2018 ۾، MLOps جو تصور پيشه ورانه حلقن ۾ ۽ AI لاءِ وقف ٿيل موضوعي ڪانفرنسن ۾ ظاهر ٿيو، جنهن جلدي صنعت ۾ قبضو ڪيو ۽ هاڻي هڪ آزاد هدايت جي طور تي ترقي ڪري رهيو آهي. مستقبل ۾، MLOps ٿي سگھي ٿو IT ۾ سڀ کان وڌيڪ مشهور علائقن مان. اهو ڇا آهي ۽ ان سان گڏ کائي وڃي ٿو؟ اچو ته هيٺ ڄاڻون.
MLOps ڇا آهي
MLOps (مشين لرننگ ٽيڪنالاجيز ۽ عملن کي گڏ ڪرڻ ۽ ترقي يافته ماڊل کي ڪاروباري عملن ۾ لاڳو ڪرڻ جا طريقا) ڪاروباري نمائندن، سائنسدانن، رياضي دانن، مشين لرننگ ماهرن ۽ IT انجنيئرن جي وچ ۾ تعاون جو هڪ نئون طريقو آهي جڏهن مصنوعي ذهانت وارو نظام ٺاهي رهيا آهن.
ٻين لفظن ۾، اهو هڪ طريقو آهي مشين سکيا جي طريقن ۽ ٽيڪنالاجي کي ڪاروبار جي مسئلن کي حل ڪرڻ لاء هڪ مفيد اوزار ۾.
اهو سمجهڻ ضروري آهي ته پيداوار جو سلسلو ماڊل جي ترقي کان گهڻو اڳ شروع ٿئي ٿو. ان جو پهريون قدم هڪ ڪاروباري مسئلو بيان ڪرڻ آهي، قدر جي باري ۾ هڪ مفروضو جيڪو ڊيٽا مان ڪڍي سگهجي ٿو، ۽ ان کي لاڳو ڪرڻ لاءِ هڪ ڪاروباري خيال.
MLOps جو بلڪل تصور مشين لرننگ ماڊلز ۽ ٽيڪنالاجيز جي سلسلي ۾ DevOps جي تصور جي قياس جي طور تي پيدا ٿيو. DevOps سافٽ ويئر ڊولپمينٽ جو هڪ طريقو آهي جيڪو توهان کي انفرادي تبديلين تي عمل درآمد جي رفتار کي وڌائڻ جي اجازت ڏئي ٿو جڏهن ته ڪيترن ئي طريقن کي استعمال ڪندي لچڪدار ۽ قابل اعتماد برقرار رکڻ، بشمول مسلسل ترقي، ڪيترن ئي آزاد مائڪرو سروسز ۾ افعال جي تقسيم، خودڪار ٽيسٽنگ ۽ انفرادي جي ترتيب. تبديليون، عالمي صحت جي نگراني، معلوم ٿيل ناڪامين لاء تيز جوابي نظام، وغيره.
DevOps وضاحت ڪئي آهي سافٽ ويئر لائف سائيڪل، ۽ ڪميونٽي کي وڏي ڊيٽا تي ساڳيو طريقو لاڳو ڪرڻ جي خيال سان آيو آهي. DataOps مختلف ۽ بين الاقوامي پليٽ فارمن ۾ ڊيٽا جي وڏي مقدار کي محفوظ ڪرڻ، منتقل ڪرڻ ۽ پروسيسنگ جي خاصيتن کي مدنظر رکندي طريقي کي اپنائڻ ۽ وڌائڻ جي ڪوشش آهي.
ادارن جي ڪاروباري عملن ۾ لاڳو ڪيل مشين لرننگ ماڊلز جي هڪ خاص نازڪ ڪاميٽي جي اچڻ سان، رياضياتي مشين جي سکيا واري ماڊل جي زندگيءَ جي چڪر ۽ سافٽ ويئر جي زندگيءَ جي چڪر جي وچ ۾ هڪ مضبوط هڪجهڙائي محسوس ڪئي وئي. فرق صرف اهو آهي ته ماڊل الگورتھم ٺاهيا ويا آهن مشين سکيا جا اوزار ۽ طريقا استعمال ڪندي. تنهن ڪري، اهو خيال قدرتي طور تي پيدا ٿيو ته مشين سکيا جي ماڊلز لاءِ سافٽ ويئر ڊولپمينٽ لاءِ اڳ ۾ ئي سڃاتل طريقن کي لاڳو ڪرڻ ۽ اپنائڻ لاءِ. اهڙيء طرح، هيٺين اهم مرحلن کي مشيني سکيا جي ماڊل جي زندگيء جي چڪر ۾ فرق ڪري سگهجي ٿو:
- ڪاروباري خيال جي وضاحت؛
- ماڊل ٽريننگ؛
- ڪاروباري عمل ۾ ماڊل جي جانچ ۽ عمل درآمد؛
- ماڊل جي آپريشن.
جڏهن آپريشن دوران نئين ڊيٽا تي ماڊل کي تبديل ڪرڻ يا ٻيهر تربيت ڏيڻ جي ضرورت آهي، چڪر ٻيهر شروع ٿئي ٿو - ماڊل کي بهتر، آزمائشي، ۽ هڪ نئون نسخو لڳايو ويو آهي.
پوئتي هٽڻ. ڇو ٻيهر تربيت ۽ ٻيهر تربيت نه؟ اصطلاح ”ماڊل ريٽريننگ“ جو ٻيڻو مطلب آهي: ماهرن جي وچ ۾ ان جو مطلب آهي ماڊل جي خرابي، جڏهن ماڊل سٺي اڳڪٿي ڪري ٿو، اصل ۾ ٽريننگ سيٽ تي اڳڪٿي ڪيل پيٽرولر کي ورجائي ٿو، پر خارجي ڊيٽا نموني تي وڌيڪ خراب ڪارڪردگي ڏيکاري ٿو. قدرتي طور، اهڙي نموني هڪ عيب آهي، ڇاڪاڻ ته هن عيب ان جي استعمال جي اجازت نه رکندو آھي.
هن زندگي جي چڪر ۾، اهو منطقي لڳي ٿو DevOps اوزار استعمال ڪرڻ: خودڪار ٽيسٽنگ، ڊيپلائيمينٽ ۽ مانيٽرنگ، ڊزائيننگ ماڊل حسابن کي الڳ مائڪرو سروسز جي صورت ۾. پر اتي پڻ ڪجھ خاصيتون آھن جيڪي اضافي ML بائنڊنگ کان سواء انھن اوزار جي سڌي استعمال کي روڪيندا آھن.
ماڊلز کي ڪيئن ڪم ڪجي ۽ فائديمند ٿئي
هڪ مثال جي طور تي جنهن ۾ اسان MLOps طريقي جي استعمال جو مظاهرو ڪنداسين، اسان هڪ بينڪنگ (يا ڪنهن ٻئي) پراڊڪٽ لاء چيٽ سپورٽ روبوٽ ڪرڻ جو کلاسک ڪم ڪنداسين. عام طور تي، هڪ چيٽ سپورٽ ڪاروباري عمل هن طرح ڏسڻ ۾ اچي ٿو: هڪ ڪلائنٽ هڪ چيٽ ۾ هڪ سوال سان هڪ پيغام داخل ڪري ٿو ۽ اڳواٽ بيان ڪيل ڊائلاگ وڻ جي اندر هڪ ماهر کان جواب حاصل ڪري ٿو. اهڙي چيٽ کي خودڪار ڪرڻ جو ڪم عام طور تي ماهر طور تي مقرر ڪيل ضابطن جي استعمال سان حل ڪيو ويندو آهي، جيڪي ترقي ۽ برقرار رکڻ لاء تمام گهڻي محنت وارا آهن. اهڙي خودڪار جي ڪارڪردگي، ڪم جي پيچيدگي جي سطح تي منحصر ڪري، 20-30٪ ٿي سگهي ٿو. قدرتي طور تي، اهو خيال پيدا ٿئي ٿو ته اهو هڪ مصنوعي ڄاڻ رکندڙ ماڊل کي لاڳو ڪرڻ لاء وڌيڪ فائدي وارو آهي - هڪ ماڊل جيڪو مشين لرننگ استعمال ڪندي ٺاهيل آهي، جيڪو:
- آپريٽر جي شموليت کان سواء درخواستن جي وڏي تعداد تي عمل ڪرڻ جي قابل آهي (موضوع تي منحصر ڪري ٿو، ڪجهه حالتن ۾ ڪارڪردگي 70-80٪ تائين پهچي سگهي ٿو)؛
- گفتگو ۾ غير معياري لفظن کي بهتر بڻائي ٿو - ارادي کي طئي ڪرڻ جي قابل آهي، صارف جي حقيقي خواهش جي بنياد تي واضح طور تي نه ٺهيل درخواست؛
- ڄاڻي ٿو ته ڪيئن اندازو لڳايو وڃي ته ماڊل جو جواب مناسب آهي، ۽ جڏهن هن جواب جي ”آگاهه“ بابت شڪ آهن ۽ توهان کي هڪ اضافي واضح سوال پڇڻ يا آپريٽر ڏانهن وڃڻ جي ضرورت آهي؛
- اضافي طور تي خودڪار طور تي تربيت حاصل ڪري سگهجي ٿي (ڊولپرز جي هڪ گروپ جي بدران مسلسل جوابي اسڪرپٽ کي ترتيب ڏيڻ ۽ درست ڪرڻ، ماڊل اضافي طور تي مناسب مشين لرننگ لائبريري استعمال ڪندي ڊيٽا سائنس جي ماهر طرفان تربيت ڏني وئي آهي).
ڪيئن اهڙي ترقي يافته ماڊل ڪم ڪرڻ لاء؟
جيئن ڪنهن ٻئي مسئلي کي حل ڪرڻ سان، اهڙي ماڊل کي ترقي ڪرڻ کان اڳ، اهو ضروري آهي ته هڪ ڪاروباري عمل کي بيان ڪيو وڃي ۽ مخصوص ڪم کي رسمي طور تي بيان ڪيو وڃي جيڪو اسان مشين لرننگ جي طريقي سان حل ڪنداسين. هن نقطي تي، آپريشنلائيزيشن جو عمل، مخفف Ops پاران نامزد ڪيو ويو، شروع ٿئي ٿو.
اڳيون قدم اهو آهي ته ڊيٽا سائنسدان، ڊيٽا انجنيئر جي تعاون سان، ڊيٽا جي دستيابي ۽ ڪافييت کي جانچيندو آهي ۽ ڪاروباري خيال جي عمل جي باري ۾ ڪاروباري مفروضو، هڪ پروٽوٽائپ ماڊل ٺاهي ۽ ان جي حقيقي اثرائتي کي جانچيندو. صرف ڪاروبار طرفان تصديق ٿيڻ کان پوءِ منتقلي ٿي سگھي ٿي ھڪڙي ماڊل کي ترقي ڪرڻ کان وٺي ان کي سسٽم ۾ ضم ڪرڻ لاءِ جيڪو ھڪڙي مخصوص ڪاروباري عمل کي انجام ڏئي ٿو. آخر کان آخر تائين عمل درآمد جي منصوبابندي، هر مرحلي تي هڪ تمام گهڻي ڄاڻ آهي ته ماڊل ڪيئن استعمال ٿيندو ۽ اهو ڪهڙو معاشي اثر آڻيندو، ڪمپني جي ٽيڪنالاجي منظرنامي ۾ MLOps طريقن کي متعارف ڪرائڻ جي عمل ۾ هڪ بنيادي نقطو آهي.
AI ٽيڪنالاجيز جي ترقي سان، مسئلن جو تعداد ۽ مختلف قسم جيڪي حل ڪري سگھجن ٿيون مشين سکيا استعمال ڪندي تيزي سان وڌي رهيا آهن. اهڙي هر ڪاروباري عمل ڪمپني لاءِ بچت آهي ڇو ته ڪاميٽي ملازمن جي محنت جي خودڪار طريقي سان (ڪال سينٽر، چيڪنگ ۽ ترتيب ڏيڻ واري دستاويز، وغيره)، اهو نون پرڪشش ۽ آسان افعال کي شامل ڪندي ڪلائنٽ بيس جي توسيع آهي. پئسا بچائي رهيو آهي انهن جي بهتر استعمال ۽ وسيلن جي ٻيهر ورڇ جي ڪري ۽ گهڻو ڪجهه. آخرڪار، ڪنهن به عمل کي قدر پيدا ڪرڻ تي ڌيان ڏنو ويندو آهي ۽ نتيجي طور، هڪ خاص معاشي اثر آڻڻ گهرجي. هتي اهو تمام ضروري آهي ته واضح طور تي ڪاروباري خيال کي ترتيب ڏيو ۽ ڪمپني جي مجموعي قدر ٺاهڻ واري جوڙجڪ ۾ ماڊل کي لاڳو ڪرڻ کان متوقع منافعي جو اندازو لڳايو. اهڙيون حالتون آهن جڏهن هڪ ماڊل لاڳو ڪرڻ پنهنجو پاڻ کي ثابت نٿو ڪري، ۽ مشين سکيا جي ماهرن طرفان خرچ ڪيل وقت هن ڪم کي انجام ڏيڻ واري آپريٽر جي ڪم جي جڳهه کان گهڻو قيمتي آهي. انهي ڪري اهو ضروري آهي ته AI سسٽم ٺاهڻ جي شروعاتي مرحلن ۾ اهڙن ڪيسن کي سڃاڻڻ جي ڪوشش ڪئي وڃي.
نتيجي طور، ماڊل صرف منافعو پيدا ڪرڻ شروع ڪن ٿا جڏهن MLOps جي عمل ۾ ڪاروباري مسئلو صحيح طور تي ترتيب ڏني وئي آهي، ترجيحات مقرر ڪئي وئي آهي، ۽ ماڊل کي سسٽم ۾ متعارف ڪرائڻ جو عمل ترقي جي شروعاتي مرحلن ۾ ٺاهيو ويو آهي.
نئون عمل - نوان چئلينج
بنيادي ڪاروباري سوال جو هڪ جامع جواب ان بابت ته ڪيئن لاڳو ML ماڊل مسئلا حل ڪرڻ لاءِ آهن، AI ۾ اعتماد جو عام مسئلو MLOps طريقن کي ترقي ۽ لاڳو ڪرڻ جي عمل ۾ اهم چئلينجن مان هڪ آهي. شروعاتي طور تي، ڪاروبار مشين جي سکيا جي عملن ۾ متعارف ڪرائڻ بابت شڪي آهن - اهو انهن هنڌن تي ماڊل تي ڀروسو ڪرڻ ڏکيو آهي، جتي اڳ ۾، ضابطي جي طور تي، ماڻهو ڪم ڪندا هئا. ڪاروبار لاءِ، پروگرام نظر اچن ٿا ”بليڪ باڪس“، جن جي لاڳاپي کي اڃا ثابت ڪرڻو پوندو. ان کان علاوه، بئنڪنگ ۾، ٽيليڪ آپريٽرز ۽ ٻين جي ڪاروبار ۾، حڪومتي ريگيوليٽرن جي سخت ضرورتون آهن. سڀ سسٽم ۽ الگورتھم جيڪي بينڪن جي عملن ۾ لاڳو ڪيا ويا آھن آڊٽ جي تابع آھن. هن مسئلي کي حل ڪرڻ لاء، ڪاروبار ۽ ريگيوٽرز کي ثابت ڪرڻ لاء مصنوعي ڄاڻ رکندڙ جوابن جي صحيحيت ۽ صحيحيت، مانيٽرنگ اوزار متعارف ڪرايو پيو وڃي ماڊل سان گڏ. ان کان سواء، هڪ آزاد تصديق جي طريقيڪار آهي، ريگيوليٽري ماڊل لاء لازمي آهي، جيڪو مرڪزي بئنڪ جي گهرجن کي پورو ڪري ٿو. هڪ آزاد ماهر گروپ ان پٽ ڊيٽا کي مدنظر رکندي ماڊل پاران حاصل ڪيل نتيجن جي آڊٽ ڪري ٿو.
ٻيو چيلنج مشين جي سکيا واري ماڊل کي لاڳو ڪرڻ وقت ماڊل جي خطرن جو جائزو وٺڻ ۽ ان ۾ آڻڻ آهي. جيتوڻيڪ ڪو ماڻهو ان سوال جو جواب سئو سيڪڙو يقين سان نٿو ڏئي سگهي ته اهو ساڳيو لباس اڇو هو يا نيرو، پوءِ مصنوعي ذهانت کي به غلطي ڪرڻ جو حق آهي. اهو پڻ غور ڪرڻ جي قابل آهي ته ڊيٽا وقت سان تبديل ٿي سگهي ٿي، ۽ ماڊل کي ٻيهر تربيت ڏيڻ جي ضرورت آهي ته جيئن ڪافي صحيح نتيجو پيدا ڪرڻ لاء. انهي کي يقيني بڻائڻ ته ڪاروباري عمل متاثر نه ٿئي، اهو ضروري آهي ته ماڊل جي خطرات کي منظم ڪرڻ ۽ ماڊل جي ڪارڪردگي جي نگراني ڪرڻ، باقاعده طور تي ان کي نئين ڊيٽا تي ٻيهر تربيت ڏيڻ.
پر بي اعتمادي جي پهرين مرحلي کان پوء، مخالف اثر ظاهر ٿيڻ شروع ٿئي ٿو. وڌيڪ ماڊل ڪاميابيءَ سان عملن ۾ لاڳو ٿين ٿا، مصنوعي ذهانت جي استعمال لاءِ وڌيڪ ڪاروبار جي خواهش وڌندي ويندي آهي - نوان ۽ نوان مسئلا ملي رهيا آهن جن کي مشيني سکيا جا طريقا استعمال ڪندي حل ڪري سگهجي ٿو. هر ڪم هڪ مڪمل عمل کي شروع ڪري ٿو جيڪو ڪجهه صلاحيتن جي ضرورت آهي:
- ڊيٽا انجنيئر تيار ۽ پروسيس ڊيٽا؛
- ڊيٽا سائنسدان مشين سکيا جا اوزار استعمال ڪندا آهن ۽ هڪ ماڊل ٺاهيندا آهن؛
- آئي ٽي ماڊل کي سسٽم ۾ لاڳو ڪري ٿو؛
- ايم ايل انجنيئر اهو طئي ڪري ٿو ته هن ماڊل کي ڪيئن صحيح طريقي سان پروسيس ۾ ضم ڪيو وڃي، جنهن کي استعمال ڪرڻ لاءِ IT اوزار، ماڊل جي ايپليڪيشن جي موڊ جي ضرورتن جي بنياد تي، درخواستن جي وهڪري، جوابي وقت، وغيره کي مدنظر رکندي.
- هڪ ايم ايل معمار ڊزائين ڪري ٿو ته ڪيئن هڪ سافٽ ويئر پراڊڪٽ جسماني طور تي صنعتي سسٽم ۾ لاڳو ٿي سگهي ٿو.
پوري چڪر کي وڏي تعداد ۾ اعليٰ مهارت رکندڙ ماهرن جي ضرورت آهي. هڪ خاص نقطي تي، ايم ايل ماڊلز جي ڪاروباري عملن ۾ داخل ٿيڻ جي ترقي ۽ درجي ۾، اهو ظاهر ٿئي ٿو ته ماهرن جي تعداد کي لڪير ۾ اسڪيلنگ ڪمن جي تعداد ۾ اضافو جي لحاظ کان قيمتي ۽ غير اثرائتو ٿيندو. تنهن ڪري، سوال پيدا ٿئي ٿو MLOps عمل کي خودڪار ڪرڻ - مشين سکيا جي مسئلن جي ڪيترن ئي معياري طبقن کي بيان ڪرڻ، معياري ڊيٽا پروسيسنگ پائپ لائنز کي ترقي ڪرڻ ۽ ماڊل جي اضافي تربيت. هڪ مثالي تصوير ۾، اهڙن مسئلن کي حل ڪرڻ لاءِ پيشه ور ماڻهن جي ضرورت آهي جيڪي بگ ڊيٽا، ڊيٽا سائنس، ڊيو اوپس ۽ آئي ٽي جي چونڪ تي مهارتن ۾ برابر مهارت رکندڙ آهن. تنهن ڪري، ڊيٽا سائنس جي صنعت ۾ سڀ کان وڏو مسئلو ۽ MLOps جي عمل کي منظم ڪرڻ ۾ سڀ کان وڏو چئلينج موجوده تربيتي مارڪيٽ ۾ اهڙي صلاحيت جي کوٽ آهي. ماهر جيڪي انهن گهرجن کي پورو ڪن ٿا، في الحال مزدور مارڪيٽ تي ناياب آهن ۽ انهن جي وزن ۾ سون جي قيمت آهي.
قابليت جي مسئلي تي
نظريي ۾، سڀ MLOps ڪم حل ڪري سگھجن ٿا ڪلاسڪ DevOps اوزار استعمال ڪندي ۽ رول ماڊل جي خاص توسيع جي مدد ڪرڻ کان سواءِ. پوء، جيئن اسان مٿي ذڪر ڪيو آهي، هڪ ڊيٽا سائنسدان نه رڳو هڪ رياضي دان ۽ ڊيٽا تجزيهڪار هجڻ گهرجي، پر پڻ پوري پائپ لائن جو گرو پڻ آهي - هو آرڪيٽيڪچر کي ترقي ڪرڻ جو ذميوار آهي، ڪيترن ئي ٻولين ۾ پروگرامنگ ماڊل فن تعمير جي بنياد تي، تيار ڪرڻ. هڪ ڊيٽا مارٽ ۽ ايپليڪيشن پاڻ کي ترتيب ڏيڻ. جڏهن ته، MLOps جي آخر کان آخر تائين عمل ۾ لاڳو ڪيل ٽيڪنالاجي فريم ورڪ ٺاهڻ ۾ 80 سيڪڙو تائين مزدوري خرچ اچي ٿو، جنهن جو مطلب اهو آهي ته هڪ قابل رياضي دان، جيڪو هڪ معياري ڊيٽا سائنسدان آهي، پنهنجي وقت جو صرف 20 سيڪڙو وقف ڪندو. . تنهن ڪري، مشين جي سکيا جا ماڊل لاڳو ڪرڻ جي عمل ۾ شامل ماهرن جي ڪردار کي بيان ڪرڻ ضروري آهي.
ڪردارن کي ڪيترو تفصيلي بيان ڪيو وڃي اهو انٽرپرائز جي سائيز تي منحصر آهي. اها هڪ شيءِ آهي جڏهن هڪ شروعات ۾ هڪ ماهر هوندو آهي، توانائي جي ذخيري ۾ هڪ محنت ڪندڙ، جيڪو هن جو پنهنجو انجنيئر، معمار، ۽ DevOps آهي. اهو هڪ مڪمل طور تي مختلف معاملو آهي جڏهن، هڪ وڏي اداري ۾، سڀني ماڊل ڊولپمينٽ عملن کي ڪجهه اعلي سطحي ڊيٽا سائنس ماهرن تي مرڪوز ڪيو ويو آهي، جڏهن ته هڪ پروگرامر يا ڊيٽابيس ماهر - مزدور مارڪيٽ ۾ هڪ وڌيڪ عام ۽ گهٽ قيمتي صلاحيت - وٺي سگهي ٿو. اڪثر ڪم تي، معمولي ڪم.
اهڙيء طرح، ترقي يافته ماڊل جي رفتار ۽ معيار، ٽيم جي پيداوار ۽ ان ۾ مائڪرو ڪلائيميٽ سڌو سنئون ان تي منحصر آهي جتي حد MLOps جي عمل کي سپورٽ ڪرڻ لاء ماهرن جي چونڊ ۾ آهي ۽ ڪيئن ترقي يافته ماڊل کي هلائڻ جي عمل کي منظم ڪيو وڃي ٿو. .
اسان جي ٽيم اڳ ۾ ئي ڪيو آهي
اسان تازو هڪ قابليت جي جوڙجڪ ۽ MLOps عملن جي تعمير شروع ڪئي. پر اسان جا منصوبا ماڊل لائف سائيڪل مينيجمينٽ تي ۽ ماڊلز کي سروس طور استعمال ڪرڻ تي اڳ ۾ ئي MVP ٽيسٽنگ اسٽيج ۾ آهن.
اسان هڪ وڏي اداري لاءِ بهترين قابليت جي جوڙجڪ ۽ پروسيس ۾ سڀني شرڪت ڪندڙن جي وچ ۾ رابطي جي تنظيمي ڍانچي کي پڻ طئي ڪيو. ڪاروباري گراهڪن جي پوري حد تائين مسئلن کي حل ڪرڻ لاءِ چست ٽيمون منظم ڪيون ويون، ۽ پليٽ فارم ۽ انفراسٽرڪچر ٺاهڻ لاءِ پروجيڪٽ ٽيمن سان رابطي جو عمل، جيڪو MLOps جي تعمير هيٺ عمارت جو بنياد آهي، قائم ڪيو ويو.
مستقبل لاء سوال
MLOps هڪ وڌندڙ علائقو آهي جيڪو قابليت جي گهٽتائي جو تجربو ڪري رهيو آهي ۽ مستقبل ۾ رفتار حاصل ڪندو. ساڳئي وقت ۾، اهو بهترين آهي DevOps ترقيات ۽ عملن تي تعمير ڪرڻ. MLOps جو بنيادي مقصد ڪاروباري مسئلن کي حل ڪرڻ لاءِ ML ماڊلز کي وڌيڪ اثرائتي نموني استعمال ڪرڻ آهي. پر اهو ڪيترن ئي سوالن کي جنم ڏئي ٿو:
- ماڊلز کي پيداوار ۾ آڻڻ جو وقت ڪيئن گھٽجي؟
- ڪيئن مختلف صلاحيتن جي ٽيمن جي وچ ۾ بيوروڪريسي ڇڪتاڻ کي گهٽائڻ ۽ تعاون تي ڌيان وڌائڻ؟
- ماڊل کي ڪيئن ٽريڪ ڪرڻ، ورجن کي منظم ڪرڻ ۽ مؤثر نگراني کي منظم ڪرڻ؟
- جديد ايم ايل ماڊل لاءِ واقعي سرڪلر لائف سائيڪل ڪيئن ٺاهيو؟
- مشين لرننگ جي عمل کي ڪيئن معياري بڻايو وڃي؟
انهن سوالن جا جواب گهڻو ڪري اهو طئي ڪندا ته MLOps ڪيتري جلدي پنهنجي پوري صلاحيت تائين پهچي ويندا.
جو ذريعو: www.habr.com