MLOps-fallstudie: Ökade vinster med MLOps

MLOps för företag

Arne Jonas Warnke

Head of Emerging Curriculum

Verklig fallstudie

$$

$$

Fallstudie

$$

  • Verkligt exempel
  • Knyter ihop helheten
MLOps för företag

Fallstudie: efterfrågan och tillgång på kylvatten

$$

Affärsfråga:

Prognostisera mängden kylvatten som behövs och finns tillgänglig under de kommande två veckorna

Förberedelse inför potentiella flaskhalsar i produktionen.

$$

MLOps för företag

Modellering av kylvatten

$$

Prognostisering av kylvatten

  • per timme
  • för de kommande två veckorna

$$

24 timmar * 14 dagar = 336 prognoser (varje timme)

$$

Visas i dashboard

  • för ledning och ingenjörer
MLOps för företag

Modellering av kylvatten

$$

Prognos baserad på

  • Interna data
    • Sensorer
    • Produktionsplanering

$$

  • Externa data
    • Väderprognoser

$$

MLOps för företag

Teamet

$$

Teamsammansättning:

  • Datavetare
  • Dataingenjör
  • Dataarkitekt
  • Backendingenjör (vid behov)

Ingen mjukvaruingenjör

MLOps för företag

Samarbete

$$

$$

Samarbete

$$

  • Ingen uppdelning mellan utveckling och drift
  • Självständigt
  • Snabb respons på oväntade händelser
MLOps för företag

Projektets framsteg

  1. Inledande veckor
    • Tydligt affärsmål
    • Datapipelines
    • Basmodell

$$

  1. Medellång sikt
    • Bättre data
    • Bättre modell

$$

MLOps för företag

Projektets framsteg – infrastruktur

  1. Inledande veckor
    • Tydligt affärsmål
    • Datapipelines
    • Basmodell
    • Preliminär infrastruktur

$$

  1. Medellång sikt
    • Bättre data
    • Bättre modell
    • Bättre infrastruktur

$$

Logo GitLab

MLOps för företag

Slutsats

$$

Projektet lyckades

  • Affärsmålen uppfylldes
  • Värdefull information i kritiska situationer

$$

Men

  • enstaka driftstopp
  • misslyckades med att effektivisera applikationen

$$

MLOps för företag

Vår MLOps-mognad

$$

Nivå Beskrivning Kännetecken
0 Ingen MLOps Isolerade team, manuella processer
1 DevOps utan MLOps Isolerade team, automatisk datainsamling, första automatiska tester
2 Automatiserad träning Bättre samarbete, reproducerbarhet, enklare driftsättning
3 Automatiserad driftsättning Gott samarbete, full reproducerbarhet, spårbarhet, automatiserad testning
4 Automatiserad omträning Fullt samarbete, behärskning av drift, mycket få driftstopp
1 https://learn.microsoft.com/en-us/azure/architecture/example-scenario/mlops/mlops-maturity-model
MLOps för företag

Nu kör vi en övning!

MLOps för företag

Preparing Video For Download...