Cómo una startup de TI facilitó y mejoró la gestión de modelos de ML y el seguimiento de experimentos

La Compañía adoptó la versión OptScale SaaS, aprovechando sus características dirigidas a la gestión de costos (FinOps) y MLOps. La capacidad de OptScale para brindar información detallada sobre los costos de cada recurso de la nube y su motor de recomendación de optimización de costos ayudaron a la empresa a administrar y optimizar sus costos de manera eficiente.

• Instrumentación de entrenamiento de modelos ML

Esta característica de OptScale facilitó el entrenamiento eficiente del modelo ML y utilizó el seguimiento de recursos en la nube.

• Tablero/tabla de clasificación del modelo

El tablero de OptScale permitió una vista completa de varias métricas de entrenamiento para cada modelo de ML. Esta opción ayudó al equipo a obtener información para modelar el rendimiento, tomar decisiones informadas y ajustar las operaciones según fuera necesario.

• Información sobre el rendimiento del entrenamiento de modelos

Los desarrolladores obtuvieron información valiosa de las métricas de rendimiento recopiladas para cada etapa de cada sesión de capacitación del modelo ML e implementaron mejoras de código para reducir el tiempo de capacitación.

• Runsets para el ajuste de hiperparámetros

Aprovechando esta función, el equipo estableció el marco y las plantillas para ejecutar sesiones de ajuste de hiperparámetros mediante instancias de spot. Este enfoque también mejoró la eficiencia del ajuste de los hiperparámetros y ayudó a controlar los costos al establecer presupuestos y duraciones máximas para las tareas de capacitación del modelo.

• Recomendaciones para un uso óptimo de la nube

OptScale brindó recomendaciones valiosas para el equipo de capacidad de la nube utilizado para la capacitación de ML.

• Asignación de recursos

La información detallada de OptScale sobre la utilización de recursos permitió al equipo monitorear y ajustar la asignación de recursos de manera efectiva para las sesiones de capacitación de ML, lo que generó ahorros sustanciales en costos y operaciones de ML mejoradas.