Studium przypadku MLOps: Zwiększanie zysków z MLOps

MLOps dla biznesu

Arne Jonas Warnke

Head of Emerging Curriculum

Rzeczywiste studium przypadku

$$

$$

Studium przypadku

$$

  • Rzeczywisty przykład
  • Podsumowanie całości
MLOps dla biznesu

Studium przypadku: zapotrzebowanie i dostępność wody chłodzącej

$$

Pytanie biznesowe:

Przewidywanie ilości wody chłodzącej wymaganej i dostępnej w ciągu najbliższych dwóch tygodni

Przygotowanie na potencjalne wąskie gardła.

$$

MLOps dla biznesu

Modelowanie wody chłodzącej

$$

Prognozowanie wody chłodzącej

  • w ujęciu godzinowym
  • na najbliższe dwa tygodnie

$$

24 godziny × 14 dni = 336 prognoz (co godzinę)

$$

Prezentowane na dashboardzie

  • dla zarządu i inżynierów
MLOps dla biznesu

Modelowanie wody chłodzącej

$$

Prognoza na podstawie

  • Danych wewnętrznych
    • Czujniki
    • Planowanie produkcji

$$

  • Danych zewnętrznych
    • Prognoza pogody

$$

MLOps dla biznesu

Zespół

$$

Skład zespołu:

  • Data scientist
  • Inżynier danych
  • Architekt danych
  • Inżynier backend (okazjonalnie)

Brak inżyniera oprogramowania

MLOps dla biznesu

Współpraca

$$

$$

Współpraca

$$

  • Brak podziału między rozwojem a operacjami
  • Autonomiczny zespół
  • Szybka reakcja na nieprzewidziane zdarzenia
MLOps dla biznesu

Postęp projektu

  1. Pierwsze tygodnie
    • Jasny cel biznesowy
    • Potoki danych
    • Model bazowy

$$

  1. Średni termin
    • Lepsze dane
    • Lepszy model

$$

MLOps dla biznesu

Postęp projektu – infrastruktura

  1. Pierwsze tygodnie
    • Jasny cel biznesowy
    • Potoki danych
    • Model bazowy
    • Wstępna infrastruktura

$$

  1. Średni termin
    • Lepsze dane
    • Lepszy model
    • Lepsza infrastruktura

$$

Logo GitLab

MLOps dla biznesu

Wnioski

$$

Projekt zakończony sukcesem

  • Cele biznesowe osiągnięte
  • Cenne informacje w kluczowych momentach

$$

Ale

  • kilka przestojów
  • nie udało się usprawnić aplikacji

$$

MLOps dla biznesu

Nasz poziom dojrzałości MLOps

$$

Poziom Opis Najważniejsze cechy
0 Brak MLOps Izolowane zespoły, procesy manualne
1 DevOps bez MLOps Izolowane zespoły, automatyczne zbieranie danych, pierwsze testy automatyczne
2 Zautomatyzowane trenowanie Lepsza współpraca, odtwarzalność, łatwiejsze wdrożenie
3 Zautomatyzowane wdrażanie Dobra współpraca, pełna odtwarzalność, śledzenie, automatyczne testy
4 Zautomatyzowane ponowne trenowanie Pełna współpraca, opanowane operacje, bardzo mało przestojów
1 https://learn.microsoft.com/en-us/azure/architecture/example-scenario/mlops/mlops-maturity-model
MLOps dla biznesu

Czas na ćwiczenia!

MLOps dla biznesu

Preparing Video For Download...