Tam otomatik MLOps'a giriş

Tam Otomatik MLOps

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

Endüstriyel ortamda MLOps

Şirketler Machine Learning'i kullanırken yaygın hedefler neler?

Veriden yararlanan ML araç ve ürünleri geliştirmek
- Müşterilere daha iyi hizmet vermek
- Süreçleri optimize etmek

Bir şirketin Machine Learning sistemlerini iç süreçleri iyileştirmek veya müşteriyle temas eden hizmetleri geliştirmek için nasıl kullanabileceğini gösteren bir görsel.

Değer üretimini optimize etmek

Şirketler kârı maksimize etmeyi hedefler

Machine Learning kârlılığı artırmak için kullanılabilir
Maliyet ve gelirleri analiz ederek potansiyel kâr tahmin edilebilir
Doğru sayıda ML kullanım senaryosu devreye almak kâr getirebilir

Bir eğri gösteren grafik. X ekseninde Machine Learning proje sayısı, Y ekseninde projelerin ürettiği gelir var. Eğri, 6 projede yaklaşık 25 milyon gelire kadar artıp plato yapıyor. Bu noktadan sonra gelir yeniden artmadan düşüyor.

Yazılım geliştirmede maliyetler

Geleneksel bir yazılım geliştirme projesinde beklenen maliyetler:

Geliştirme maliyetleri
Proje yönetimi
UI/UX tasarımı
Kalite güvencesi

Yazılım geliştirmede teknik borç

Teknik borç veya tasarım borcu:

Kötü tasarımın yol açtığı yeniden çalışma maliyeti

Kötü inşa edilmiş bir evin önünde iki mühendisin resmi. Biri diğerine "Yeni bir pencere eklemenin neden bu kadar uzun sürdüğünü anlamıyorum." diyor.

¹ https://vincentdnl.com/drawings/

ML sistemlerinde gizli teknik borç

Machine Learning: "Teknik borcun yüksek faizli kredi kartı"[1].

Gizli teknik borç şunlarla ilişkili olabilir:

ML modellerini eğitmek için kullanılan veriler
ML sistemini çalıştıran modeller
ML sisteminin kullandığı altyapı
ML sisteminin izlenmesi

¹ https://research.google/pubs/pub43146/

Machine Learning projelerinin maliyetleri

ML sistemlerindeki teknik borç nedeniyle azalan kâr: $$ $$

Her birinde birer eğri olan iki şekli gösteren görsel. İlkinde tahmini gelir 25 milyon $ olarak hesaplanmış. İkincisinde bu gelir 10 milyon $'a düşmüş.

Teknik borcun yüksek faizli kredi kartı

ML sistemleri karmaşık olabilir ve kontrolden çıkabilir.

Bir ML sistemindeki çok sayıda bileşeni gösteren görsel. Ortada küçük bir bileşen olarak ML kodu var. Çevresinde yapılandırma, veri toplama, veri doğrulama, makine kaynağı yönetimi, sunum altyapısı, izleme, analiz araçları, süreç yönetimi araçları, özellik çıkarımı yer alıyor.

MLOps: Bilinen en iyi ödeme yolu

Eğer ML teknik borcun yüksek faizli kredi kartıysa, MLOps bunu ödemenin en iyi yoludur.

MLOps şunları içerebilir:

Otomatik test
Otomatik deney takibi
Otomatik izleme

Teknik borcu en aza indirmek için

Hadi pratik yapalım!

Tam Otomatik MLOps