اینجا جایی است که MLOps پذیرش هوش مصنوعی سازمانی را تسریع می‌کند – TechCrunch

در اوایل در دهه 2000، اکثر نرم افزارهای حیاتی تجاری در مراکز داده خصوصی میزبانی می شدند. اما با گذشت زمان، شرکت ها بر شک و تردید خود غلبه کردند و برنامه های کاربردی مهم را به ابر منتقل کردند.

DevOps به این تغییر به سمت فضای ابری دامن زد، زیرا به تصمیم گیرندگان حس کنترل بر برنامه های کاربردی حیاتی تجاری که خارج از مراکز داده خودشان میزبانی می شوند، می دهد.

امروزه، شرکت‌ها در مرحله مشابهی از آزمایش و پذیرش یادگیری ماشین (ML) در محیط‌های تولید خود هستند و یکی از عوامل تسریع‌کننده این تغییر MLOps است.

مشابه استارت آپ های بومی ابری، امروزه بسیاری از استارت آپ ها بومی ML هستند و محصولات متفاوتی را به مشتریان خود ارائه می دهند. اما اکثریت قریب به اتفاق شرکت‌های بزرگ و متوسط ​​یا فقط اکنون برنامه‌های ML را امتحان می‌کنند یا فقط در تلاش هستند تا مدل‌های کاربردی را به تولید برسانند.

در اینجا چند چالش کلیدی وجود دارد که MLO ها می توانند به آنها کمک کنند:

ایجاد همکاری بین تیمی ML کار دشواری است

یک مدل ML ممکن است به سادگی مدلی باشد که ریزش را پیش‌بینی می‌کند، یا به اندازه مدلی که قیمت‌گذاری Uber یا Lyft را بین سن خوزه و سانفرانسیسکو تعیین می‌کند، پیچیده باشد. ایجاد یک مدل و توانمندسازی تیم ها برای بهره مندی از آن، یک تلاش فوق العاده پیچیده است.

علاوه بر نیاز به مقدار زیادی داده تاریخی برچسب‌گذاری شده برای آموزش این مدل‌ها، تیم‌های متعددی نیاز به هماهنگی برای نظارت مستمر مدل‌ها برای کاهش عملکرد دارند.

سه نقش اصلی در مدل‌سازی ML وجود دارد، اما هر کدام انگیزه‌ها و مشوق‌های متفاوتی دارند:

مهندسان داده: مهندسان آموزش دیده در جمع آوری داده ها از منابع متعدد، تمیز کردن و ذخیره آن در قالب های مناسب به طوری که تجزیه و تحلیل انجام شود، برتری دارند. مهندسان داده با ابزارهایی مانند ETL/ELT، انبارهای داده و دریاچه‌های داده بازی می‌کنند و در مدیریت مجموعه داده‌های استاتیک و جریانی به خوبی مهارت دارند. یک خط لوله داده سطح بالا که توسط یک مهندس داده ایجاد شده است ممکن است به شکل زیر باشد:

اعتبار تصویر: آشیش کاکران، Thomvest Ventures

دانشمندان داده: اینها متخصصانی هستند که می توانند رگرسیون های پیچیده را در خواب انجام دهند. دانشمندان داده با استفاده از ابزارهای رایج مانند زبان پایتون، نوت بوک های Jupyter و Tensorflow، داده های ارائه شده توسط مهندسان داده را می گیرند و آن ها را تجزیه و تحلیل می کنند که منجر به مدلی بسیار دقیق می شود. دانشمندان داده عاشق آزمایش الگوریتم‌های مختلف و مقایسه این مدل‌ها برای دقت هستند، اما پس از آن کسی باید کار کند تا مدل‌ها را به تولید برساند.

مهندسان هوش مصنوعی / مهندسان DevOps: اینها متخصصانی هستند که زیرساخت ها را درک می کنند، می توانند مدل ها را به تولید ببرند و اگر مشکلی پیش آمد، می توانند به سرعت مشکل را تشخیص دهند و روند حل را آغاز کنند.

MLOps این سه شخصیت مهم را قادر می‌سازد تا به طور مداوم برای ارائه پیاده‌سازی‌های هوش مصنوعی موفق با یکدیگر همکاری کنند.

گسترش ابزارهای ML

در دنیای جدید توسعه‌دهنده، تیم‌ها می‌توانند از میان ابزارهای زیادی برای حل مشکلات خود انتخاب کنند.