MLOps: ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਸੰਸਾਰ ਵਿੱਚ DevOps

2018 ਵਿੱਚ, MLOps ਦੀ ਧਾਰਨਾ ਪੇਸ਼ੇਵਰ ਸਰਕਲਾਂ ਵਿੱਚ ਅਤੇ AI ਨੂੰ ਸਮਰਪਿਤ ਥੀਮੈਟਿਕ ਕਾਨਫਰੰਸਾਂ ਵਿੱਚ ਪ੍ਰਗਟ ਹੋਈ, ਜਿਸ ਨੇ ਉਦਯੋਗ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਪਕੜ ਲਿਆ ਅਤੇ ਹੁਣ ਇੱਕ ਸੁਤੰਤਰ ਦਿਸ਼ਾ ਵਜੋਂ ਵਿਕਾਸ ਕਰ ਰਿਹਾ ਹੈ। ਭਵਿੱਖ ਵਿੱਚ, MLOps IT ਵਿੱਚ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਖੇਤਰਾਂ ਵਿੱਚੋਂ ਇੱਕ ਬਣ ਸਕਦਾ ਹੈ। ਇਹ ਕੀ ਹੈ ਅਤੇ ਕਿਸ ਨਾਲ ਖਾਧਾ ਜਾਂਦਾ ਹੈ? ਆਓ ਹੇਠਾਂ ਜਾਣੀਏ.

MLOps ਕੀ ਹੈ

MLOps (ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਤਕਨਾਲੋਜੀਆਂ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਅਤੇ ਵਿਕਸਤ ਮਾਡਲਾਂ ਨੂੰ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਲਈ ਪਹੁੰਚਾਂ ਦਾ ਸੁਮੇਲ ਕਰਨਾ) ਨਕਲੀ ਖੁਫੀਆ ਪ੍ਰਣਾਲੀਆਂ ਬਣਾਉਣ ਵੇਲੇ ਵਪਾਰਕ ਪ੍ਰਤੀਨਿਧਾਂ, ਵਿਗਿਆਨੀਆਂ, ਗਣਿਤ ਵਿਗਿਆਨੀਆਂ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਹਿਰਾਂ ਅਤੇ ਆਈਟੀ ਇੰਜੀਨੀਅਰਾਂ ਵਿਚਕਾਰ ਸਹਿਯੋਗ ਦਾ ਇੱਕ ਨਵਾਂ ਤਰੀਕਾ ਹੈ।

ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਇਹ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਤਰੀਕਿਆਂ ਅਤੇ ਤਕਨਾਲੋਜੀਆਂ ਨੂੰ ਵਪਾਰਕ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਇੱਕ ਉਪਯੋਗੀ ਸਾਧਨ ਵਿੱਚ ਬਦਲਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ। 

ਇਹ ਸਮਝਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਉਤਪਾਦਕਤਾ ਦੀ ਲੜੀ ਮਾਡਲ ਦੇ ਵਿਕਾਸ ਤੋਂ ਬਹੁਤ ਪਹਿਲਾਂ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ. ਇਸਦਾ ਪਹਿਲਾ ਕਦਮ ਇੱਕ ਵਪਾਰਕ ਸਮੱਸਿਆ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਹੈ, ਡੇਟਾ ਤੋਂ ਕੱਢੇ ਜਾ ਸਕਣ ਵਾਲੇ ਮੁੱਲ ਬਾਰੇ ਇੱਕ ਅਨੁਮਾਨ, ਅਤੇ ਇਸਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਇੱਕ ਵਪਾਰਕ ਵਿਚਾਰ। 

MLOps ਦੀ ਬਹੁਤ ਹੀ ਧਾਰਨਾ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਅਤੇ ਤਕਨਾਲੋਜੀਆਂ ਦੇ ਸਬੰਧ ਵਿੱਚ DevOps ਦੀ ਧਾਰਨਾ ਦੇ ਸਮਾਨਤਾ ਵਜੋਂ ਪੈਦਾ ਹੋਈ ਹੈ। DevOps ਸੌਫਟਵੇਅਰ ਡਿਵੈਲਪਮੈਂਟ ਲਈ ਇੱਕ ਪਹੁੰਚ ਹੈ ਜੋ ਤੁਹਾਨੂੰ ਕਈ ਪਹੁੰਚਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਲਚਕਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਕਾਇਮ ਰੱਖਦੇ ਹੋਏ ਵਿਅਕਤੀਗਤ ਤਬਦੀਲੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਗਤੀ ਨੂੰ ਵਧਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਨਿਰੰਤਰ ਵਿਕਾਸ, ਕਈ ਸੁਤੰਤਰ ਮਾਈਕਰੋਸੇਵਾਵਾਂ ਵਿੱਚ ਫੰਕਸ਼ਨਾਂ ਦੀ ਵੰਡ, ਸਵੈਚਲਿਤ ਟੈਸਟਿੰਗ ਅਤੇ ਵਿਅਕਤੀਗਤ ਦੀ ਤੈਨਾਤੀ ਸ਼ਾਮਲ ਹੈ। ਤਬਦੀਲੀਆਂ, ਗਲੋਬਲ ਹੈਲਥ ਮਾਨੀਟਰਿੰਗ, ਖੋਜੀਆਂ ਗਈਆਂ ਅਸਫਲਤਾਵਾਂ ਲਈ ਤੇਜ਼ ਜਵਾਬ ਪ੍ਰਣਾਲੀ, ਆਦਿ। 

DevOps ਨੇ ਸਾਫਟਵੇਅਰ ਲਾਈਫਸਾਈਕਲ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ, ਅਤੇ ਕਮਿਊਨਿਟੀ ਨੇ ਵੱਡੇ ਡੇਟਾ ਲਈ ਉਸੇ ਵਿਧੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਵਿਚਾਰ ਨਾਲ ਆਇਆ ਹੈ. DataOps ਵਿਭਿੰਨ ਅਤੇ ਅੰਤਰ-ਕਾਰਜਸ਼ੀਲ ਪਲੇਟਫਾਰਮਾਂ ਵਿੱਚ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਸਟੋਰ ਕਰਨ, ਸੰਚਾਰਿਤ ਕਰਨ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਕਾਰਜਪ੍ਰਣਾਲੀ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਨ ਅਤੇ ਵਿਸਤਾਰ ਕਰਨ ਦੀ ਇੱਕ ਕੋਸ਼ਿਸ਼ ਹੈ।
  
ਉਦਯੋਗਾਂ ਦੀਆਂ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਗਏ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਦੇ ਇੱਕ ਖਾਸ ਨਾਜ਼ੁਕ ਪੁੰਜ ਦੇ ਆਗਮਨ ਦੇ ਨਾਲ, ਗਣਿਤ ਦੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਦੇ ਜੀਵਨ ਚੱਕਰ ਅਤੇ ਸੌਫਟਵੇਅਰ ਜੀਵਨ ਚੱਕਰ ਵਿੱਚ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਸਮਾਨਤਾ ਦੇਖੀ ਗਈ। ਫਰਕ ਸਿਰਫ ਇਹ ਹੈ ਕਿ ਮਾਡਲ ਐਲਗੋਰਿਦਮ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਟੂਲਸ ਅਤੇ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਏ ਗਏ ਹਨ। ਇਸ ਲਈ, ਇਹ ਵਿਚਾਰ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਲਈ ਸਾਫਟਵੇਅਰ ਵਿਕਾਸ ਲਈ ਪਹਿਲਾਂ ਤੋਂ ਜਾਣੇ ਜਾਂਦੇ ਪਹੁੰਚਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਅਤੇ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਪੈਦਾ ਹੋਇਆ। ਇਸ ਤਰ੍ਹਾਂ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਦੇ ਜੀਵਨ ਚੱਕਰ ਵਿੱਚ ਹੇਠਾਂ ਦਿੱਤੇ ਮੁੱਖ ਪੜਾਵਾਂ ਨੂੰ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ:

• ਇੱਕ ਕਾਰੋਬਾਰੀ ਵਿਚਾਰ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ;
• ਮਾਡਲ ਸਿਖਲਾਈ;
• ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਮਾਡਲ ਦੀ ਜਾਂਚ ਅਤੇ ਲਾਗੂ ਕਰਨਾ;
• ਮਾਡਲ ਦੀ ਕਾਰਵਾਈ.

ਜਦੋਂ ਓਪਰੇਸ਼ਨ ਦੌਰਾਨ ਨਵੇਂ ਡੇਟਾ 'ਤੇ ਮਾਡਲ ਨੂੰ ਬਦਲਣ ਜਾਂ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਚੱਕਰ ਦੁਬਾਰਾ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ - ਮਾਡਲ ਨੂੰ ਸੁਧਾਰਿਆ ਜਾਂਦਾ ਹੈ, ਟੈਸਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਨਵਾਂ ਸੰਸਕਰਣ ਤੈਨਾਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਪਿੱਛੇ ਹਟਣਾ। ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਕਿਉਂ ਦਿੱਤੀ ਜਾਵੇ ਅਤੇ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਕਿਉਂ ਨਾ ਦਿੱਤੀ ਜਾਵੇ? "ਮਾਡਲ ਰੀਟ੍ਰੇਨਿੰਗ" ਸ਼ਬਦ ਦਾ ਦੋਹਰਾ ਅਰਥ ਹੈ: ਮਾਹਰਾਂ ਵਿੱਚ ਇਸਦਾ ਅਰਥ ਹੈ ਇੱਕ ਮਾਡਲ ਨੁਕਸ, ਜਦੋਂ ਮਾਡਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਅਸਲ ਵਿੱਚ ਸਿਖਲਾਈ ਸੈੱਟ 'ਤੇ ਭਵਿੱਖਬਾਣੀ ਕੀਤੇ ਪੈਰਾਮੀਟਰ ਨੂੰ ਦੁਹਰਾਉਂਦਾ ਹੈ, ਪਰ ਬਾਹਰੀ ਡੇਟਾ ਨਮੂਨੇ 'ਤੇ ਬਹੁਤ ਮਾੜਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ, ਅਜਿਹਾ ਮਾਡਲ ਇੱਕ ਨੁਕਸ ਹੈ, ਕਿਉਂਕਿ ਇਹ ਨੁਕਸ ਇਸਦੀ ਵਰਤੋਂ ਦੀ ਆਗਿਆ ਨਹੀਂ ਦਿੰਦਾ.

ਇਸ ਜੀਵਨ ਚੱਕਰ ਵਿੱਚ, DevOps ਟੂਲਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਤਰਕਪੂਰਨ ਜਾਪਦਾ ਹੈ: ਸਵੈਚਲਿਤ ਟੈਸਟਿੰਗ, ਤੈਨਾਤੀ ਅਤੇ ਨਿਗਰਾਨੀ, ਵੱਖਰੇ ਮਾਈਕ੍ਰੋ ਸਰਵਿਸਿਜ਼ ਦੇ ਰੂਪ ਵਿੱਚ ਮਾਡਲ ਗਣਨਾਵਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨਾ। ਪਰ ਇੱਥੇ ਬਹੁਤ ਸਾਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵੀ ਹਨ ਜੋ ਵਾਧੂ ਐਮਐਲ ਬਾਈਡਿੰਗ ਤੋਂ ਬਿਨਾਂ ਇਹਨਾਂ ਸਾਧਨਾਂ ਦੀ ਸਿੱਧੀ ਵਰਤੋਂ ਨੂੰ ਰੋਕਦੀਆਂ ਹਨ।

ਮਾਡਲਾਂ ਨੂੰ ਕਿਵੇਂ ਕੰਮ ਕਰਨਾ ਹੈ ਅਤੇ ਲਾਭਦਾਇਕ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ

ਇੱਕ ਉਦਾਹਰਣ ਦੇ ਤੌਰ ਤੇ ਜਿਸ ਵਿੱਚ ਅਸੀਂ MLOps ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਾਂਗੇ, ਅਸੀਂ ਇੱਕ ਬੈਂਕਿੰਗ (ਜਾਂ ਕਿਸੇ ਹੋਰ) ਉਤਪਾਦ ਲਈ ਇੱਕ ਚੈਟ ਸਹਾਇਤਾ ਨੂੰ ਰੋਬੋਟ ਬਣਾਉਣ ਦਾ ਸ਼ਾਨਦਾਰ ਕੰਮ ਲਵਾਂਗੇ। ਆਮ ਤੌਰ 'ਤੇ, ਇੱਕ ਚੈਟ ਸਹਾਇਤਾ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ: ਇੱਕ ਕਲਾਇੰਟ ਇੱਕ ਚੈਟ ਵਿੱਚ ਇੱਕ ਸਵਾਲ ਦੇ ਨਾਲ ਇੱਕ ਸੁਨੇਹਾ ਦਾਖਲ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਪੂਰਵ-ਪ੍ਰਭਾਸ਼ਿਤ ਸੰਵਾਦ ਟ੍ਰੀ ਦੇ ਅੰਦਰ ਇੱਕ ਮਾਹਰ ਤੋਂ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ। ਅਜਿਹੀ ਗੱਲਬਾਤ ਨੂੰ ਸਵੈਚਲਿਤ ਕਰਨ ਦਾ ਕੰਮ ਆਮ ਤੌਰ 'ਤੇ ਮਾਹਰਤਾ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਨਿਯਮਾਂ ਦੇ ਸੈੱਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਵਿਕਾਸ ਅਤੇ ਸਾਂਭ-ਸੰਭਾਲ ਲਈ ਬਹੁਤ ਮਿਹਨਤੀ ਹੁੰਦੇ ਹਨ। ਅਜਿਹੇ ਆਟੋਮੇਸ਼ਨ ਦੀ ਕੁਸ਼ਲਤਾ, ਕੰਮ ਦੀ ਗੁੰਝਲਤਾ ਦੇ ਪੱਧਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਿਆਂ, 20-30% ਹੋ ਸਕਦੀ ਹੈ। ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ, ਇਹ ਵਿਚਾਰ ਪੈਦਾ ਹੁੰਦਾ ਹੈ ਕਿ ਇਹ ਇੱਕ ਨਕਲੀ ਖੁਫੀਆ ਮੋਡੀਊਲ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਵਧੇਰੇ ਲਾਭਦਾਇਕ ਹੈ - ਇੱਕ ਮਾਡਲ ਜੋ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ:

• ਆਪਰੇਟਰ ਦੀ ਭਾਗੀਦਾਰੀ ਤੋਂ ਬਿਨਾਂ ਬੇਨਤੀਆਂ ਦੀ ਇੱਕ ਵੱਡੀ ਗਿਣਤੀ 'ਤੇ ਕਾਰਵਾਈ ਕਰਨ ਦੇ ਯੋਗ ਹੈ (ਵਿਸ਼ੇ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ ਕੁਸ਼ਲਤਾ 70-80% ਤੱਕ ਪਹੁੰਚ ਸਕਦੀ ਹੈ);
• ਸੰਵਾਦ ਵਿੱਚ ਗੈਰ-ਮਿਆਰੀ ਸ਼ਬਦਾਂ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਢਾਲਦਾ ਹੈ - ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਤਿਆਰ ਨਹੀਂ ਕੀਤੀ ਗਈ ਬੇਨਤੀ ਦੇ ਅਧਾਰ ਤੇ ਇਰਾਦੇ, ਉਪਭੋਗਤਾ ਦੀ ਅਸਲ ਇੱਛਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਦੇ ਯੋਗ ਹੈ;
• ਇਹ ਜਾਣਦਾ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਨਿਰਧਾਰਤ ਕਰਨਾ ਹੈ ਕਿ ਮਾਡਲ ਦਾ ਜਵਾਬ ਕਦੋਂ ਢੁਕਵਾਂ ਹੈ, ਅਤੇ ਜਦੋਂ ਇਸ ਜਵਾਬ ਦੀ "ਜਾਗਰੂਕਤਾ" ਬਾਰੇ ਸ਼ੰਕੇ ਹਨ ਅਤੇ ਤੁਹਾਨੂੰ ਇੱਕ ਵਾਧੂ ਸਪੱਸ਼ਟ ਸਵਾਲ ਪੁੱਛਣ ਜਾਂ ਆਪਰੇਟਰ 'ਤੇ ਜਾਣ ਦੀ ਲੋੜ ਹੈ;
• ਵਾਧੂ ਤੌਰ 'ਤੇ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ (ਡਿਵੈਲਪਰਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਦੀ ਬਜਾਏ ਲਗਾਤਾਰ ਜਵਾਬੀ ਸਕ੍ਰਿਪਟਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਅਤੇ ਠੀਕ ਕਰਨ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਨੂੰ ਢੁਕਵੀਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਡਾਟਾ ਸਾਇੰਸ ਮਾਹਰ ਦੁਆਰਾ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ)। 

ਅਜਿਹੇ ਤਕਨੀਕੀ ਮਾਡਲ ਨੂੰ ਕਿਵੇਂ ਕੰਮ ਕਰਨਾ ਹੈ? 

ਜਿਵੇਂ ਕਿ ਕਿਸੇ ਹੋਰ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਦੇ ਨਾਲ, ਅਜਿਹੇ ਮੋਡਿਊਲ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਇਹ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਇੱਕ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ ਅਤੇ ਰਸਮੀ ਤੌਰ 'ਤੇ ਖਾਸ ਕੰਮ ਦਾ ਵਰਣਨ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ ਜਿਸ ਨੂੰ ਅਸੀਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਲ ਕਰਾਂਗੇ। ਇਸ ਬਿੰਦੂ 'ਤੇ, ਸੰਚਾਲਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਨੂੰ ਐਕਰੋਨਿਮ ਓਪਸ ਦੁਆਰਾ ਮਨੋਨੀਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। 

ਅਗਲਾ ਕਦਮ ਇਹ ਹੈ ਕਿ ਡੇਟਾ ਸਾਇੰਟਿਸਟ, ਡੇਟਾ ਇੰਜੀਨੀਅਰ ਦੇ ਸਹਿਯੋਗ ਨਾਲ, ਡੇਟਾ ਦੀ ਉਪਲਬਧਤਾ ਅਤੇ ਕਾਫੀਤਾ ਅਤੇ ਵਪਾਰਕ ਵਿਚਾਰ ਦੀ ਵਿਵਹਾਰਕਤਾ ਬਾਰੇ ਵਪਾਰਕ ਧਾਰਨਾ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਇੱਕ ਪ੍ਰੋਟੋਟਾਈਪ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਦੀ ਅਸਲ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਕਾਰੋਬਾਰ ਦੁਆਰਾ ਪੁਸ਼ਟੀ ਹੋਣ ਤੋਂ ਬਾਅਦ ਹੀ ਇੱਕ ਮਾਡਲ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਤੋਂ ਲੈ ਕੇ ਉਹਨਾਂ ਸਿਸਟਮਾਂ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਤਬਦੀਲੀ ਸ਼ੁਰੂ ਹੋ ਸਕਦੀ ਹੈ ਜੋ ਇੱਕ ਖਾਸ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਕਰਦੇ ਹਨ। ਐਂਡ-ਟੂ-ਐਂਡ ਲਾਗੂ ਕਰਨ ਦੀ ਯੋਜਨਾਬੰਦੀ, ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕੀਤੀ ਜਾਵੇਗੀ ਅਤੇ ਇਹ ਕੀ ਆਰਥਿਕ ਪ੍ਰਭਾਵ ਲਿਆਏਗਾ, ਇਸ ਬਾਰੇ ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਡੂੰਘੀ ਸਮਝ, ਕੰਪਨੀ ਦੇ ਤਕਨੀਕੀ ਲੈਂਡਸਕੇਪ ਵਿੱਚ MLOps ਪਹੁੰਚਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਦੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਨੁਕਤਾ ਹੈ।

AI ਤਕਨਾਲੋਜੀਆਂ ਦੇ ਵਿਕਾਸ ਦੇ ਨਾਲ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਲ ਕੀਤੀਆਂ ਜਾ ਸਕਣ ਵਾਲੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਵਿਭਿੰਨਤਾ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਹੀ ਹੈ। ਅਜਿਹੀ ਹਰੇਕ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆ ਕੰਪਨੀ ਲਈ ਵੱਡੇ ਕਰਮਚਾਰੀਆਂ (ਕਾਲ ਸੈਂਟਰ, ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਜਾਂਚ ਅਤੇ ਛਾਂਟਣ ਆਦਿ) ਦੇ ਸਵੈਚਾਲਨ ਦੇ ਕਾਰਨ ਬਚਤ ਹੈ, ਇਹ ਨਵੇਂ ਆਕਰਸ਼ਕ ਅਤੇ ਸੁਵਿਧਾਜਨਕ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਜੋੜ ਕੇ ਗਾਹਕ ਅਧਾਰ ਦਾ ਵਿਸਥਾਰ ਹੈ, ਇਹ ਉਹਨਾਂ ਦੀ ਸਰਵੋਤਮ ਵਰਤੋਂ ਅਤੇ ਸਰੋਤਾਂ ਦੀ ਮੁੜ ਵੰਡ ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਕਰਕੇ ਪੈਸੇ ਦੀ ਬਚਤ ਕਰ ਰਿਹਾ ਹੈ। ਆਖਰਕਾਰ, ਕੋਈ ਵੀ ਪ੍ਰਕਿਰਿਆ ਮੁੱਲ ਬਣਾਉਣ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੁੰਦੀ ਹੈ ਅਤੇ, ਨਤੀਜੇ ਵਜੋਂ, ਇੱਕ ਖਾਸ ਆਰਥਿਕ ਪ੍ਰਭਾਵ ਲਿਆਉਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਥੇ ਕਾਰੋਬਾਰੀ ਵਿਚਾਰ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਤਿਆਰ ਕਰਨਾ ਅਤੇ ਕੰਪਨੀ ਦੇ ਸਮੁੱਚੇ ਮੁੱਲ ਨਿਰਮਾਣ ਢਾਂਚੇ ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰਨ ਤੋਂ ਅਨੁਮਾਨਤ ਲਾਭ ਦੀ ਗਣਨਾ ਕਰਨਾ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਅਜਿਹੀਆਂ ਸਥਿਤੀਆਂ ਹੁੰਦੀਆਂ ਹਨ ਜਦੋਂ ਇੱਕ ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਆਪਣੇ ਆਪ ਨੂੰ ਜਾਇਜ਼ ਨਹੀਂ ਠਹਿਰਾਉਂਦਾ, ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਹਿਰਾਂ ਦੁਆਰਾ ਬਿਤਾਇਆ ਗਿਆ ਸਮਾਂ ਇਸ ਕੰਮ ਨੂੰ ਕਰਨ ਵਾਲੇ ਆਪਰੇਟਰ ਦੇ ਕੰਮ ਵਾਲੀ ਥਾਂ ਨਾਲੋਂ ਬਹੁਤ ਮਹਿੰਗਾ ਹੁੰਦਾ ਹੈ। ਇਸ ਲਈ ਏਆਈ ਸਿਸਟਮ ਬਣਾਉਣ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਵਾਂ ਵਿੱਚ ਅਜਿਹੇ ਮਾਮਲਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨੀ ਜ਼ਰੂਰੀ ਹੈ।

ਸਿੱਟੇ ਵਜੋਂ, ਮਾਡਲ ਸਿਰਫ਼ ਉਦੋਂ ਹੀ ਮੁਨਾਫ਼ਾ ਪੈਦਾ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਨ ਜਦੋਂ MLOps ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਵਪਾਰਕ ਸਮੱਸਿਆ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਰਜੀਹਾਂ ਨਿਰਧਾਰਤ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ, ਅਤੇ ਮਾਡਲ ਨੂੰ ਸਿਸਟਮ ਵਿੱਚ ਪੇਸ਼ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਵਿਕਾਸ ਦੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਵਾਂ ਵਿੱਚ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ।

ਨਵੀਂ ਪ੍ਰਕਿਰਿਆ - ਨਵੀਆਂ ਚੁਣੌਤੀਆਂ

ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ML ਮਾਡਲ ਕਿੰਨੇ ਲਾਗੂ ਹੁੰਦੇ ਹਨ, ਇਸ ਬਾਰੇ ਬੁਨਿਆਦੀ ਕਾਰੋਬਾਰੀ ਸਵਾਲ ਦਾ ਇੱਕ ਵਿਆਪਕ ਜਵਾਬ, AI ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਦਾ ਆਮ ਮੁੱਦਾ MLOps ਪਹੁੰਚਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਅਤੇ ਲਾਗੂ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਮੁੱਖ ਚੁਣੌਤੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਸ਼ੁਰੂ ਵਿੱਚ, ਕਾਰੋਬਾਰ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨੂੰ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨ ਬਾਰੇ ਸੰਦੇਹਵਾਦੀ ਹਨ - ਉਹਨਾਂ ਸਥਾਨਾਂ ਵਿੱਚ ਮਾਡਲਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ ਜਿੱਥੇ ਪਹਿਲਾਂ, ਇੱਕ ਨਿਯਮ ਦੇ ਤੌਰ ਤੇ, ਲੋਕ ਕੰਮ ਕਰਦੇ ਸਨ. ਕਾਰੋਬਾਰ ਲਈ, ਪ੍ਰੋਗਰਾਮ ਇੱਕ "ਬਲੈਕ ਬਾਕਸ" ਜਾਪਦੇ ਹਨ, ਜਿਸਦੀ ਸਾਰਥਕਤਾ ਨੂੰ ਅਜੇ ਵੀ ਸਾਬਤ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਬੈਂਕਿੰਗ ਵਿੱਚ, ਟੈਲੀਕਾਮ ਆਪਰੇਟਰਾਂ ਅਤੇ ਹੋਰਾਂ ਦੇ ਕਾਰੋਬਾਰ ਵਿੱਚ, ਸਰਕਾਰੀ ਰੈਗੂਲੇਟਰਾਂ ਦੀਆਂ ਸਖ਼ਤ ਜ਼ਰੂਰਤਾਂ ਹਨ। ਬੈਂਕਿੰਗ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਗਏ ਸਾਰੇ ਸਿਸਟਮ ਅਤੇ ਐਲਗੋਰਿਦਮ ਆਡਿਟ ਦੇ ਅਧੀਨ ਹਨ। ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਕਾਰੋਬਾਰ ਅਤੇ ਰੈਗੂਲੇਟਰਾਂ ਨੂੰ ਨਕਲੀ ਖੁਫੀਆ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਦੀ ਵੈਧਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਨੂੰ ਸਾਬਤ ਕਰਨ ਲਈ, ਮਾਡਲ ਦੇ ਨਾਲ ਨਿਗਰਾਨੀ ਸਾਧਨ ਪੇਸ਼ ਕੀਤੇ ਜਾ ਰਹੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇੱਕ ਸੁਤੰਤਰ ਪ੍ਰਮਾਣਿਕਤਾ ਪ੍ਰਕਿਰਿਆ ਹੈ, ਜੋ ਕਿ ਰੈਗੂਲੇਟਰੀ ਮਾਡਲਾਂ ਲਈ ਲਾਜ਼ਮੀ ਹੈ, ਜੋ ਕੇਂਦਰੀ ਬੈਂਕ ਦੀਆਂ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੀ ਹੈ। ਇੱਕ ਸੁਤੰਤਰ ਮਾਹਰ ਸਮੂਹ ਇਨਪੁਟ ਡੇਟਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਮਾਡਲ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਨਤੀਜਿਆਂ ਦਾ ਆਡਿਟ ਕਰਦਾ ਹੈ।

ਦੂਜੀ ਚੁਣੌਤੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਸਮੇਂ ਮਾਡਲ ਦੇ ਜੋਖਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਵਿਅਕਤੀ ਸੌ ਫੀਸਦੀ ਯਕੀਨ ਨਾਲ ਇਸ ਸਵਾਲ ਦਾ ਜਵਾਬ ਨਹੀਂ ਦੇ ਸਕਦਾ ਕਿ ਕੀ ਉਹੀ ਪਹਿਰਾਵਾ ਚਿੱਟਾ ਸੀ ਜਾਂ ਨੀਲਾ, ਤਾਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਵੀ ਗਲਤੀ ਕਰਨ ਦਾ ਅਧਿਕਾਰ ਹੈ। ਇਹ ਵੀ ਵਿਚਾਰਨ ਯੋਗ ਹੈ ਕਿ ਡੇਟਾ ਸਮੇਂ ਦੇ ਨਾਲ ਬਦਲ ਸਕਦਾ ਹੈ, ਅਤੇ ਕਾਫ਼ੀ ਸਹੀ ਨਤੀਜਾ ਪੈਦਾ ਕਰਨ ਲਈ ਮਾਡਲਾਂ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਲੋੜ ਹੈ। ਇਹ ਸੁਨਿਸ਼ਚਿਤ ਕਰਨ ਲਈ ਕਿ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਨੁਕਸਾਨ ਨਹੀਂ ਪਹੁੰਚਦਾ, ਮਾਡਲ ਦੇ ਜੋਖਮਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਅਤੇ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ, ਨਿਯਮਿਤ ਤੌਰ 'ਤੇ ਇਸ ਨੂੰ ਨਵੇਂ ਡੇਟਾ 'ਤੇ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦੇਣਾ.

ਪਰ ਅਵਿਸ਼ਵਾਸ ਦੇ ਪਹਿਲੇ ਪੜਾਅ ਤੋਂ ਬਾਅਦ, ਉਲਟ ਪ੍ਰਭਾਵ ਦਿਖਾਈ ਦੇਣਾ ਸ਼ੁਰੂ ਹੋ ਜਾਂਦਾ ਹੈ. ਜਿੰਨੇ ਜ਼ਿਆਦਾ ਮਾਡਲ ਸਫਲਤਾਪੂਰਵਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਲਈ ਕਾਰੋਬਾਰ ਦੀ ਜ਼ਿਆਦਾ ਭੁੱਖ ਵਧਦੀ ਹੈ - ਨਵੀਆਂ ਅਤੇ ਨਵੀਆਂ ਸਮੱਸਿਆਵਾਂ ਲੱਭੀਆਂ ਜਾ ਰਹੀਆਂ ਹਨ ਜੋ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਹੱਲ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ। ਹਰੇਕ ਕੰਮ ਇੱਕ ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਚਾਲੂ ਕਰਦਾ ਹੈ ਜਿਸ ਲਈ ਕੁਝ ਕੁਸ਼ਲਤਾਵਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ:

• ਡਾਟਾ ਇੰਜੀਨੀਅਰ ਡਾਟਾ ਤਿਆਰ ਕਰਦੇ ਹਨ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਹਨ;
• ਡਾਟਾ ਵਿਗਿਆਨੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ ਅਤੇ ਇੱਕ ਮਾਡਲ ਵਿਕਸਿਤ ਕਰਦੇ ਹਨ;
• IT ਮਾਡਲ ਨੂੰ ਸਿਸਟਮ ਵਿੱਚ ਲਾਗੂ ਕਰਦਾ ਹੈ;
• ML ਇੰਜੀਨੀਅਰ ਇਹ ਨਿਰਧਾਰਿਤ ਕਰਦਾ ਹੈ ਕਿ ਇਸ ਮਾਡਲ ਨੂੰ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸਹੀ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਏਕੀਕ੍ਰਿਤ ਕਰਨਾ ਹੈ, ਕਿਸ IT ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਹੈ, ਮਾਡਲ ਦੇ ਐਪਲੀਕੇਸ਼ਨ ਮੋਡ ਦੀਆਂ ਲੋੜਾਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਬੇਨਤੀਆਂ ਦੇ ਪ੍ਰਵਾਹ, ਜਵਾਬ ਦੇ ਸਮੇਂ, ਆਦਿ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ। 
• ਇੱਕ ML ਆਰਕੀਟੈਕਟ ਡਿਜ਼ਾਈਨ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਉਦਯੋਗਿਕ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਇੱਕ ਸਾਫਟਵੇਅਰ ਉਤਪਾਦ ਨੂੰ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਪੂਰੇ ਚੱਕਰ ਲਈ ਬਹੁਤ ਸਾਰੇ ਉੱਚ ਯੋਗਤਾ ਪ੍ਰਾਪਤ ਮਾਹਿਰਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਐਮਐਲ ਮਾਡਲਾਂ ਦੇ ਵਿਕਾਸ ਅਤੇ ਪ੍ਰਵੇਸ਼ ਦੀ ਡਿਗਰੀ ਦੇ ਇੱਕ ਨਿਸ਼ਚਤ ਬਿੰਦੂ ਤੇ, ਇਹ ਪਤਾ ਚਲਦਾ ਹੈ ਕਿ ਕਾਰਜਾਂ ਦੀ ਗਿਣਤੀ ਵਿੱਚ ਵਾਧੇ ਦੇ ਅਨੁਪਾਤ ਵਿੱਚ ਮਾਹਰਾਂ ਦੀ ਸੰਖਿਆ ਨੂੰ ਰੇਖਿਕ ਤੌਰ 'ਤੇ ਸਕੇਲ ਕਰਨਾ ਮਹਿੰਗਾ ਅਤੇ ਬੇਅਸਰ ਹੋ ਜਾਂਦਾ ਹੈ। ਇਸ ਲਈ, MLOps ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਵੈਚਾਲਤ ਕਰਨ ਦਾ ਸਵਾਲ ਉੱਠਦਾ ਹੈ - ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦੀਆਂ ਕਈ ਮਿਆਰੀ ਸ਼੍ਰੇਣੀਆਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ, ਮਿਆਰੀ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਪਾਈਪਲਾਈਨਾਂ ਦਾ ਵਿਕਾਸ ਕਰਨਾ ਅਤੇ ਮਾਡਲਾਂ ਦੀ ਵਾਧੂ ਸਿਖਲਾਈ। ਇੱਕ ਆਦਰਸ਼ ਤਸਵੀਰ ਵਿੱਚ, ਅਜਿਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਪੇਸ਼ੇਵਰਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਬਿਗ ਡੇਟਾ, ਡੇਟਾ ਸਾਇੰਸ, ਦੇਵਓਪਸ ਅਤੇ ਆਈਟੀ ਦੇ ਇੰਟਰਸੈਕਸ਼ਨ 'ਤੇ ਯੋਗਤਾਵਾਂ ਵਿੱਚ ਬਰਾਬਰ ਨਿਪੁੰਨ ਹੋਣ। ਇਸ ਲਈ, ਡੇਟਾ ਸਾਇੰਸ ਉਦਯੋਗ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੀ ਸਮੱਸਿਆ ਅਤੇ MLOps ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੀ ਚੁਣੌਤੀ ਮੌਜੂਦਾ ਸਿਖਲਾਈ ਮਾਰਕੀਟ ਵਿੱਚ ਅਜਿਹੀ ਯੋਗਤਾ ਦੀ ਘਾਟ ਹੈ। ਮਾਹਿਰ ਜੋ ਇਹਨਾਂ ਲੋੜਾਂ ਨੂੰ ਪੂਰਾ ਕਰਦੇ ਹਨ, ਵਰਤਮਾਨ ਵਿੱਚ ਲੇਬਰ ਮਾਰਕੀਟ ਵਿੱਚ ਬਹੁਤ ਘੱਟ ਹਨ ਅਤੇ ਸੋਨੇ ਵਿੱਚ ਉਹਨਾਂ ਦਾ ਭਾਰ ਹੈ।

ਯੋਗਤਾ ਦੇ ਮੁੱਦੇ 'ਤੇ

ਸਿਧਾਂਤ ਵਿੱਚ, ਸਾਰੇ MLOps ਕਾਰਜਾਂ ਨੂੰ ਕਲਾਸਿਕ DevOps ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਤੇ ਰੋਲ ਮਾਡਲ ਦੇ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਐਕਸਟੈਂਸ਼ਨ ਦਾ ਸਹਾਰਾ ਲਏ ਬਿਨਾਂ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਫਿਰ, ਜਿਵੇਂ ਕਿ ਅਸੀਂ ਉੱਪਰ ਨੋਟ ਕੀਤਾ ਹੈ, ਇੱਕ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਨੂੰ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਗਣਿਤ ਅਤੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਸਗੋਂ ਪੂਰੀ ਪਾਈਪਲਾਈਨ ਦਾ ਗੁਰੂ ਵੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ - ਉਹ ਆਰਕੀਟੈਕਚਰ ਦੇ ਅਧਾਰ ਤੇ ਕਈ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਆਰਕੀਟੈਕਚਰ, ਪ੍ਰੋਗਰਾਮਿੰਗ ਮਾਡਲਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ। ਇੱਕ ਡੇਟਾ ਮਾਰਟ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਖੁਦ ਤੈਨਾਤ ਕਰੋ। ਹਾਲਾਂਕਿ, ਐਂਡ-ਟੂ-ਐਂਡ MLOps ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਗਏ ਤਕਨੀਕੀ ਢਾਂਚੇ ਨੂੰ ਬਣਾਉਣ ਲਈ ਕਿਰਤ ਲਾਗਤਾਂ ਦਾ 80% ਤੱਕ ਲੱਗਦਾ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਇੱਕ ਯੋਗਤਾ ਪ੍ਰਾਪਤ ਗਣਿਤ-ਵਿਗਿਆਨੀ, ਜੋ ਇੱਕ ਗੁਣਵੱਤਾ ਡੇਟਾ ਵਿਗਿਆਨੀ ਹੈ, ਆਪਣੀ ਵਿਸ਼ੇਸ਼ਤਾ ਲਈ ਕੇਵਲ 20% ਸਮਾਂ ਸਮਰਪਿਤ ਕਰੇਗਾ। . ਇਸ ਲਈ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸ਼ਾਮਲ ਮਾਹਿਰਾਂ ਦੀਆਂ ਭੂਮਿਕਾਵਾਂ ਨੂੰ ਦਰਸਾਉਣਾ ਮਹੱਤਵਪੂਰਨ ਬਣ ਜਾਂਦਾ ਹੈ। 

ਭੂਮਿਕਾਵਾਂ ਨੂੰ ਕਿੰਨੀ ਵਿਸਤ੍ਰਿਤ ਰੂਪ ਵਿੱਚ ਦਰਸਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਇਹ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਦੇ ਆਕਾਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਚੀਜ਼ ਹੈ ਜਦੋਂ ਇੱਕ ਸਟਾਰਟਅੱਪ ਵਿੱਚ ਇੱਕ ਮਾਹਰ ਹੁੰਦਾ ਹੈ, ਊਰਜਾ ਰਿਜ਼ਰਵ ਵਿੱਚ ਇੱਕ ਸਖ਼ਤ ਵਰਕਰ, ਜੋ ਉਸਦਾ ਆਪਣਾ ਇੰਜੀਨੀਅਰ, ਆਰਕੀਟੈਕਟ, ਅਤੇ DevOps ਹੁੰਦਾ ਹੈ। ਇਹ ਇੱਕ ਬਿਲਕੁਲ ਵੱਖਰਾ ਮਾਮਲਾ ਹੈ ਜਦੋਂ, ਇੱਕ ਵੱਡੇ ਉੱਦਮ ਵਿੱਚ, ਸਾਰੇ ਮਾਡਲ ਵਿਕਾਸ ਪ੍ਰਕਿਰਿਆਵਾਂ ਕੁਝ ਉੱਚ-ਪੱਧਰੀ ਡੇਟਾ ਸਾਇੰਸ ਮਾਹਰਾਂ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੁੰਦੀਆਂ ਹਨ, ਜਦੋਂ ਕਿ ਇੱਕ ਪ੍ਰੋਗਰਾਮਰ ਜਾਂ ਡੇਟਾਬੇਸ ਮਾਹਰ - ਲੇਬਰ ਮਾਰਕੀਟ ਵਿੱਚ ਇੱਕ ਵਧੇਰੇ ਆਮ ਅਤੇ ਘੱਟ ਮਹਿੰਗੀ ਯੋਗਤਾ - ਲੈ ਸਕਦਾ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਕੰਮ 'ਤੇ। ਰੁਟੀਨ ਕੰਮ।

ਇਸ ਤਰ੍ਹਾਂ, ਵਿਕਸਤ ਮਾਡਲਾਂ ਦੀ ਗਤੀ ਅਤੇ ਗੁਣਵੱਤਾ, ਟੀਮ ਦੀ ਉਤਪਾਦਕਤਾ ਅਤੇ ਇਸ ਵਿੱਚ ਮਾਈਕ੍ਰੋਕਲੀਮੇਟ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ MLOps ਪ੍ਰਕਿਰਿਆ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਮਾਹਿਰਾਂ ਦੀ ਚੋਣ ਵਿੱਚ ਸੀਮਾ ਕਿੱਥੇ ਹੈ ਅਤੇ ਵਿਕਸਤ ਮਾਡਲਾਂ ਦੇ ਸੰਚਾਲਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਕਿਵੇਂ ਸੰਗਠਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। .

ਜੋ ਸਾਡੀ ਟੀਮ ਪਹਿਲਾਂ ਹੀ ਕਰ ਚੁੱਕੀ ਹੈ

ਅਸੀਂ ਹਾਲ ਹੀ ਵਿੱਚ ਇੱਕ ਯੋਗਤਾ ਢਾਂਚਾ ਅਤੇ MLOps ਪ੍ਰਕਿਰਿਆਵਾਂ ਬਣਾਉਣਾ ਸ਼ੁਰੂ ਕੀਤਾ ਹੈ। ਪਰ ਮਾਡਲ ਲਾਈਫਸਾਈਕਲ ਪ੍ਰਬੰਧਨ ਅਤੇ ਸੇਵਾ ਵਜੋਂ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ 'ਤੇ ਸਾਡੇ ਪ੍ਰੋਜੈਕਟ ਪਹਿਲਾਂ ਹੀ MVP ਟੈਸਟਿੰਗ ਪੜਾਅ ਵਿੱਚ ਹਨ।

ਅਸੀਂ ਇੱਕ ਵੱਡੇ ਉੱਦਮ ਲਈ ਸਰਵੋਤਮ ਯੋਗਤਾ ਢਾਂਚਾ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸਾਰੇ ਭਾਗੀਦਾਰਾਂ ਵਿਚਕਾਰ ਆਪਸੀ ਤਾਲਮੇਲ ਦੇ ਸੰਗਠਨਾਤਮਕ ਢਾਂਚੇ ਨੂੰ ਵੀ ਨਿਰਧਾਰਤ ਕੀਤਾ ਹੈ। ਕਾਰੋਬਾਰੀ ਗਾਹਕਾਂ ਦੀ ਸਮੁੱਚੀ ਸ਼੍ਰੇਣੀ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਚੁਸਤ ਟੀਮਾਂ ਦਾ ਆਯੋਜਨ ਕੀਤਾ ਗਿਆ ਸੀ, ਅਤੇ ਪਲੇਟਫਾਰਮ ਅਤੇ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਬਣਾਉਣ ਲਈ ਪ੍ਰੋਜੈਕਟ ਟੀਮਾਂ ਨਾਲ ਗੱਲਬਾਤ ਦੀ ਪ੍ਰਕਿਰਿਆ, ਜੋ ਕਿ ਨਿਰਮਾਣ ਅਧੀਨ MLOps ਇਮਾਰਤ ਦੀ ਨੀਂਹ ਹੈ, ਦੀ ਸਥਾਪਨਾ ਕੀਤੀ ਗਈ ਸੀ।

ਭਵਿੱਖ ਲਈ ਸਵਾਲ

MLOps ਇੱਕ ਵਧ ਰਿਹਾ ਖੇਤਰ ਹੈ ਜੋ ਯੋਗਤਾਵਾਂ ਦੀ ਘਾਟ ਦਾ ਅਨੁਭਵ ਕਰ ਰਿਹਾ ਹੈ ਅਤੇ ਭਵਿੱਖ ਵਿੱਚ ਗਤੀ ਪ੍ਰਾਪਤ ਕਰੇਗਾ। ਇਸ ਦੌਰਾਨ, DevOps ਵਿਕਾਸ ਅਤੇ ਅਭਿਆਸਾਂ 'ਤੇ ਨਿਰਮਾਣ ਕਰਨਾ ਸਭ ਤੋਂ ਵਧੀਆ ਹੈ. MLOps ਦਾ ਮੁੱਖ ਟੀਚਾ ਕਾਰੋਬਾਰੀ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ML ਮਾਡਲਾਂ ਦੀ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਰਤੋਂ ਕਰਨਾ ਹੈ। ਪਰ ਇਹ ਕਈ ਸਵਾਲ ਖੜ੍ਹੇ ਕਰਦਾ ਹੈ:

• ਮਾਡਲਾਂ ਨੂੰ ਉਤਪਾਦਨ ਵਿੱਚ ਲਾਂਚ ਕਰਨ ਦਾ ਸਮਾਂ ਕਿਵੇਂ ਘਟਾਉਣਾ ਹੈ?
• ਵੱਖ-ਵੱਖ ਯੋਗਤਾਵਾਂ ਦੀਆਂ ਟੀਮਾਂ ਵਿਚਕਾਰ ਨੌਕਰਸ਼ਾਹੀ ਦੇ ਟਕਰਾਅ ਨੂੰ ਕਿਵੇਂ ਘਟਾਇਆ ਜਾਵੇ ਅਤੇ ਸਹਿਯੋਗ 'ਤੇ ਧਿਆਨ ਕਿਵੇਂ ਵਧਾਇਆ ਜਾਵੇ?
• ਮਾਡਲਾਂ ਨੂੰ ਕਿਵੇਂ ਟਰੈਕ ਕਰਨਾ ਹੈ, ਸੰਸਕਰਣਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਹੈ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਨਿਗਰਾਨੀ ਦਾ ਪ੍ਰਬੰਧ ਕਿਵੇਂ ਕਰਨਾ ਹੈ?
• ਇੱਕ ਆਧੁਨਿਕ ML ਮਾਡਲ ਲਈ ਇੱਕ ਅਸਲ ਸਰਕੂਲਰ ਜੀਵਨ ਚੱਕਰ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ?
• ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਮਿਆਰੀ ਕਿਵੇਂ ਬਣਾਇਆ ਜਾਵੇ?

ਇਹਨਾਂ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨਗੇ ਕਿ MLOps ਕਿੰਨੀ ਜਲਦੀ ਆਪਣੀ ਪੂਰੀ ਸਮਰੱਥਾ ਤੱਕ ਪਹੁੰਚਣਗੇ।

ਸਰੋਤ: www.habr.com