MLOps 的最佳实践与误区

面向业务的 MLOps

Arne Jonas Warnke

Head of Emerging Curriculum

本视频内容

$$

MLOps

• 最佳实践
• 需避免的误区

$$

设计 MLOps 应用的最佳实践

$$

• 首先获取更好的数据
  • 而非更复杂的模型
  • 数据中心化 方法

$$

• 从业务问题出发
  • 可行性不明时先做 PoC
  • 及早评估潜在瓶颈
  • 即使_失败_也要确保有收获

$$

基础设施

$$

基础设施最佳实践

• 计算需求波动
  • 训练时尤其高
  • 基础设施需为此做好准备
• 注意相关成本

$$

建模最佳实践

$$

从 MLOps 视角的最佳实践：

• 先从简单模型开始
  • 开发快，可作基线
  • 更易理解

添加新模型时：

• 是否优于现状？

$$

测试

$$

自动化测试

覆盖全生命周期

• 代码
• 模型
• 数据质量
• 完整流水线

代码质量与可复现性

$$

所有结果

• 可理解
• 可复现

=> 测试代码质量

$$

知识传递

$$

版本控制

• 模型与代码
• （存储）数据

保持文化：

• 文档化
• 干净代码
• 知识传递

$$

记录洞见

$$

记录获得的知识

• 即使未用于最终应用

$$

运维最佳实践

$$

自动化

• 日志
• 监控 实践

$$

团队训练有素

• 能对错误快速响应

$$

• 持续监控 / 持续训练

$$

Passons à la pratique !

面向业务的 MLOps