Det moderna MLOps-ramverket

MLOps-driftsättning och livscykelhantering

Nemanja Radojkovic

Senior Machine Learning Engineer

Om mig

Profilbild

Senior maskininlärningsingenjör
Erfarenhet av att utveckla, driftsätta och underhålla maskininlärningsmodeller i produktion
Nuvarande fokus: ML-driftsättning och livscykelhantering

¹ www.linkedin.com/in/radojkovic

Konceptuell kurs

JA: Konceptuell förståelse

konceptuellt flödesschema

NEJ: Praktiska färdigheter

praktisk kodning

MLOps

Machine Learning Operations

Principer
Metoder
Verktyg

Mål: ML-arbetsflöden och tjänster

Automatiserade
Reproducerbara
Integrerade

ops del 1

ops del 2

mlops från dev

Kapitel I

Värdet och nyttan med MLOps

värde

Modellens livscykelsteg

livscykel

Komponenter i MLOps-ramverket

byggblock

devops enbart

devops med mlops

Den höga kostnaden för ML utan Ops

VANLIG UTGÅNGSPUNKT

Manuella ML-arbetsflöden
Manuell driftsättning
Ad hoc-övervakning

=> Ackumulering av teknisk skuld

Teknisk skuld

den underförstådda kostnaden för extra omarbetning som uppstår när man väljer en enkel (begränsad) lösning nu i stället för ett bättre angreppssätt som skulle ta längre tid

~ Wikipedia[1]

Känt Google-paper om ämnet:

"Machine Learning: The high-interest credit card of technical debt"[2]

MER TID OCH FLER DRIFTSATTA MODELLER