Monitorowanie, ponowne szkolenie i zastępowanie aplikacji MLOps

MLOps dla biznesu

Arne Jonas Warnke

Head of Emerging Curriculum

Eksploatacja modeli uczenia maszynowego

$$ Kroki fazy operacyjnej

MLOps dla biznesu

Przygotowanie do wdrożenia

$$ Faza przed wdrożeniem

MLOps dla biznesu

Przygotowanie do wdrożenia

  • Zapewnienie spójności wyników modeli w każdym środowisku
    • Obejmuje konteneryzację
  • Dodatkowe sprawdzenia
    • Bezpieczeństwo

$$

Zwykle zadanie

  • Inżyniera oprogramowania lub inżyniera uczenia maszynowego

$$

Kontenery w porcie

MLOps dla biznesu

Wdrażanie aplikacji MLOps

$$ Faza wdrożenia

MLOps dla biznesu

Wdrażanie aplikacji MLOps

Wdrożenie (przez CI/CD)

  • Jest w dużej mierze zautomatyzowane
  • Obejmuje różne (zautomatyzowane) testy
  • Umożliwia szybkie cofanie zmian

$$

Zwykle zadanie

  • Inżyniera oprogramowania lub inżyniera uczenia maszynowego

$$

Kobieta odbierająca zamówienie z dostawą jedzenia

MLOps dla biznesu

Monitorowanie aplikacji MLOps

Faza monitorowania

MLOps dla biznesu

Monitorowanie aplikacji MLOps

Model jest już aktywny i

  • Generuje wartość biznesową
  • Przestoje i problemy są kosztowne
  • Wymaga ścisłego monitorowania
    • W dużej mierze zautomatyzowanego

W przypadku awarii modelu

  • Może być konieczne zaangażowanie różnych osób

Jakość modelu z czasem się pogarsza.

$$

Futurystyczna sala monitoringu

MLOps dla biznesu

Ponowne szkolenie modeli uczenia maszynowego

Faza ponownego szkolenia

MLOps dla biznesu

Ponowne szkolenie modeli uczenia maszynowego

Wydajność modelu zwykle się pogarsza

  • Zmiany gospodarcze
  • Zmieniające się preferencje klientów

Wymaga to regularnego ponownego szkolenia modeli

  • Można je częściowo zautomatyzować

Główne zadanie

  • Data scientista / inżyniera uczenia maszynowego

$$

Obraz okręgu

MLOps dla biznesu

Czas na ćwiczenia!

MLOps dla biznesu

Preparing Video For Download...