Автоматизація

Розроблення моделей машинного навчання для продакшну

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Вступ до ML-автоматизації

Автоматизація забезпечує надійність і ефективність ML-пайплайнів
Зменшує ризик людських помилок
Спрощує розробку та розгортання
Чотири головні принципи MLOps:
- Continuous Integration (CI)
- Continuous Deployment (CD)
- Continuous Training (CT)
- Continuous Monitoring (CM)

Continuous Integration (CI) Регулярна інтеграція змін коду до спільного репозиторію кодинг

Continuous Delivery (CD) Автоматичне збирання, тестування та розгортання змін коду пакунок

Continuous Training (CT) Безперервне навчання та оновлення моделі новими даними

мозок

Continuous Monitoring (CM) Постійний моніторинг продуктивності та точності моделі

Continuous Integration (CI)

Continuous Delivery (CD)

Інструменти CI/CD: Git, AWS CodePipeline, Jenkins, Travis CI

jenkins

Continuous Training (CT)

Continuous Monitoring (CM)

монітор

CI: Код моделі комітиться до Git.
CD: Закомічений код збирається й тестується інструментом CI/CD, як-от Jenkins. Якщо тести пройдені, ми розгортаємо.
- Модель серіалізується.
- Залежності налаштовуються через Docker.
- Docker-образ розгортається.
CM: Продуктивність моделі постійно моніториться.
- Моніторинг інформує рішення щодо моделі.
- Інструменти CM: Prometheus і Grafana
CT: Модель навчається на нових даних.
Пишеться новий код / оновлюються моделі ... повертаємось до кроку 1

Розроблення моделей машинного навчання для продакшну