Сучасна структура MLOps

Розгортання та життєвий цикл MLOps

Nemanja Radojkovic

Senior Machine Learning Engineer

Про мене

Світлина профілю

Senior Machine Learning Engineer
Досвід розробки, розгортання та підтримки моделей машинного навчання в продакшені
Поточний фокус: розгортання ML і життєвий цикл

¹ www.linkedin.com/in/radojkovic

Концептуальний курс

ТАК: Загальне розуміння

концептуальна блок-схема

НІ: Практичні навички

практичне кодування

MLOps

Machine Learning Operations

Принципи
Практики
Інструменти

Мета: ML‑процеси та сервіси

Автоматизовані
Відтворювані
Інтегровані

ops part 1

ops part 2

mlops from dev

Розділ I

Цінність і необхідність MLOps

value

Етапи життєвого циклу моделі

life cycle

Компоненти фреймворку MLOps

building blocks

devops only

devops with mlops

Висока вартість ML без Ops

ЗВИЧАЙНА ТОЧКА СТАРТУ

Ручні ML‑процеси
Ручне розгортання
Разовий моніторинг

=> Накопичення технічного боргу

Технічний борг

прихована вартість додаткової переробки, що виникає через вибір простого (обмеженого) рішення зараз замість кращого підходу, який потребує більше часу

~ Вікіпедія[1]

Відомий документ Google на цю тему:

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

БІЛЬШЕ ЧАСУ Й БІЛЬШЕ МОДЕЛЕЙ У ПРОДАКШЕНІ