2018 දී, MLOps සංකල්පය වෘත්තීය කවයන් තුළ සහ AI සඳහා කැප වූ තේමාත්මක සම්මන්ත්‍රණවලදී දර්ශනය වූ අතර එය ඉක්මනින් කර්මාන්තයේ ග්‍රහණය කරගත් අතර දැන් ස්වාධීන දිශාවක් ලෙස වර්ධනය වෙමින් පවතී. අනාගතයේදී, MLOps තොරතුරු තාක්ෂණ ක්ෂේත්‍රයේ වඩාත් ජනප්‍රිය අංශයක් බවට පත්විය හැකිය. එය කුමක්ද සහ එය අනුභව කරන්නේ කුමක්ද? අපි පහතින් සොයා බලමු.
MLOps යනු කුමක්ද?
MLOps (යන්ත්ර ඉගෙනුම් තාක්ෂණයන් සහ ක්‍රියාවලීන් ඒකාබද්ධ කිරීම සහ සංවර්ධිත ආකෘති ව්යාපාර ක්‍රියාවලීන් වෙත ක්රියාත්මක කිරීම සඳහා ප්‍රවේශයන්) යනු කෘතිම බුද්ධි පද්ධති නිර්මාණය කිරීමේදී ව්‍යාපාරික නියෝජිතයින්, විද්‍යාඥයින්, ගණිතඥයින්, යන්ත්ර ඉගෙනුම් විශේෂඥයින් සහ තොරතුරු තාක්ෂණ ඉංජිනේරුවන් අතර සහයෝගීතාවයේ නව ක්‍රමයකි.
වෙනත් වචන වලින් කිවහොත්, එය ව්‍යාපාරික ගැටළු විසඳීම සඳහා යන්ත්ර ඉගෙනීමේ ක්‍රම සහ තාක්ෂණයන් ප්‍රයෝජනවත් මෙවලමක් බවට පත් කිරීමේ ක්‍රමයකි.
ආකෘතියේ වර්ධනයට බොහෝ කලකට පෙර ඵලදායිතා දාමය ආරම්භ වන බව තේරුම් ගැනීම අවශ්ය වේ. එහි පළමු පියවර වන්නේ ව්‍යාපාරික ගැටලුවක් නිර්වචනය කිරීම, දත්ත වලින් උකහා ගත හැකි අගය පිළිබඳ උපකල්පනයක් සහ එය යෙදීම සඳහා ව්‍යාපාරික අදහසක්.
MLOps සංකල්පයම පැන නැගුනේ යන්ත්ර ඉගෙනුම් ආකෘති සහ තාක්ෂණයන් සම්බන්ධයෙන් DevOps සංකල්පයට සාදෘශ්‍යයක් වශයෙනි. DevOps යනු මෘදුකාංග සංවර්ධනය සඳහා වන ප්‍රවේශයක් වන අතර එය අඛණ්ඩ සංවර්ධනය, ස්වාධීන ක්ෂුද්‍ර සේවා ගණනාවකට කාර්යයන් බෙදීම, ස්වයංක්‍රීය පරීක්ෂණ සහ පුද්ගල යෙදවීම ඇතුළු ප්‍රවේශයන් ගණනාවක් භාවිතා කරමින් නම්‍යශීලී බව සහ විශ්වසනීයත්වය පවත්වා ගනිමින් පුද්ගල වෙනස්කම් ක්රියාත්මක කිරීමේ වේගය වැඩි කිරීමට ඔබට ඉඩ සලසයි. වෙනස්කම්, ගෝලීය සෞඛ්‍ය අධීක්ෂණය, හඳුනාගත් අසාර්ථකත්වයන් සඳහා වේගවත් ප්‍රතිචාර පද්ධතිය යනාදිය.
DevOps විසින් මෘදුකාංග ජීවන චක්රය නිර්වචනය කර ඇති අතර ප්‍රජාව විශාල දත්ත සඳහා එකම ක්‍රමවේදය යෙදීමේ අදහස ඉදිරිපත් කර ඇත. DataOps යනු විවිධ සහ අන්තර් ක්‍රියාකාරී වේදිකාවල විශාල දත්ත ප්‍රමාණයක් ගබඩා කිරීම, සම්ප්‍රේෂණය කිරීම සහ සැකසීමේ ලක්ෂණ සැලකිල්ලට ගනිමින් ක්‍රමවේදය අනුවර්තනය කිරීමට සහ පුළුල් කිරීමට දරන උත්සාහයකි.
ව්‍යවසායක ව්යාපාර ක්‍රියාවලීන්හි ක්රියාත්මක කරන ලද යන්ත්ර ඉගෙනුම් ආකෘතිවල යම් තීරණාත්මක ස්කන්ධයක් පැමිණීමත් සමඟ, ගණිතමය යන්ත්ර ඉගෙනුම් ආකෘතිවල ජීවන චක්රය සහ මෘදුකාංග ජීවන චක්රය අතර ප්‍රබල සමානකමක් දක්නට ලැබුණි. එකම වෙනස වන්නේ මොඩල් ඇල්ගොරිතම නිර්මාණය කර ඇත්තේ යන්ත්ර ඉගෙනීමේ මෙවලම් සහ ක්‍රම භාවිතා කිරීම පමණි. එබැවින්, යන්ත්ර ඉගෙනුම් ආකෘති සඳහා මෘදුකාංග සංවර්ධනය සඳහා දැනටමත් දන්නා ප්‍රවේශයන් යෙදීම සහ අනුවර්තනය කිරීමේ අදහස ස්වභාවිකවම මතු විය. මේ අනුව, යන්ත්ර ඉගෙනුම් ආකෘතිවල ජීවන චක්‍රයේ පහත ප්‍රධාන අවධීන් වෙන්කර හඳුනාගත හැකිය:
- ව්යාපාර අදහසක් නිර්වචනය කිරීම;
- ආදර්ශ පුහුණුව;
- ව්යාපාර ක්රියාවලිය තුළට ආකෘතිය පරීක්ෂා කිරීම සහ ක්රියාත්මක කිරීම;
- ආකෘතියේ ක්රියාකාරිත්වය.
ක්රියාත්මක වන විට නව දත්ත මත ආකෘතිය වෙනස් කිරීමට හෝ නැවත පුහුණු කිරීමට අවශ්ය වූ විට, චක්රය නැවත ආරම්භ වේ - ආකෘතිය පිරිපහදු කර, පරීක්ෂා කර, නව අනුවාදයක් යොදවනු ලැබේ.
පසුබැසීම. නැවත පුහුණු වී නැවත පුහුණු නොකරන්නේ ඇයි? "ආකෘතිය නැවත පුහුණු කිරීම" යන යෙදුමට ද්විත්ව අර්ථයක් ඇත: විශේෂඥයින් අතර එය ආදර්ශ දෝෂයක් අදහස් කරයි, ආකෘතිය හොඳින් පුරෝකථනය කරන විට, ඇත්ත වශයෙන්ම පුහුණු කට්ටලයේ පුරෝකථනය කළ පරාමිතිය පුනරාවර්තනය කරයි, නමුත් බාහිර දත්ත නියැදිය මත වඩා නරක ලෙස ක්රියා කරයි. ස්වාභාවිකවම, එවැනි ආකෘතියක් දෝෂයකි, මන්ද මෙම දෝෂය එහි භාවිතයට ඉඩ නොදේ.
මෙම ජීවන චක්රය තුළ, DevOps මෙවලම් භාවිතා කිරීම තාර්කික බව පෙනේ: ස්වයංක්‍රීය පරීක්ෂණ, යෙදවීම සහ අධීක්ෂණය, වෙනම ක්ෂුද්‍ර සේවා ආකාරයෙන් ආකෘති ගණනය කිරීම් සැලසුම් කිරීම. නමුත් අතිරේක ML බන්ධනයකින් තොරව මෙම මෙවලම් සෘජුවම භාවිතා කිරීම වළක්වන විශේෂාංග ගණනාවක් ද තිබේ.
ආකෘති වැඩ කරන ආකාරය සහ ලාභ ලබන ආකාරය
අපි MLOps ප්‍රවේශය භාවිතා කිරීම නිරූපණය කරන උදාහරණයක් ලෙස, බැංකු (හෝ වෙනත් ඕනෑම) නිෂ්පාදනයක් සඳහා චැට් සහාය රොබෝකරණය කිරීමේ සම්භාව්‍ය කාර්යය අපි භාර ගනිමු. සාමාන්‍යයෙන්, කතාබස් ආධාරක ව්යාපාර ක්‍රියාවලියක් මේ ආකාරයෙන් පෙනේ: සේවාදායකයකු කතාබස් තුළ ප්‍රශ්නයක් සහිත පණිවිඩයක් ඇතුළු කරන අතර පෙර නිශ්චිත සංවාද ගසක් තුළ විශේෂඥයෙකුගෙන් ප්‍රතිචාරයක් ලබයි. එවැනි කතාබස් ස්වයංක්‍රීය කිරීමේ කාර්යය සාමාන්‍යයෙන් විසඳනු ලබන්නේ දක්ෂ ලෙස නිර්වචනය කරන ලද නීති මාලාවක් භාවිතා කරමිනි, ඒවා සංවර්ධනය කිරීමට සහ නඩත්තු කිරීමට ඉතා ශ්‍රම-දැඩි වේ. එවැනි ස්වයංක්රීයකරණයේ කාර්යක්ෂමතාව, කාර්යයේ සංකීර්ණතා මට්ටම අනුව, 20-30% විය හැක. ස්වාභාවිකවම, කෘතිම බුද්ධි මොඩියුලයක් ක්රියාත්මක කිරීම වඩා ලාභදායී යැයි අදහස පැන නගී - යන්ත්ර ඉගෙනීම භාවිතයෙන් සංවර්ධනය කරන ලද ආකෘතියක්, එනම්:
- ක්රියාකරුගේ සහභාගීත්වය නොමැතිව ඉල්ලීම් විශාල සංඛ්යාවක් සැකසීමට හැකි වේ (මාතෘකාව අනුව, සමහර අවස්ථාවලදී කාර්යක්ෂමතාව 70-80% දක්වා ළඟා විය හැක);
- සංවාදයේ සම්මත නොවන වචන වලට වඩා හොඳින් අනුගත වේ - පැහැදිලිව සකස් නොකළ ඉල්ලීමක් මත පදනම්ව පරිශීලකයාගේ අභිප්‍රාය, සැබෑ ආශාව තීරණය කිරීමට හැකි වේ;
- ආකෘතියේ පිළිතුර ප්‍රමාණවත් වන්නේ කවදාද යන්න තීරණය කරන්නේ කෙසේදැයි දනී, සහ මෙම පිළිතුරේ “දැනුවත්කම” පිළිබඳ සැකයන් ඇති විට සහ ඔබට අමතර පැහැදිලි කිරීමේ ප්‍රශ්නයක් ඇසීමට හෝ ක්‍රියාකරු වෙත මාරු වීමට අවශ්ය වූ විට;
- අතිරේකව ස්වයංක්‍රීයව පුහුණු කළ හැක (ප්‍රතිචාර ස්ක්‍රිප්ට් නිරන්තරයෙන් අනුවර්තනය කිරීම සහ නිවැරදි කිරීම සංවර්ධකයින් කණ්ඩායමක් වෙනුවට, සුදුසු යන්ත්ර ඉගෙනුම් පුස්තකාල භාවිතා කරමින් දත්ත විද්‍යා විශේෂ ist යෙකු විසින් ආකෘතිය අතිරේකව පුහුණු කරනු ලැබේ).
එවැනි උසස් ආකෘතියක් වැඩ කරන්නේ කෙසේද?
වෙනත් ඕනෑම ගැටළුවක් විසඳීමේදී මෙන්, එවැනි මොඩියුලයක් සංවර්ධනය කිරීමට පෙර, ව්යාපාර ක්‍රියාවලියක් නිර්වචනය කිරීම සහ යන්ත්ර ඉගෙනීමේ ක්‍රමය භාවිතයෙන් අප විසඳන නිශ්චිත කාර්යය විධිමත් ලෙස විස්තර කිරීම අවශ්ය වේ. මෙම අවස්ථාවෙහිදී, Ops යන කෙටි යෙදුම මගින් නම් කරන ලද මෙහෙයුම් ක්රියාවලිය ආරම්භ වේ.
මීළඟ පියවර නම්, දත්ත විද්‍යාඥයා, දත්ත ඉංජිනේරුවරයා සමඟ සහයෝගීව, දත්තවල පවතින බව සහ ප්‍රමාණවත් බව සහ ව්‍යාපාරික අදහසෙහි ශක්‍යතාව පිළිබඳ ව්‍යාපාරික කල්පිතය පරීක්ෂා කිරීම, මූලාකෘති ආකෘතියක් සංවර්ධනය කිරීම සහ එහි සත්‍ය සඵලතාවය පරීක්ෂා කිරීමයි. නිශ්චිත ව්යාපාර ක්‍රියාවලියක් සිදු කරන පද්ධතියකට එය ඒකාබද්ධ කිරීම සඳහා ආකෘතියක් සංවර්ධනය කිරීමේ සිට සංක්‍රමණය ආරම්භ කළ හැක්කේ ව්‍යාපාරය විසින් තහවුරු කිරීමෙන් පසුව පමණි. අවසානයේ සිට අවසානය දක්වා ක්රියාත්මක කිරීම සැලසුම් කිරීම, ආකෘතිය භාවිතා කරන ආකාරය සහ එය කුමන ආර්ථික බලපෑමක් ඇති කරයිද යන්න පිළිබඳ සෑම අදියරකදීම ගැඹුරු අවබෝධයක්, සමාගමේ තාක්‍ෂණික භූ දර්ශනයට MLOps ප්‍රවේශයන් හඳුන්වා දීමේ ක්‍රියාවලීන්හි මූලික කරුණකි.
AI තාක්ෂණයන් දියුණු වීමත් සමඟ යන්ත්ර ඉගෙනීම භාවිතයෙන් විසඳිය හැකි ගැටළු සංඛ්‍යාව සහ විවිධත්වය ඝාතීය ලෙස වැඩි වෙමින් පවතී. එවැනි සෑම ව්‍යාපාරික ක්‍රියාවලියක්ම ස්කන්ධ තනතුරු වල සේවකයින්ගේ ස්වයංක්‍රීයකරණය (ඇමතුම් මධ්‍යස්ථානය, ලේඛන පරීක්ෂා කිරීම සහ වර්ග කිරීම යනාදිය) හේතුවෙන් සමාගමට ඉතිරි කිරීමකි, එය නව ආකර්ශනීය සහ පහසු කාර්යයන් එකතු කිරීමෙන් සේවාදායක පදනම පුළුල් කිරීමකි. , එය ප්‍රශස්ත ලෙස භාවිතා කිරීම සහ සම්පත් නැවත බෙදා හැරීම සහ තවත් බොහෝ දේ නිසා මුදල් ඉතිරි කරයි. අවසාන වශයෙන්, ඕනෑම ක්‍රියාවලියක් වටිනාකමක් නිර්මාණය කිරීම කෙරෙහි අවධානය යොමු කර ඇති අතර, එහි ප්‍රතිඵලයක් වශයෙන්, යම් ආර්ථික බලපෑමක් ඇති කළ යුතුය. මෙහිදී ව්‍යාපාරික අදහස පැහැදිලිව සකස් කිරීම සහ සමාගමේ සමස්ත වටිනාකම් නිර්මාණය කිරීමේ ව්‍යුහය තුළ ආකෘතිය ක්රියාත්මක කිරීමෙන් අපේක්ෂිත ලාභය ගණනය කිරීම ඉතා වැදගත් වේ. ආකෘතියක් ක්රියාත්මක කිරීම සාධාරණීකරණය නොකරන විට තත්වයන් ඇති අතර, යන්ත්ර ඉගෙනුම් විශේෂඥයින් විසින් වැය කරන කාලය මෙම කාර්යය ඉටු කරන ක්රියාකරුගේ සේවා ස්ථානයට වඩා බෙහෙවින් මිල අධික වේ. AI පද්ධති නිර්මාණය කිරීමේ මුල් අවධියේදී එවැනි අවස්ථා හඳුනා ගැනීමට උත්සාහ කිරීම අවශ්ය වන්නේ එබැවිනි.
එහි ප්‍රතිඵලයක් ලෙස, MLOps ක්‍රියාවලියේදී ව්‍යාපාරික ගැටලුව නිවැරදිව සකස් කර, ප්‍රමුඛතා සකසා ඇති විට සහ පද්ධතියට ආකෘතිය හඳුන්වාදීමේ ක්රියාවලිය සංවර්ධනයේ මුල් අවධියේදී සකස් කර ඇති විට පමණක් ආකෘති ලාභ උත්පාදනය කිරීමට පටන් ගනී.
නව ක්රියාවලිය - නව අභියෝග
ML ආකෘති ගැටළු විසඳීමට අදාළ වන්නේ කෙසේද යන්න පිළිබඳ මූලික ව්‍යාපාරික ප්‍රශ්නයට සවිස්තරාත්මක පිළිතුරක්, AI කෙරෙහි ඇති විශ්වාසය පිළිබඳ පොදු ගැටළුව MLOps ප්‍රවේශයන් සංවර්ධනය කිරීමේ සහ ක්රියාත්මක කිරීමේ ක්‍රියාවලියේ ප්‍රධාන අභියෝගවලින් එකකි. මුලදී, ව්යාපාර යන්ත්ර ඉගෙනීම ක්‍රියාවලීන්ට හඳුන්වාදීම ගැන සැක පහළ කරයි - මීට පෙර, නීතියක් ලෙස, මිනිසුන් වැඩ කළ ස්ථානවල ආකෘති මත විශ්වාසය තැබීම දුෂ්කර ය. ව්යාපාර සඳහා, වැඩසටහන් "කළු පෙට්ටියක්" ලෙස පෙනේ, එහි අදාළත්වය තවමත් ඔප්පු කළ යුතුය. මීට අමතරව, බැංකුකරණයේදී, ටෙලිකොම් ක්‍රියාකරුවන්ගේ සහ වෙනත් අයගේ ව්‍යාපාරවලදී, රජයේ නියාමකයින්ගේ දැඩි අවශ්‍යතා තිබේ. බැංකු ක්‍රියාවලීන්හි ක්රියාත්මක වන සියලුම පද්ධති සහ ඇල්ගොරිතම විගණනයට යටත් වේ. මෙම ගැටළුව විසඳීම සඳහා, කෘත්‍රිම බුද්ධි ප්‍රතිචාරවල වලංගුභාවය සහ නිවැරදි බව ව්යාපාර සහ නියාමකයින්ට ඔප්පු කිරීම සඳහා, ආකෘතිය සමඟ අධීක්ෂණ මෙවලම් හඳුන්වා දෙනු ලැබේ. ඊට අමතරව, මහ බැංකුවේ අවශ්‍යතා සපුරාලන නියාමන ආකෘති සඳහා අනිවාර්ය ස්වාධීන වලංගු කිරීමේ ක්රියා පටිපාටියක් ඇත. ස්වාධීන විශේෂඥ කණ්ඩායමක් ආදාන දත්ත සැලකිල්ලට ගනිමින් ආකෘතියෙන් ලබාගත් ප්රතිඵල විගණනය කරයි.
දෙවන අභියෝගය වන්නේ යන්ත්ර ඉගෙනුම් ආකෘතියක් ක්රියාත්මක කිරීමේදී ආදර්ශ අවදානම් තක්සේරු කිරීම සහ සැලකිල්ලට ගැනීමයි. එම ඇඳුමම සුදුද නිල්ද යන ප්‍රශ්නයට සියයට සියයක් ස්ථිරව පිළිතුරු දීමට පුද්ගලයෙකුට නොහැකි වුවද, කෘතිම බුද්ධියටද වැරැද්දක් කිරීමට අයිතියක් ඇත. කාලයත් සමඟ දත්ත වෙනස් විය හැකි බව සලකා බැලීම වටී, ප්‍රමාණවත් නිවැරදි ප්‍රති result ලයක් ලබා ගැනීම සඳහා ආකෘති නැවත පුහුණු කළ යුතුය. ව්යාපාර ක්‍රියාවලියට හානියක් නොවන බව සහතික කිරීම සඳහා, ආදර්ශ අවදානම් කළමනාකරණය කිරීම සහ ආකෘතියේ ක්රියාකාරිත්වය අධීක්ෂණය කිරීම, නව දත්ත මත එය නිතිපතා නැවත පුහුණු කිරීම අවශ්ය වේ.
නමුත් අවිශ්වාසයේ පළමු අදියරෙන් පසුව, ප්රතිවිරුද්ධ බලපෑම පෙනෙන්නට පටන් ගනී. ක්‍රියාවලි තුළට වැඩි වැඩියෙන් මාදිලි සාර්ථකව ක්රියාත්මක වන තරමට, කෘතිම බුද්ධිය භාවිතය සඳහා ව්‍යාපාරයේ රුචිය වැඩි වේ - යන්ත්ර ඉගෙනීමේ ක්‍රම භාවිතයෙන් විසඳිය හැකි නව සහ නව ගැටලු සොයා ගැනේ. සෑම කාර්යයක්ම යම් නිපුණතා අවශ්ය වන සම්පූර්ණ ක්‍රියාවලියක් අවුලුවයි:
- දත්ත ඉංජිනේරුවන් දත්ත සකස් කිරීම සහ සැකසීම;
- දත්ත විද්‍යාඥයින් යන්ත්ර ඉගෙනුම් මෙවලම් භාවිතා කරන අතර ආකෘතියක් සංවර්ධනය කරයි;
- තොරතුරු තාක්ෂණය පද්ධතිය තුළට ආකෘතිය ක්රියාත්මක කරයි;
- ML ඉංජිනේරුවරයා මෙම ආකෘතිය ක්‍රියාවලියට නිවැරදිව ඒකාබද්ධ කරන්නේ කෙසේද, කුමන තොරතුරු තාක්ෂණ මෙවලම් භාවිතා කළ යුතුද යන්න තීරණය කරයි, ආකෘතියේ යෙදුම් මාදිලියේ අවශ්‍යතා මත පදනම්ව, ඉල්ලීම් ගලායාම, ප්‍රතිචාර දැක්වීමේ කාලය යනාදිය සැලකිල්ලට ගනී.
- ML ගෘහ නිර්මාණ ශිල්පියෙක් කාර්මික පද්ධතියක් තුළ මෘදුකාංග නිෂ්පාදනයක් භෞතිකව ක්රියාත්මක කළ හැකි ආකාරය සැලසුම් කරයි.
සම්පූර්ණ චක්රය සඳහා ඉහළ සුදුසුකම් ලත් විශේෂඥයින් විශාල සංඛ්යාවක් අවශ්ය වේ. ML මාදිලි ව්‍යාපාරික ක්‍රියාවලීන් වෙත විනිවිද යාමේ වර්ධනයේ සහ මට්ටමෙහි යම් අවස්ථාවක දී, කාර්යයන් සංඛ්‍යාවේ වැඩිවීමට සමානුපාතිකව විශේෂඥයින් සංඛ්‍යාව රේඛීයව පරිමාණය කිරීම මිල අධික හා අකාර්යක්ෂම වන බව පෙනේ. එබැවින්, MLOps ක්රියාවලිය ස්වයංක්‍රීය කිරීම පිළිබඳ ප්‍රශ්නය පැන නගී - යන්ත්ර ඉගෙනීමේ ගැටළු වල සම්මත පන්ති කිහිපයක් නිර්වචනය කිරීම, සම්මත දත්ත සැකසුම් නල මාර්ග සංවර්ධනය කිරීම සහ ආකෘති අතිරේක පුහුණුව. පරමාදර්ශී පින්තූරයක් තුළ, එවැනි ගැටළු විසඳීම සඳහා Big Data, Data Science, DevOps සහ IT යන ඡේදනයන්හි නිපුණතා පිළිබඳ සමානව ප්‍රවීණයන් අවශ්ය වේ. එබැවින්, දත්ත විද්‍යා කර්මාන්තයේ ඇති ලොකුම ගැටලුව සහ MLOps ක්‍රියාවලි සංවිධානය කිරීමේ විශාලතම අභියෝගය වන්නේ පවතින පුහුණු වෙළඳපොලේ එවැනි නිපුණතාවයක් නොමැතිකමයි. මෙම අවශ්‍යතා සපුරාලන විශේෂඥයින් දැනට ශ්‍රම වෙළඳපොලේ දුර්ලභ වන අතර ඔවුන්ගේ බර රත්‍රන් වලින් වටී.
නිපුණතා ගැටලුව සම්බන්ධයෙන්
න්‍යායාත්මකව, සියලුම MLOps කාර්යයන් සම්භාව්‍ය DevOps මෙවලම් භාවිතයෙන් සහ ආදර්ශයේ විශේෂිත දිගුවකට යොමු නොවී විසඳිය හැකිය. එවිට, අප ඉහත සඳහන් කළ පරිදි, දත්ත විද්‍යාඥයෙකු ගණිතඥයෙකු සහ දත්ත විශ්ලේෂකයෙකු පමණක් නොව සමස්ත නල මාර්ගයේ ගුරුවරයෙකු ද විය යුතුය - ගෘහ නිර්මාණ ශිල්පය සංවර්ධනය කිරීම, ගෘහ නිර්මාණ ශිල්පය මත පදනම්ව භාෂා කිහිපයකින් ක්‍රමලේඛන ආකෘති සැකසීම, සකස් කිරීම සඳහා ඔහු වගකිව යුතුය. දත්ත ගබඩාවක් සහ යෙදුමම යෙදවීම. කෙසේ වෙතත්, අවසානයේ සිට අවසානය දක්වා MLOps ක්‍රියාවලියේ ක්රියාත්මක වන තාක්‍ෂණික රාමුව නිර්මාණය කිරීම සඳහා ශ්‍රම පිරිවැයෙන් 80% ක් පමණ වැය වේ, එයින් අදහස් කරන්නේ ගුණාත්මක දත්ත විද්‍යාඥයෙකු වන සුදුසුකම් ලත් ගණිතඥයෙකු තම විශේෂත්වය සඳහා තම කාලයෙන් 20% ක් පමණක් කැප කරන බවයි. . එබැවින්, යන්ත්ර ඉගෙනුම් ආකෘති ක්රියාත්මක කිරීමේ ක්‍රියාවලියට සම්බන්ධ විශේෂඥයින්ගේ භූමිකාවන් නිරූපණය කිරීම ඉතා වැදගත් වේ.
භූමිකාවන් කෙතරම් සවිස්තරාත්මකව නිරූපණය කළ යුතුද යන්න ව්‍යවසායයේ ප්‍රමාණය මත රඳා පවතී. ආරම්භකයකුට එක් විශේෂඥයෙක්, බලශක්ති සංචිතයේ වෙහෙස මහන්සි වී වැඩ කරන්නෙකු, ඔහුගේම ඉංජිනේරුවෙකු, ගෘහ නිර්මාණ ශිල්පියෙකු සහ DevOps සිටින විට එය එක දෙයකි. විශාල ව්‍යවසායක, සියලුම ආකෘති සංවර්ධන ක්‍රියාවලීන් ඉහළ මට්ටමේ දත්ත විද්‍යා විශේෂඥයින් කිහිප දෙනෙකු මත සංකේන්ද්‍රණය වී ඇති විට එය සම්පූර්ණයෙන්ම වෙනස් කාරණයක් වන අතර, ක්‍රමලේඛකයෙකුට හෝ දත්ත සමුදා විශේෂඥයෙකුට - ශ්‍රම වෙළඳපොලේ වඩාත් පොදු සහ අඩු වියදම් නිපුණතාවයක් - ගත හැකිය. බොහෝ වැඩ වල සාමාන්‍ය කාර්යයන්.
මේ අනුව, සංවර්ධිත මාදිලිවල වේගය සහ ගුණාත්මකභාවය, කණ්ඩායමේ ඵලදායිතාව සහ එහි ඇති ක්ෂුද්‍ර ක්ලයිමට් කෙලින්ම රඳා පවතින්නේ MLOps ක්‍රියාවලියට සහාය වීම සඳහා විශේෂඥයින් තෝරා ගැනීමේදී මායිම පිහිටා ඇත්තේ කොතැනද සහ සංවර්ධිත මාදිලි ක්රියාත්මක කිරීමේ ක්රියාවලිය සංවිධානය කරන්නේ කෙසේද යන්න මතය. .
අපේ කණ්ඩායම දැනටමත් කර ඇති දේ
අපි මෑතකදී නිපුණතා ව්‍යුහයක් සහ MLOps ක්‍රියාවලි ගොඩනැගීම ආරම්භ කළෙමු. නමුත් ආදර්ශ ජීවන චක්‍ර කළමනාකරණය සහ මාදිලි සේවාවක් ලෙස භාවිතා කිරීම පිළිබඳ අපගේ ව්‍යාපෘති දැනටමත් MVP පරීක්ෂණ මට්ටමේ පවතී.
විශාල ව්‍යවසායක් සඳහා ප්‍රශස්ත නිපුණතා ව්‍යුහය සහ ක්‍රියාවලියේ සියලුම සහභාගිවන්නන් අතර අන්තර්ක්‍රියාකාරිත්වයේ සංවිධානාත්මක ව්‍යුහය ද අපි තීරණය කළෙමු. සමස්ත ව්‍යාපාරික ගනුදෙනුකරුවන්ගේ ගැටළු විසඳීම සඳහා කඩිසර කණ්ඩායම් සංවිධානය කරන ලද අතර, ඉදිවෙමින් පවතින MLOps ගොඩනැගිල්ලේ පදනම වන වේදිකා සහ යටිතල පහසුකම් නිර්මාණය කිරීම සඳහා ව්‍යාපෘති කණ්ඩායම් සමඟ අන්තර් ක්රියා කිරීමේ ක්‍රියාවලියක් ස්ථාපිත කරන ලදී.
අනාගතය සඳහා ප්රශ්න
MLOps යනු නිපුණතා හිඟයක් අත්විඳින වර්ධනය වන ප්‍රදේශයක් වන අතර අනාගතයේදී වේගවත් වනු ඇත. මේ අතරතුර, DevOps වර්ධනයන් සහ භාවිතයන් මත ගොඩනැගීම වඩාත් සුදුසුය. MLOps හි ප්‍රධාන ඉලක්කය වන්නේ ව්‍යාපාරික ගැටළු විසඳීම සඳහා ML ආකෘති වඩාත් ඵලදායී ලෙස භාවිතා කිරීමයි. නමුත් මෙය බොහෝ ප්රශ්න මතු කරයි:
- නිෂ්පාදනයට ආකෘති දියත් කිරීමට කාලය අඩු කරන්නේ කෙසේද?
- විවිධ නිපුණතා ඇති කණ්ඩායම් අතර නිලධාරිවාදී ඝර්ෂණය අඩු කර සහයෝගීතාව කෙරෙහි අවධානය යොමු කරන්නේ කෙසේද?
- ආකෘති ලුහුබැඳීම, අනුවාද කළමනාකරණය කිරීම සහ ඵලදායී අධීක්ෂණය සංවිධානය කරන්නේ කෙසේද?
- නවීන ML ආකෘතියක් සඳහා සැබෑ වෘත්තාකාර ජීවන චක්රයක් නිර්මාණය කරන්නේ කෙසේද?
- යන්ත්ර ඉගෙනීමේ ක්රියාවලිය ප්‍රමිතිකරණය කරන්නේ කෙසේද?
මෙම ප්‍රශ්නවලට පිළිතුරු බොහෝ දුරට MLOps එහි සම්පූර්ණ විභවය කරා ළඟා වන්නේ කෙසේද යන්න තීරණය කරනු ඇත.
මූලාශ්රය: www.habr.com