತು ಸಮುದಾಯವು ಅದೇ ವಿಧಾನವನ್ನು ದೊಡ್ಡ ಡೇಟಾಗೆ ಅನ್ವಯಿಸುವ ಕಲ್ಪನೆಯೊಂದಿಗೆ ಬಂದಿದೆ. DataOps ಎನ್ನುವುದು ವೈವಿಧ್ಯಮಯ ಮತ್ತು ಇಂಟರ್‌ಆಪರೇಬಲ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವ, ರವಾನಿಸುವ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡು ವಿಧಾನವನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಮತ್ತು ವಿಸ್ತರಿಸುವ ಪ್ರಯತ್ನವಾಗಿದೆ.
ಉದ್ಯಮಗಳ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಅಳವಡಿಸಲಾದ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳ ನಿರ್ದಿಷ್ಟ ನಿರ್ಣಾಯಕ ದ್ರವ್ಯರಾಶಿಯ ಆಗಮನದೊಂದಿಗೆ, ಗಣಿತದ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳ ಜೀವನ ಚಕ್ರ ಮತ್ತು ಸಾಫ್ಟ್‌ವೇರ್ ಜೀವನ ಚಕ್ರದ ನಡುವೆ ಬಲವಾದ ಹೋಲಿಕೆಯನ್ನು ಗಮನಿಸಲಾಯಿತು. ಒಂದೇ ವ್ಯತ್ಯಾಸವೆಂದರೆ ಮಾದರಿ ಅಲ್ಗಾರಿದಮ್‌ಗಳನ್ನು ಯಂತ್ರ ಕಲಿಕೆ ಉಪಕರಣಗಳು ಮತ್ತು ವಿಧಾನಗಳನ್ನು ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ. ಆದ್ದರಿಂದ, ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳಿಗೆ ಸಾಫ್ಟ್‌ವೇರ್ ಅಭಿವೃದ್ಧಿಗೆ ಈಗಾಗಲೇ ತಿಳಿದಿರುವ ವಿಧಾನಗಳನ್ನು ಅನ್ವಯಿಸಲು ಮತ್ತು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಕಲ್ಪನೆಯು ಸ್ವಾಭಾವಿಕವಾಗಿ ಹುಟ್ಟಿಕೊಂಡಿತು. ಹೀಗಾಗಿ, ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳ ಜೀವನ ಚಕ್ರದಲ್ಲಿ ಈ ಕೆಳಗಿನ ಪ್ರಮುಖ ಹಂತಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಬಹುದು:
- ವ್ಯಾಪಾರ ಕಲ್ಪನೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು;
- ಮಾದರಿ ತರಬೇತಿ;
- ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಮಾದರಿಯ ಪರೀಕ್ಷೆ ಮತ್ತು ಅನುಷ್ಠಾನ;
- ಮಾದರಿಯ ಕಾರ್ಯಾಚರಣೆ.
ಕಾರ್ಯಾಚರಣೆಯ ಸಮಯದಲ್ಲಿ ಹೊಸ ಡೇಟಾದಲ್ಲಿ ಮಾದರಿಯನ್ನು ಬದಲಾಯಿಸುವ ಅಥವಾ ಮರುತರಬೇತಿ ಮಾಡುವ ಅಗತ್ಯವಿದ್ದಾಗ, ಚಕ್ರವು ಮತ್ತೆ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ - ಮಾದರಿಯನ್ನು ಸಂಸ್ಕರಿಸಲಾಗುತ್ತದೆ, ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಹೊಸ ಆವೃತ್ತಿಯನ್ನು ನಿಯೋಜಿಸಲಾಗುತ್ತದೆ.
ಹಿಮ್ಮೆಟ್ಟುವಿಕೆ. ಏಕೆ ಮರುತರಬೇತಿ ಮತ್ತು ಮರುತರಬೇತಿ ಇಲ್ಲ? "ಮಾದರಿ ಮರುತರಬೇತಿ" ಎಂಬ ಪದವು ಎರಡು ಅರ್ಥವನ್ನು ಹೊಂದಿದೆ: ತಜ್ಞರಲ್ಲಿ ಇದು ಮಾದರಿ ದೋಷ ಎಂದರ್ಥ, ಮಾದರಿಯು ಉತ್ತಮವಾಗಿ ಊಹಿಸಿದಾಗ, ತರಬೇತಿ ಸೆಟ್ನಲ್ಲಿ ಊಹಿಸಲಾದ ನಿಯತಾಂಕವನ್ನು ವಾಸ್ತವವಾಗಿ ಪುನರಾವರ್ತಿಸುತ್ತದೆ, ಆದರೆ ಬಾಹ್ಯ ಡೇಟಾ ಮಾದರಿಯಲ್ಲಿ ಹೆಚ್ಚು ಕೆಟ್ಟದಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಸ್ವಾಭಾವಿಕವಾಗಿ, ಅಂತಹ ಮಾದರಿಯು ದೋಷವಾಗಿದೆ, ಏಕೆಂದರೆ ಈ ದೋಷವು ಅದರ ಬಳಕೆಯನ್ನು ಅನುಮತಿಸುವುದಿಲ್ಲ.
ಈ ಜೀವನ ಚಕ್ರದಲ್ಲಿ, DevOps ಪರಿಕರಗಳನ್ನು ಬಳಸುವುದು ತಾರ್ಕಿಕವಾಗಿ ತೋರುತ್ತದೆ: ಸ್ವಯಂಚಾಲಿತ ಪರೀಕ್ಷೆ, ನಿಯೋಜನೆ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ, ಪ್ರತ್ಯೇಕ ಮೈಕ್ರೊ ಸರ್ವೀಸ್‌ಗಳ ರೂಪದಲ್ಲಿ ಮಾದರಿ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದು. ಆದರೆ ಹೆಚ್ಚುವರಿ ML ಬೈಂಡಿಂಗ್ ಇಲ್ಲದೆಯೇ ಈ ಉಪಕರಣಗಳ ನೇರ ಬಳಕೆಯನ್ನು ತಡೆಯುವ ಹಲವಾರು ವೈಶಿಷ್ಟ್ಯಗಳಿವೆ.
ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ಕೆಲಸ ಮಾಡುವುದು ಮತ್ತು ಲಾಭದಾಯಕವಾಗಿಸುವುದು
MLOps ವಿಧಾನದ ಬಳಕೆಯನ್ನು ನಾವು ಪ್ರದರ್ಶಿಸುವ ಉದಾಹರಣೆಯಾಗಿ, ಬ್ಯಾಂಕಿಂಗ್ (ಅಥವಾ ಯಾವುದೇ ಇತರ) ಉತ್ಪನ್ನಕ್ಕಾಗಿ ಚಾಟ್ ಬೆಂಬಲವನ್ನು ರೋಬೋಟ್ ಮಾಡುವ ಶ್ರೇಷ್ಠ ಕಾರ್ಯವನ್ನು ನಾವು ತೆಗೆದುಕೊಳ್ಳುತ್ತೇವೆ. ವಿಶಿಷ್ಟವಾಗಿ, ಚಾಟ್ ಬೆಂಬಲ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಯು ಈ ರೀತಿ ಕಾಣುತ್ತದೆ: ಕ್ಲೈಂಟ್ ಚಾಟ್‌ನಲ್ಲಿ ಪ್ರಶ್ನೆಯೊಂದಿಗೆ ಸಂದೇಶವನ್ನು ನಮೂದಿಸುತ್ತಾನೆ ಮತ್ತು ಪೂರ್ವನಿರ್ಧರಿತ ಸಂವಾದ ಟ್ರೀಯಲ್ಲಿ ತಜ್ಞರಿಂದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪಡೆಯುತ್ತಾನೆ. ಅಂತಹ ಚಾಟ್ ಅನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಕಾರ್ಯವನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಪರಿಣಿತವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ನಿಯಮಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪರಿಹರಿಸಲಾಗುತ್ತದೆ, ಇದು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಮತ್ತು ನಿರ್ವಹಿಸಲು ಬಹಳ ಶ್ರಮದಾಯಕವಾಗಿದೆ. ಅಂತಹ ಯಾಂತ್ರೀಕೃತಗೊಂಡ ದಕ್ಷತೆಯು, ಕಾರ್ಯದ ಸಂಕೀರ್ಣತೆಯ ಮಟ್ಟವನ್ನು ಅವಲಂಬಿಸಿ, 20-30% ಆಗಿರಬಹುದು. ನೈಸರ್ಗಿಕವಾಗಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಇದು ಹೆಚ್ಚು ಲಾಭದಾಯಕವಾಗಿದೆ ಎಂಬ ಕಲ್ಪನೆಯು ಉದ್ಭವಿಸುತ್ತದೆ - ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಮಾದರಿ, ಇದು:
- ಆಪರೇಟರ್ ಭಾಗವಹಿಸುವಿಕೆ ಇಲ್ಲದೆ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ವಿನಂತಿಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ (ವಿಷಯವನ್ನು ಅವಲಂಬಿಸಿ, ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ ದಕ್ಷತೆಯು 70-80% ತಲುಪಬಹುದು);
- ಸಂಭಾಷಣೆಯಲ್ಲಿ ಪ್ರಮಾಣಿತವಲ್ಲದ ಮಾತುಗಳಿಗೆ ಉತ್ತಮವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತದೆ - ಸ್ಪಷ್ಟವಾಗಿ ರೂಪಿಸದ ವಿನಂತಿಯ ಆಧಾರದ ಮೇಲೆ ಉದ್ದೇಶವನ್ನು, ಬಳಕೆದಾರರ ನಿಜವಾದ ಬಯಕೆಯನ್ನು ನಿರ್ಧರಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ;
- ಮಾದರಿಯ ಉತ್ತರವು ಸಮರ್ಪಕವಾಗಿದ್ದಾಗ ಹೇಗೆ ನಿರ್ಧರಿಸುವುದು ಎಂದು ತಿಳಿದಿದೆ ಮತ್ತು ಈ ಉತ್ತರದ "ಜಾಗೃತಿ" ಯ ಬಗ್ಗೆ ಅನುಮಾನಗಳು ಇದ್ದಾಗ ಮತ್ತು ನೀವು ಹೆಚ್ಚುವರಿ ಸ್ಪಷ್ಟೀಕರಣದ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳಬೇಕು ಅಥವಾ ಆಪರೇಟರ್‌ಗೆ ಬದಲಾಯಿಸಬೇಕು;
- ಹೆಚ್ಚುವರಿಯಾಗಿ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ತರಬೇತಿ ಪಡೆಯಬಹುದು (ಪ್ರತಿಕ್ರಿಯೆ ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು ನಿರಂತರವಾಗಿ ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಮತ್ತು ಸರಿಪಡಿಸುವ ಡೆವಲಪರ್‌ಗಳ ಗುಂಪಿನ ಬದಲಿಗೆ, ಸೂಕ್ತವಾದ ಯಂತ್ರ ಕಲಿಕೆ ಗ್ರಂಥಾಲಯಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಡೇಟಾ ಸೈನ್ಸ್ ತಜ್ಞರಿಂದ ಮಾದರಿಯನ್ನು ಹೆಚ್ಚುವರಿಯಾಗಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ).
ಅಂತಹ ಸುಧಾರಿತ ಮಾದರಿಯನ್ನು ಹೇಗೆ ಕೆಲಸ ಮಾಡುವುದು?
ಯಾವುದೇ ಇತರ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವಂತೆ, ಅಂತಹ ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಮೊದಲು, ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ನಾವು ಪರಿಹರಿಸುವ ನಿರ್ದಿಷ್ಟ ಕಾರ್ಯವನ್ನು ಔಪಚಾರಿಕವಾಗಿ ವಿವರಿಸುವುದು ಅವಶ್ಯಕ. ಈ ಹಂತದಲ್ಲಿ, ಓಪ್ಸ್ ಎಂಬ ಸಂಕ್ಷಿಪ್ತ ರೂಪದಿಂದ ಗೊತ್ತುಪಡಿಸಿದ ಕಾರ್ಯಾಚರಣೆಯ ಪ್ರಕ್ರಿಯೆಯು ಪ್ರಾರಂಭವಾಗುತ್ತದೆ.
ಮುಂದಿನ ಹಂತವೆಂದರೆ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು, ಡೇಟಾ ಇಂಜಿನಿಯರ್‌ನ ಸಹಯೋಗದೊಂದಿಗೆ, ಡೇಟಾದ ಲಭ್ಯತೆ ಮತ್ತು ಸಮರ್ಪಕತೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾರೆ ಮತ್ತು ವ್ಯವಹಾರ ಕಲ್ಪನೆಯ ಕಾರ್ಯಸಾಧ್ಯತೆಯ ಬಗ್ಗೆ ವ್ಯವಹಾರ ಕಲ್ಪನೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತಾರೆ, ಮೂಲಮಾದರಿಯ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಾರೆ ಮತ್ತು ಅದರ ನಿಜವಾದ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಪರೀಕ್ಷಿಸುತ್ತಾರೆ. ವ್ಯವಹಾರದಿಂದ ದೃಢೀಕರಣದ ನಂತರವೇ ಒಂದು ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದರಿಂದ ನಿರ್ದಿಷ್ಟ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನಿರ್ವಹಿಸುವ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಅದನ್ನು ಸಂಯೋಜಿಸುವ ಪರಿವರ್ತನೆಯು ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಎಂಡ್-ಟು-ಎಂಡ್ ಅನುಷ್ಠಾನ ಯೋಜನೆ, ಮಾದರಿಯನ್ನು ಹೇಗೆ ಬಳಸಲಾಗುವುದು ಮತ್ತು ಅದು ಯಾವ ಆರ್ಥಿಕ ಪರಿಣಾಮವನ್ನು ತರುತ್ತದೆ ಎಂಬುದರ ಕುರಿತು ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಆಳವಾದ ತಿಳುವಳಿಕೆ, ಕಂಪನಿಯ ತಾಂತ್ರಿಕ ಭೂದೃಶ್ಯದಲ್ಲಿ MLOps ವಿಧಾನಗಳನ್ನು ಪರಿಚಯಿಸುವ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಮೂಲಭೂತ ಅಂಶವಾಗಿದೆ.
AI ತಂತ್ರಜ್ಞಾನಗಳ ಅಭಿವೃದ್ಧಿಯೊಂದಿಗೆ, ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಪರಿಹರಿಸಬಹುದಾದ ಸಮಸ್ಯೆಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ವೈವಿಧ್ಯತೆಯು ಘಾತೀಯವಾಗಿ ಹೆಚ್ಚುತ್ತಿದೆ. ಅಂತಹ ಪ್ರತಿಯೊಂದು ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಯು ಸಾಮೂಹಿಕ ಉದ್ಯೋಗಿಗಳ ಕಾರ್ಮಿಕರ ಯಾಂತ್ರೀಕೃತಗೊಂಡ (ಕಾಲ್ ಸೆಂಟರ್, ದಾಖಲೆಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮತ್ತು ವಿಂಗಡಿಸುವುದು ಇತ್ಯಾದಿ) ಕಾರಣದಿಂದಾಗಿ ಕಂಪನಿಗೆ ಉಳಿತಾಯವಾಗಿದೆ, ಇದು ಹೊಸ ಆಕರ್ಷಕ ಮತ್ತು ಅನುಕೂಲಕರ ಕಾರ್ಯಗಳನ್ನು ಸೇರಿಸುವ ಮೂಲಕ ಕ್ಲೈಂಟ್ ಬೇಸ್ನ ವಿಸ್ತರಣೆಯಾಗಿದೆ. ಸಂಪನ್ಮೂಲಗಳ ಅತ್ಯುತ್ತಮ ಬಳಕೆ ಮತ್ತು ಮರುಹಂಚಿಕೆ ಮತ್ತು ಹೆಚ್ಚಿನದರಿಂದ ಹಣವನ್ನು ಉಳಿಸುತ್ತಿದೆ. ಅಂತಿಮವಾಗಿ, ಯಾವುದೇ ಪ್ರಕ್ರಿಯೆಯು ಮೌಲ್ಯವನ್ನು ರಚಿಸುವುದರ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿರುತ್ತದೆ ಮತ್ತು ಪರಿಣಾಮವಾಗಿ, ಒಂದು ನಿರ್ದಿಷ್ಟ ಆರ್ಥಿಕ ಪರಿಣಾಮವನ್ನು ತರಬೇಕು. ಇಲ್ಲಿ ವ್ಯವಹಾರ ಕಲ್ಪನೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ರೂಪಿಸುವುದು ಮತ್ತು ಕಂಪನಿಯ ಒಟ್ಟಾರೆ ಮೌಲ್ಯ ರಚನೆಯ ರಚನೆಯಲ್ಲಿ ಮಾದರಿಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದರಿಂದ ನಿರೀಕ್ಷಿತ ಲಾಭವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಬಹಳ ಮುಖ್ಯ. ಮಾದರಿಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವಾಗ ಸಂದರ್ಭಗಳಿವೆ, ಅದು ಸ್ವತಃ ಸಮರ್ಥಿಸುವುದಿಲ್ಲ, ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ತಜ್ಞರು ಖರ್ಚು ಮಾಡುವ ಸಮಯವು ಈ ಕಾರ್ಯವನ್ನು ನಿರ್ವಹಿಸುವ ಆಪರೇಟರ್‌ನ ಕೆಲಸದ ಸ್ಥಳಕ್ಕಿಂತ ಹೆಚ್ಚು ದುಬಾರಿಯಾಗಿದೆ. ಅದಕ್ಕಾಗಿಯೇ AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ರಚಿಸುವ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ ಅಂತಹ ಪ್ರಕರಣಗಳನ್ನು ಗುರುತಿಸಲು ಪ್ರಯತ್ನಿಸುವುದು ಅವಶ್ಯಕ.
ಪರಿಣಾಮವಾಗಿ, MLOps ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ವ್ಯವಹಾರ ಸಮಸ್ಯೆಯನ್ನು ಸರಿಯಾಗಿ ರೂಪಿಸಿದಾಗ, ಆದ್ಯತೆಗಳನ್ನು ಹೊಂದಿಸಿದಾಗ ಮತ್ತು ಮಾದರಿಯನ್ನು ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಪರಿಚಯಿಸುವ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅಭಿವೃದ್ಧಿಯ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ ರೂಪಿಸಿದಾಗ ಮಾತ್ರ ಮಾದರಿಗಳು ಲಾಭವನ್ನು ಗಳಿಸಲು ಪ್ರಾರಂಭಿಸುತ್ತವೆ.
ಹೊಸ ಪ್ರಕ್ರಿಯೆ - ಹೊಸ ಸವಾಲುಗಳು
ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ML ಮಾದರಿಗಳು ಹೇಗೆ ಅನ್ವಯಿಸುತ್ತವೆ ಎಂಬ ಮೂಲಭೂತ ವ್ಯವಹಾರದ ಪ್ರಶ್ನೆಗೆ ಸಮಗ್ರ ಉತ್ತರ, AI ಮೇಲಿನ ನಂಬಿಕೆಯ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಯು MLOps ವಿಧಾನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಮತ್ತು ಅನುಷ್ಠಾನಗೊಳಿಸುವ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಪ್ರಮುಖ ಸವಾಲುಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಆರಂಭದಲ್ಲಿ, ವ್ಯವಹಾರಗಳು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಪರಿಚಯಿಸುವ ಬಗ್ಗೆ ಸಂಶಯ ವ್ಯಕ್ತಪಡಿಸುತ್ತವೆ - ಹಿಂದೆ, ನಿಯಮದಂತೆ, ಜನರು ಕೆಲಸ ಮಾಡಿದ ಸ್ಥಳಗಳಲ್ಲಿ ಮಾದರಿಗಳನ್ನು ಅವಲಂಬಿಸುವುದು ಕಷ್ಟ. ವ್ಯವಹಾರಕ್ಕಾಗಿ, ಕಾರ್ಯಕ್ರಮಗಳು "ಕಪ್ಪು ಪೆಟ್ಟಿಗೆ" ಯಂತೆ ಕಂಡುಬರುತ್ತವೆ, ಅದರ ಪ್ರಸ್ತುತತೆ ಇನ್ನೂ ಸಾಬೀತಾಗಬೇಕಾಗಿದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಬ್ಯಾಂಕಿಂಗ್‌ನಲ್ಲಿ, ಟೆಲಿಕಾಂ ಆಪರೇಟರ್‌ಗಳು ಮತ್ತು ಇತರರ ವ್ಯವಹಾರದಲ್ಲಿ, ಸರ್ಕಾರಿ ನಿಯಂತ್ರಕರ ಕಟ್ಟುನಿಟ್ಟಾದ ಅವಶ್ಯಕತೆಗಳಿವೆ. ಬ್ಯಾಂಕಿಂಗ್ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಅಳವಡಿಸಲಾದ ಎಲ್ಲಾ ವ್ಯವಸ್ಥೆಗಳು ಮತ್ತು ಕ್ರಮಾವಳಿಗಳು ಆಡಿಟ್‌ಗೆ ಒಳಪಟ್ಟಿರುತ್ತವೆ. ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಸಿಂಧುತ್ವ ಮತ್ತು ನಿಖರತೆಯನ್ನು ವ್ಯಾಪಾರ ಮತ್ತು ನಿಯಂತ್ರಕರಿಗೆ ಸಾಬೀತುಪಡಿಸಲು, ಮಾದರಿಯೊಂದಿಗೆ ಮೇಲ್ವಿಚಾರಣಾ ಸಾಧನಗಳನ್ನು ಪರಿಚಯಿಸಲಾಗುತ್ತಿದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಕೇಂದ್ರ ಬ್ಯಾಂಕ್‌ನ ಅಗತ್ಯತೆಗಳನ್ನು ಪೂರೈಸುವ ನಿಯಂತ್ರಕ ಮಾದರಿಗಳಿಗೆ ಕಡ್ಡಾಯವಾದ ಸ್ವತಂತ್ರ ಮೌಲ್ಯೀಕರಣ ಕಾರ್ಯವಿಧಾನವಿದೆ. ಸ್ವತಂತ್ರ ತಜ್ಞರ ಗುಂಪು ಇನ್‌ಪುಟ್ ಡೇಟಾವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡು ಮಾದರಿಯಿಂದ ಪಡೆದ ಫಲಿತಾಂಶಗಳನ್ನು ಲೆಕ್ಕಪರಿಶೋಧಿಸುತ್ತದೆ.
ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವಾಗ ಮಾದರಿ ಅಪಾಯಗಳನ್ನು ನಿರ್ಣಯಿಸುವುದು ಮತ್ತು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದು ಎರಡನೆಯ ಸವಾಲು. ಒಬ್ಬ ವ್ಯಕ್ತಿಯು ಅದೇ ಉಡುಗೆ ಬಿಳಿ ಅಥವಾ ನೀಲಿ ಎಂಬ ಪ್ರಶ್ನೆಗೆ ನೂರು ಪ್ರತಿಶತ ಖಚಿತವಾಗಿ ಉತ್ತರಿಸಲು ಸಾಧ್ಯವಾಗದಿದ್ದರೂ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ತಪ್ಪು ಮಾಡುವ ಹಕ್ಕಿದೆ. ಡೇಟಾವು ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾಗಬಹುದು ಮತ್ತು ಸಾಕಷ್ಟು ನಿಖರವಾದ ಫಲಿತಾಂಶವನ್ನು ನೀಡಲು ಮಾದರಿಗಳನ್ನು ಮರುತರಬೇತಿ ಮಾಡಬೇಕಾಗಿದೆ ಎಂದು ಪರಿಗಣಿಸುವುದು ಸಹ ಯೋಗ್ಯವಾಗಿದೆ. ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಯು ತೊಂದರೆಗೊಳಗಾಗುವುದಿಲ್ಲ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ಮಾದರಿಯ ಅಪಾಯಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು ಮತ್ತು ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು, ನಿಯಮಿತವಾಗಿ ಹೊಸ ಡೇಟಾದಲ್ಲಿ ಅದನ್ನು ಮರುತರಬೇತಿ ಮಾಡುವುದು ಅವಶ್ಯಕ.
ಆದರೆ ಮೊದಲ ಹಂತದ ಅಪನಂಬಿಕೆಯ ನಂತರ, ವಿರುದ್ಧ ಪರಿಣಾಮವು ಕಾಣಿಸಿಕೊಳ್ಳಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ. ಹೆಚ್ಚು ಮಾದರಿಗಳನ್ನು ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಯಶಸ್ವಿಯಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುತ್ತದೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆಗಾಗಿ ಹೆಚ್ಚು ವ್ಯಾಪಾರದ ಹಸಿವು ಬೆಳೆಯುತ್ತದೆ - ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪರಿಹರಿಸಬಹುದಾದ ಹೊಸ ಮತ್ತು ಹೊಸ ಸಮಸ್ಯೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲಾಗುತ್ತದೆ. ಪ್ರತಿಯೊಂದು ಕಾರ್ಯವು ಕೆಲವು ಸಾಮರ್ಥ್ಯಗಳ ಅಗತ್ಯವಿರುವ ಸಂಪೂರ್ಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪ್ರಚೋದಿಸುತ್ತದೆ:
- ಡೇಟಾ ಎಂಜಿನಿಯರ್‌ಗಳು ಡೇಟಾವನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತಾರೆ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತಾರೆ;
- ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಯಂತ್ರ ಕಲಿಕೆ ಉಪಕರಣಗಳನ್ನು ಬಳಸುತ್ತಾರೆ ಮತ್ತು ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಾರೆ;
- ಐಟಿ ಮಾದರಿಯನ್ನು ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಅಳವಡಿಸುತ್ತದೆ;
- ವಿನಂತಿಗಳ ಹರಿವು, ಪ್ರತಿಕ್ರಿಯೆ ಸಮಯ ಇತ್ಯಾದಿಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡು ಮಾದರಿಯ ಅನ್ವಯದ ವಿಧಾನದ ಅವಶ್ಯಕತೆಗಳನ್ನು ಅವಲಂಬಿಸಿ ಯಾವ ಐಟಿ ಪರಿಕರಗಳನ್ನು ಬಳಸಬೇಕೆಂದು ಎಂಎಲ್ ಎಂಜಿನಿಯರ್ ಈ ಮಾದರಿಯನ್ನು ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಹೇಗೆ ಸರಿಯಾಗಿ ಸಂಯೋಜಿಸಬೇಕು ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತಾರೆ.
- ಎಂಎಲ್ ಆರ್ಕಿಟೆಕ್ಟ್ ಒಬ್ಬ ಸಾಫ್ಟ್‌ವೇರ್ ಉತ್ಪನ್ನವನ್ನು ಕೈಗಾರಿಕಾ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಭೌತಿಕವಾಗಿ ಹೇಗೆ ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು ಎಂಬುದನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುತ್ತಾನೆ.
ಸಂಪೂರ್ಣ ಚಕ್ರಕ್ಕೆ ಹೆಚ್ಚಿನ ಸಂಖ್ಯೆಯ ಹೆಚ್ಚಿನ ಅರ್ಹ ತಜ್ಞರ ಅಗತ್ಯವಿದೆ. ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಎಂಎಲ್ ಮಾದರಿಗಳ ಒಳಹೊಕ್ಕು ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಮಟ್ಟದಲ್ಲಿ ಒಂದು ನಿರ್ದಿಷ್ಟ ಹಂತದಲ್ಲಿ, ಕಾರ್ಯಗಳ ಸಂಖ್ಯೆಯಲ್ಲಿನ ಹೆಚ್ಚಳಕ್ಕೆ ಅನುಗುಣವಾಗಿ ತಜ್ಞರ ಸಂಖ್ಯೆಯನ್ನು ರೇಖೀಯವಾಗಿ ಅಳೆಯುವುದು ದುಬಾರಿ ಮತ್ತು ನಿಷ್ಪರಿಣಾಮಕಾರಿಯಾಗುತ್ತದೆ ಎಂದು ಅದು ತಿರುಗುತ್ತದೆ. ಆದ್ದರಿಂದ, MLOps ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಪ್ರಶ್ನೆಯು ಉದ್ಭವಿಸುತ್ತದೆ - ಯಂತ್ರ ಕಲಿಕೆಯ ಸಮಸ್ಯೆಗಳ ಹಲವಾರು ಪ್ರಮಾಣಿತ ವರ್ಗಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು, ಪ್ರಮಾಣಿತ ಡೇಟಾ ಸಂಸ್ಕರಣಾ ಪೈಪ್‌ಲೈನ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ಮತ್ತು ಮಾದರಿಗಳ ಹೆಚ್ಚುವರಿ ತರಬೇತಿ. ಆದರ್ಶ ಚಿತ್ರದಲ್ಲಿ, ಅಂತಹ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಬಿಗ್ ಡೇಟಾ, ಡೇಟಾ ಸೈನ್ಸ್, ಡೆವೊಪ್ಸ್ ಮತ್ತು ಐಟಿಯ ಛೇದಕದಲ್ಲಿ ಸಾಮರ್ಥ್ಯಗಳಲ್ಲಿ ಸಮಾನವಾಗಿ ಪ್ರವೀಣರಾಗಿರುವ ವೃತ್ತಿಪರರು ಅಗತ್ಯವಿದೆ. ಆದ್ದರಿಂದ, ಡೇಟಾ ಸೈನ್ಸ್ ಉದ್ಯಮದಲ್ಲಿನ ದೊಡ್ಡ ಸಮಸ್ಯೆ ಮತ್ತು MLOps ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಸಂಘಟಿಸುವ ದೊಡ್ಡ ಸವಾಲು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ತರಬೇತಿ ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಅಂತಹ ಸಾಮರ್ಥ್ಯದ ಕೊರತೆಯಾಗಿದೆ. ಈ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸುವ ಪರಿಣಿತರು ಪ್ರಸ್ತುತ ಕಾರ್ಮಿಕ ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಅಪರೂಪ ಮತ್ತು ಚಿನ್ನದ ತೂಕಕ್ಕೆ ಯೋಗ್ಯರಾಗಿದ್ದಾರೆ.
ಸಾಮರ್ಥ್ಯಗಳ ವಿಷಯದ ಬಗ್ಗೆ
ಸಿದ್ಧಾಂತದಲ್ಲಿ, ಎಲ್ಲಾ MLOps ಕಾರ್ಯಗಳನ್ನು ಕ್ಲಾಸಿಕ್ DevOps ಪರಿಕರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮತ್ತು ರೋಲ್ ಮಾಡೆಲ್‌ನ ವಿಶೇಷ ವಿಸ್ತರಣೆಯನ್ನು ಆಶ್ರಯಿಸದೆಯೇ ಪರಿಹರಿಸಬಹುದು. ನಂತರ, ನಾವು ಮೇಲೆ ಗಮನಿಸಿದಂತೆ, ದತ್ತಾಂಶ ವಿಜ್ಞಾನಿ ಗಣಿತಜ್ಞ ಮತ್ತು ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಕ ಮಾತ್ರವಲ್ಲ, ಇಡೀ ಪೈಪ್‌ಲೈನ್‌ನ ಗುರುವೂ ಆಗಿರಬೇಕು - ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು, ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಅವಲಂಬಿಸಿ ಹಲವಾರು ಭಾಷೆಗಳಲ್ಲಿ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಮಾದರಿಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಲು ಅವನು ಜವಾಬ್ದಾರನಾಗಿರುತ್ತಾನೆ. ಡೇಟಾ ಮಾರ್ಟ್ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ ಸ್ವತಃ ನಿಯೋಜನೆ. ಆದಾಗ್ಯೂ, ಎಂಡ್-ಟು-ಎಂಡ್ MLOps ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಅಳವಡಿಸಲಾದ ತಾಂತ್ರಿಕ ಚೌಕಟ್ಟನ್ನು ರಚಿಸುವುದು ಕಾರ್ಮಿಕ ವೆಚ್ಚದ 80% ವರೆಗೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ, ಅಂದರೆ ಗುಣಮಟ್ಟದ ದತ್ತಾಂಶ ವಿಜ್ಞಾನಿಯಾಗಿರುವ ಒಬ್ಬ ಅರ್ಹ ಗಣಿತಜ್ಞನು ತನ್ನ ವಿಶೇಷತೆಗೆ ಕೇವಲ 20% ಸಮಯವನ್ನು ವಿನಿಯೋಗಿಸುತ್ತಾನೆ. . ಆದ್ದರಿಂದ, ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ತೊಡಗಿರುವ ತಜ್ಞರ ಪಾತ್ರಗಳನ್ನು ವಿವರಿಸುವುದು ಅತ್ಯಗತ್ಯ.
ಪಾತ್ರಗಳನ್ನು ಎಷ್ಟು ವಿವರವಾಗಿ ವಿವರಿಸಬೇಕು ಎಂಬುದು ಉದ್ಯಮದ ಗಾತ್ರವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ನಲ್ಲಿ ಒಬ್ಬ ಸ್ಪೆಷಲಿಸ್ಟ್, ಎನರ್ಜಿ ರಿಸರ್ವ್‌ನಲ್ಲಿ ಹಾರ್ಡ್ ವರ್ಕರ್, ಅವನ ಸ್ವಂತ ಇಂಜಿನಿಯರ್, ಆರ್ಕಿಟೆಕ್ಟ್ ಮತ್ತು ಡೆವೊಪ್ಸ್ ಇದ್ದಾಗ ಇದು ಒಂದು ವಿಷಯ. ದೊಡ್ಡ ಉದ್ಯಮದಲ್ಲಿ, ಎಲ್ಲಾ ಮಾದರಿ ಅಭಿವೃದ್ಧಿ ಪ್ರಕ್ರಿಯೆಗಳು ಕೆಲವು ಉನ್ನತ ಮಟ್ಟದ ಡೇಟಾ ಸೈನ್ಸ್ ತಜ್ಞರ ಮೇಲೆ ಕೇಂದ್ರೀಕೃತವಾಗಿರುವಾಗ ಇದು ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನ ವಿಷಯವಾಗಿದೆ, ಆದರೆ ಪ್ರೋಗ್ರಾಮರ್ ಅಥವಾ ಡೇಟಾಬೇಸ್ ತಜ್ಞರು - ಕಾರ್ಮಿಕ ಮಾರುಕಟ್ಟೆಯಲ್ಲಿ ಹೆಚ್ಚು ಸಾಮಾನ್ಯ ಮತ್ತು ಕಡಿಮೆ ವೆಚ್ಚದ ಸಾಮರ್ಥ್ಯ - ತೆಗೆದುಕೊಳ್ಳಬಹುದು. ಹೆಚ್ಚಿನ ಕೆಲಸಗಳಲ್ಲಿ, ದಿನನಿತ್ಯದ ಕಾರ್ಯಗಳು.
ಆದ್ದರಿಂದ, ಅಭಿವೃದ್ಧಿ ಹೊಂದಿದ ಮಾದರಿಗಳ ವೇಗ ಮತ್ತು ಗುಣಮಟ್ಟ, ತಂಡದ ಉತ್ಪಾದಕತೆ ಮತ್ತು ಅದರಲ್ಲಿರುವ ಮೈಕ್ರೋಕ್ಲೈಮೇಟ್ MLOps ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬೆಂಬಲಿಸಲು ತಜ್ಞರ ಆಯ್ಕೆಯಲ್ಲಿ ಗಡಿ ಎಲ್ಲಿದೆ ಮತ್ತು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಮಾದರಿಗಳ ಕಾರ್ಯಾಚರಣೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಹೇಗೆ ಆಯೋಜಿಸಲಾಗಿದೆ ಎಂಬುದರ ಮೇಲೆ ನೇರವಾಗಿ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. .
ನಮ್ಮ ತಂಡ ಈಗಾಗಲೇ ಏನು ಮಾಡಿದೆ
ನಾವು ಇತ್ತೀಚೆಗೆ ಸಾಮರ್ಥ್ಯ ರಚನೆ ಮತ್ತು MLOps ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ನಿರ್ಮಿಸಲು ಪ್ರಾರಂಭಿಸಿದ್ದೇವೆ. ಆದರೆ ಮಾದರಿ ಜೀವನಚಕ್ರ ನಿರ್ವಹಣೆ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಸೇವೆಯಾಗಿ ಬಳಸುವ ನಮ್ಮ ಯೋಜನೆಗಳು ಈಗಾಗಲೇ MVP ಪರೀಕ್ಷೆಯ ಹಂತದಲ್ಲಿವೆ.
ಒಂದು ದೊಡ್ಡ ಉದ್ಯಮಕ್ಕೆ ಸೂಕ್ತವಾದ ಸಾಮರ್ಥ್ಯದ ರಚನೆ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಭಾಗವಹಿಸುವವರ ನಡುವಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆಯ ಸಾಂಸ್ಥಿಕ ರಚನೆಯನ್ನು ಸಹ ನಾವು ನಿರ್ಧರಿಸಿದ್ದೇವೆ. ಸಂಪೂರ್ಣ ಶ್ರೇಣಿಯ ವ್ಯಾಪಾರ ಗ್ರಾಹಕರ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಅಗೈಲ್ ತಂಡಗಳನ್ನು ಆಯೋಜಿಸಲಾಗಿದೆ ಮತ್ತು ನಿರ್ಮಾಣ ಹಂತದಲ್ಲಿರುವ MLOps ಕಟ್ಟಡದ ಅಡಿಪಾಯವಾಗಿರುವ ವೇದಿಕೆಗಳು ಮತ್ತು ಮೂಲಸೌಕರ್ಯಗಳನ್ನು ರಚಿಸಲು ಯೋಜನಾ ತಂಡಗಳೊಂದಿಗೆ ಸಂವಾದದ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸ್ಥಾಪಿಸಲಾಯಿತು.
ಭವಿಷ್ಯಕ್ಕಾಗಿ ಪ್ರಶ್ನೆಗಳು
MLOps ಬೆಳೆಯುತ್ತಿರುವ ಪ್ರದೇಶವಾಗಿದ್ದು ಅದು ಸಾಮರ್ಥ್ಯಗಳ ಕೊರತೆಯನ್ನು ಅನುಭವಿಸುತ್ತಿದೆ ಮತ್ತು ಭವಿಷ್ಯದಲ್ಲಿ ವೇಗವನ್ನು ಪಡೆಯುತ್ತದೆ. ಈ ಮಧ್ಯೆ, DevOps ಬೆಳವಣಿಗೆಗಳು ಮತ್ತು ಅಭ್ಯಾಸಗಳನ್ನು ನಿರ್ಮಿಸುವುದು ಉತ್ತಮವಾಗಿದೆ. ವ್ಯಾಪಾರ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ML ಮಾದರಿಗಳನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸುವುದು MLOps ನ ಮುಖ್ಯ ಗುರಿಯಾಗಿದೆ. ಆದರೆ ಇದು ಅನೇಕ ಪ್ರಶ್ನೆಗಳನ್ನು ಹುಟ್ಟುಹಾಕುತ್ತದೆ:
- ಉತ್ಪಾದನೆಗೆ ಮಾದರಿಗಳನ್ನು ಪ್ರಾರಂಭಿಸಲು ಸಮಯವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಹೇಗೆ?
- ವಿವಿಧ ಸಾಮರ್ಥ್ಯಗಳ ತಂಡಗಳ ನಡುವಿನ ಅಧಿಕಾರಶಾಹಿ ಘರ್ಷಣೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಮತ್ತು ಸಹಕಾರದ ಮೇಲೆ ಗಮನವನ್ನು ಹೆಚ್ಚಿಸುವುದು ಹೇಗೆ?
- ಮಾದರಿಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುವುದು, ಆವೃತ್ತಿಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಆಯೋಜಿಸುವುದು ಹೇಗೆ?
- ಆಧುನಿಕ ML ಮಾದರಿಗಾಗಿ ನಿಜವಾದ ವೃತ್ತಾಕಾರದ ಜೀವನಚಕ್ರವನ್ನು ಹೇಗೆ ರಚಿಸುವುದು?
- ಯಂತ್ರ ಕಲಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವುದು ಹೇಗೆ?
ಈ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಗಳು MLOps ಅದರ ಪೂರ್ಣ ಸಾಮರ್ಥ್ಯವನ್ನು ಎಷ್ಟು ಬೇಗನೆ ತಲುಪುತ್ತವೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.
ಮೂಲ: www.habr.com