Wprowadzenie do w pełni zautomatyzowanych MLOps

W pełni zautomatyzowany MLOps

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

MLOps w środowisku przemysłowym

Jakie cele stawiają sobie firmy, stosując uczenie maszynowe?

  • Rozwijanie narzędzi i produktów ML wykorzystujących dane, aby
    • Lepiej obsługiwać klientów
    • Optymalizować procesy

Obraz pokazujący, jak firma może używać systemów ML do usprawniania procesów wewnętrznych lub poprawy usług skierowanych do klientów.

W pełni zautomatyzowany MLOps

Optymalizacja generowania wartości

Firmy dążą do maksymalizacji zysków

  • Uczenie maszynowe może zwiększać rentowność
  • Analiza kosztów i przychodów pozwala szacować potencjalne zyski
  • Wdrożenie odpowiedniej liczby zastosowań ML może generować zyski

Wykres przedstawiający krzywą. Na osi X liczba projektów ML, na osi Y przychody generowane przez projekty. Krzywa rośnie, osiągając plateau przy 6 projektach i przychodzie ok. 25 mln. Po tym plateau przychody maleją i nie rosną ponownie.

W pełni zautomatyzowany MLOps

Koszty w wytwarzaniu oprogramowania

Oczekiwane koszty w tradycyjnym projekcie wytwarzania oprogramowania:

  • Koszty wytworzenia
  • Zarządzanie projektem
  • Projektowanie UI/UX
  • Zapewnienie jakości
W pełni zautomatyzowany MLOps

Dług techniczny w wytwarzaniu oprogramowania

Dług techniczny lub projektowy:

  • Koszt poprawek wynikający ze złego projektu

Dwóch inżynierów przed źle zbudowanym domem. Jeden mówi do drugiego: "Nie rozumiem, czemu dodanie nowego okna zajmuje tak dużo czasu."

1 https://vincentdnl.com/drawings/
W pełni zautomatyzowany MLOps

Ukryty dług techniczny w systemach ML

Uczenie maszynowe: "Karta kredytowa długu technicznego z wysokim oprocentowaniem"[1].

Ukryty dług techniczny może dotyczyć:

  1. Danych używanych do trenowania modeli ML
  2. Modeli zasilających system ML
  3. Infrastruktury wykorzystywanej przez system ML
  4. Monitorowania systemu ML
1 https://research.google/pubs/pub43146/
W pełni zautomatyzowany MLOps

Koszty projektów uczenia maszynowego

Zmniejszony zysk z powodu długu technicznego w systemach ML: $$ $$

Obraz przedstawiający dwa wykresy. Na pierwszym szacowany przychód wynosi 25 mln USD. Na drugim przychód ten spada do 10 mln USD.

W pełni zautomatyzowany MLOps

Karta kredytowa długu technicznego z wysokim oprocentowaniem

Systemy ML mogą być złożone i trudne w zarządzaniu.

Obraz przedstawiający liczne komponenty systemu ML. Kod ML to mały element centralny. Wokół niego znajdują się: konfiguracja, zbieranie danych, walidacja danych, zarządzanie zasobami, infrastruktura serwowania, monitorowanie, narzędzia analityczne, narzędzia zarządzania procesami, ekstrakcja cech.

W pełni zautomatyzowany MLOps

MLOps: Najlepszy znany sposób na spłatę

Jeśli ML to karta kredytowa długu technicznego z wysokim oprocentowaniem, MLOps to najlepszy sposób na jego spłatę.

MLOps może obejmować:

  • Automatyczne testowanie
  • Automatyczne śledzenie eksperymentów
  • Automatyczne monitorowanie

Aby minimalizować dług techniczny

W pełni zautomatyzowany MLOps

Czas na ćwiczenia!

W pełni zautomatyzowany MLOps

Preparing Video For Download...