Anno 2018, notio MLOps apparuit in circulis professionalibus et in colloquiis thematicis AI dicatis, quae celeriter industriam occupavit et nunc quasi directionem independentem auget. In futurum, MLOps unus ex popularibus locis in IT fieri potest. Quid est, et quid cum manducatur? Inspiciamus infra.
Quod MLOps
MLOps (machina discendi technologiasque et processus coniungens et accessus ad exsequendam exempla in processibus negotiis effectis) est novus modus collaborationis inter repraesentatores negotiatores, phisicos, mathematicos, machinae discendi artifices et fabros IT cum systemata intelligentiae artificialis creant.
Aliis verbis, modus est convertendi apparatus methodos et technologias discendi in instrumentum utile ad solvendas quaestiones negotiationes.
Necesse est ut intelligatur productivitatis vinculum multo ante exemplar evolutionis incipere. Primus gradus est problema negotium definire, hypothesis de valore notitiarum extrahi potest, et idea negotii applicandi.
Notio ipsa MLOps orta est analogia conceptui DevOporum in relatione ad exempla et technologias discendi apparatus. Devops est accessus ad progressionem programmatum quae sinit te augere celeritatem exsecutionis singularum mutationum servando flexibilitatem et constantiam utendi numerorum accessuum, etiam continua evolutionis, divisionis functionum in aliquot microservices independentes, automatae probationis et singulorum instruere. mutationes, global sanitas magna vigilantia, celeri responsionis ratio pro defectibus detectis etc.
DevOps vitam programmatum definivit, communitas ascendit cum idea applicandae methodi tradendae ad magnas notitias. DataOps conatus est methodologiam accommodare et amplificare ratione habita rationum recondendi, tradendi et dispensandi magnas copiarum notitiarum in suggestis diversis et interoperalibus.
Adveniente massa quadam critica machinae exempla discendi in negotio processuum conatum perficienda, magna similitudo animadversa est inter cyclum vitae mathematici instrumenti discendi exempla et currendi vitae institutio. Sola differentia est quod exemplar algorithmorum machinarum instrumentorum et methodorum discendi utens creantur. Ideo orta est idea naturaliter applicandi et aptandi aditus ad programmata programmata apparatus discendi exempla. Quapropter sequentes gradus cardinis distingui possunt in cyclo vitae apparatus doctrinarum exempla;
- rem definiens idea;
- exemplar disciplinae;
- probatio et exsecutio exemplaris in negotio processus;
- operatio exemplaris.
Cum in operatione opus est novas notitias mutare vel retrahere exemplar, iterum incipit cyclus - exemplar uritur, probatur, et nova versio explicatur.
Receptum. Cur retines et non retines? Terminus "exemplandi retardandi" duplicem significationem habet: inter peritos significat defectum exemplaris, cum exemplar bene praedicit, actu praedictum modulum in statuto instituendo repetit, sed multo peius in externa notitia specimen praestat. Naturaliter talis defectus exemplar est, quia hic defectus usum suum non patitur.
In hac vita cycli, logicum videtur uti instrumentis DevOps: automated probatio, instruere et vigilantia, exemplar calculi designans in forma microservices separatas. Sed multae lineamenta etiam sunt quae impediunt directum usum instrumentorum sine adiectione ML ligaturae.
Quomodo exempla ad operandum et proficuum
Exemplum in quo usum MLOps appropinquationis demonstrabimus, munus classicum robotisandi chat subsidium pro faenore (vel aliquo alio) accipiemus. Typice, chat subsidium negotium processus hoc spectat: cliens nuntium intrat cum interrogatione in chat et responsionem accipit a speciali intra praefinitam arborem dialogi. Negotium automandi talis chat solvi solet utentes regulas optime definitas, quae valde laboriosa sunt ad explicandum et conservandum. Talis automationis efficientia, secundum ambitum negotii multiplicitatis, 20-30% esse potest. Naturaliter idea oritur ut utilior sit ad efficiendam moduli intelligentiam artificialem β exemplar elaboratum utens machina discendi, qua;
- plures petitiones sine participatione operatorum procedere potest (prout argumento, in quibusdam efficientia ad 70-80%);
- melius adaptat ad verba in dialogo non norma - propositum determinare potest, verum desiderium utentis in petitione non clare emissa;
- scit determinare cum responsio exemplar est sufficiens et quando dubitatur de "conscientia" huius responsionis et debes quaerere additional quaestionem declarandam vel ad operantem flectendum;
- etiam automatice institui possunt (pro globo enucleatorum constanter aptandi et corrigendi scriptorum responsionem, exemplar etiam a Datae Scientiae speciali instrumento congruenti instrumento discendi librariorum adhibito).
Quomodo ad tale exemplar provectum opus faciendum?
Cum solvendo quamlibet aliam quaestionem, antequam talis modulus explicatur, necesse est processus negotium definire et formaliter describere munus specificum quod solvemus utendi machinae methodo discendi. Hic processus operandi, ab acronymo Opis designatus, incipit.
Proximus gradus est quod Data Scientista, in cooperatione cum Data Engineering, suppeditat promptitudinem et sufficientiam notitiarum et hypothesin negotium de viability negotii ideae, exemplar prototypum enucleans et efficaciam actualem experiens. Tantum post confirmationem negotiorum potest transitus ab exemplo evolvendi ad integrationem illam in systemata, quae certo negotio processum conficere incipiunt. Finis ad finem exsecutionis consiliorum, profunde intellectus in singulis stadiis quomodo exemplar adhibebitur et quem effectum oeconomicum afferet, fundamentale punctum est in processibus introducendi MLOps accedens in campum technologicum.
Cum AI technologiae evolutionem, numerus et varietas quaestionum quae solvi possunt utens apparatus discendi exponentialiter augetur. Uniuscuiusque negotii talis processus salutaris est societatis propter automationem laboris massarum operariorum (vocatio centrum, inhibitio et voluptua documentorum etc.), est expansio clientis basis addendo novas functiones amoenas et commodas, it. est pecunia salvifica ob meliorem usum et discrimen opum et multo magis. Ultimo, quivis processus ad valorem creandum spectat et, consequenter, aliquem effectum oeconomicum efficere debet. Hic magni momenti est ut clare enucleare negotium ideae et lucrum expectatum computare ad effectum deducendi exemplar in altiore valore creationis structura societatis. Adsunt condiciones cum exemplum exsequendo se non iustificat, et tempus machinarum peritiarum discentium multo pretiosius est quam fabrica operantis hoc munere fungens. Quam ob rem necesse est ut tales casus in primis initiis systematis AI creandi cognosceretur.
Inde, exempla incipiunt lucrum generare solum cum problema negotii in processu MLOps recte formatum est, prioritatibus propositis, et processus introducendi exemplar in systema in primis evolutionis gradibus formatum est.
Novus processus - novus provocationes
Responsum comprehensivum quaestioni fundamentali circa quam applicabilia ML exempla solvenda sunt problemata, generalis fiduciae in AI quaestio una est ex praecipuis provocationibus in processu explicandi et exsequendi MLOps appropinquantis. Initio, negotia dubia sunt de inductione machinae discendi in processibus β difficile est exemplis niti in locis ubi antea, ut fere, homines laboraverunt. Ad rem, programmata videntur esse "arca nigra", cuius momentum adhuc probandum est. Praeterea in argentariis, in negotiis operariorum telecomicorum et aliorum, regulatores gubernationis sunt strictae requisitae. Omnia systemata et algorithmarum quae in processibus argentariis perficiuntur audito subiectae sunt. Ad hanc quaestionem solvendam, ad probandum negotia et regulatores validitatem et rectitudinem intellegentiae responsabilium, instrumenta magna cum exemplari introducuntur. Praeterea procedendi validatio independentis est, facienda ad exempla regulatoria, quae exigentiis Bank Centralis occurrit. Coetus peritus independens audit eventus quos per exemplum inputationis notitiae ratione habita.
Secunda provocatio est perpendendis et inspectis exemplar periculum cum exsequendo machinae exemplar discendi. Etiamsi homo centum centesimis certitudinaliter non potest respondere ad quaestionem an eadem vestis esset alba vel caerulea, tunc etiam intellegentiae artificialis ius est errare. Operae pretium est etiam considerare quod notitia temporis mutare potest, et exempla retinenda ad effectum satis accurate producendum. Ut processus negotii non patitur, necesse est ut periculorum exemplar et monitor effectus exemplorum regendi, semper in nova notitia retardandi.
Sed post primum diffidentiam, incipit apparere oppositum effectus. Plura exempla in processibus feliciter perficiuntur, eo plus negotii appetitus ad usum intelligentiae artificialis crescit - nova et nova inveniuntur problemata quae utentes machinae methodos discendi solvi possunt. Uniuscuiusque opus totum efficit processum qui certas competentias requirit:
- data fabrum parant et processus data;
- notitia scientiarum machina usus instrumenta discendi et exemplar explicandi;
- Exemplar IT in systemate aggreditur;
- In ML ingeniarius decernit quomodo exemplar hoc in processu recte componat, quo IT instrumenta utatur, secundum exigentias pro modo applicationis exemplaris, ratione habita petitionum fluxus, tempus responsum, etc.
- Faber ML excogitat quomodo programmatio programmatis physice perficiatur in systemate industriae.
Totus cyclus magnum numerum peritorum maxime idoneorum requirit. Quodam puncto in evolutione et gradu penetrationis ML exemplorum in negotiorum processuum, evenit ut numerorum specialium numero linearly scandens pro numero negotiorum augendo carus fiat et inefficax. Ideo quaestio oritur de processu MLOps automandi - determinans varias regulas vexillum machinarum quaestionum discendi, normas enucleando tibiarum processus datorum et adiectis exemplorum instituendis. In pictura ideali, huiusmodi problemata solvenda requirit doctores, qui aeque proficiunt in competentiis intersectionem magnae Datae, Datae Scientiae, DevOps et IT. Maxima igitur quaestio in Data Scientiae industriae et maxima provocatio in processibus MLOps ordinandis defectus talis competentiae in mercatu exercendo exsistens est. Tortores, qui haec requisita conveniunt, nunc in mercatu laboris rari sunt et in auro ponderis sunt.
De competenciis exitus
In theoria omnia MLOps opera solvi possunt instrumentis classicis DevOps adhibitis et sine speciali extensione munus exemplar. Deinde, ut supra notavimus, notitia physicus debet esse non solum mathematicus et analyticus notitiarum, sed etiam totius organi fistulae guru - ipse auctor est ad architecturam enucleandam, programmandi exempla in pluribus linguis ex architectura pendentibus, praeparans. a data mercatura ac applicatione ipsum instruere. Nihilominus, creando compage technologica perficienda in fine ad finem MLOps processum sumit usque ad 80% laboris impensas, id quod significat mathematicus idoneus, qui est qualitas Data Scientist, tantum XX% sui temporis suo specialitati vacaturum. . Ideo partes specialium delineandi, quae in processu machinae eruditionis exemplorum exsequendi vitales fiunt.
Quam minae partes delineari debeant a magnitudine incepti pendent. Unum est cum startup unum specialitas habet, laboriosus in subsidiis energiae, qui est eius architectus, architectus et DevOps. Res prorsus diversa est cum, in magna incepto, omnes processus evolutionis exemplares in paucas altiores gradus Datae scientiae speciales conducunt, dum programmator vel artifex datorum - communiorem et minus pretiosam competentiam in mercatu laboris - capere potest. maxime opus. exercitatione munia.
Ita, celeritas et qualitas exemplorum enucleatorum, productivitas consors et microclimatis in eo directe dependet, ubi terminus in electione specialium ad processum MLOps sustinendum et quomodo processus operationalizationis exemplorum enucleatorum ordinatur. .
Quod iam factum est dolor noster
Nuper incepimus construere competentiam structuram et processuum MLOps. Nostra autem consilia in exemplar vitae cycli administrandi et in utendo exemplorum ut servitii iam sunt in scaena probationis MVP.
Etiam optimam competentiam structuram pro magno incepto et norma commercii inter omnes participes in processu constituimus. Partes agiles ordinatae sunt ad solvendas quaestiones pro tota amplitudine negotiatorum clientium, et processus commercii cum iugis projectorum ad suggesta et infrastructura creandum, quod fundamentum MLOps aedificationis sub constructione constitutum est.
Quaestiones in posterum
MLOps area crescit quae penuriam rerum experitur et momentum in futuro obtinebit. Interea optimum est in DevOps explicationibus et exercitiis aedificare. Praecipuum propositum MLOps est ut efficacius ML exempla ad problemata negotia solvenda adhibeat. Sed hoc movet multas quaestiones;
- Quomodo tempus reducere exempla in productionem immittendi?
- Quomodo grapheocraticam frictionem reducere inter iunctos diversarum competentiarum et focum cooperationis augere?
- Quomodo exempla indagare, versiones administrare et vigilantia efficax instituere?
- Quomodo creare vitam cyclam vere circularem pro moderno ML exemplo?
- Quomodo signare machinam discendi processum?
Responsiones harum quaestionum late determinabunt quam cito MLOps suam plenam potentiam attinget.
Source: www.habr.com