En este artículo describimos el bloque del esquema dedicado a la iniciación del proyecto, o inicialización del proyecto.
Por favor, encuentre el esquema completo, que describe los procesos clave de MLOps aquíLas partes principales del esquema son bloques horizontales, en cuyo interior se describen los aspectos procedimentales de MLOps. Cada uno de ellos está diseñado para resolver tareas específicas en el marco de garantizar el funcionamiento ininterrumpido de los servicios de ML de la empresa.
Teniendo en cuenta todo lo anterior, resulta que el equipo de ML:
- conjuntos de datos de formularios,
- realiza experimentos en modelos ML con ellos,
- desarrolla nuevas funciones para ampliar los conjuntos de datos y mejorar el rendimiento del modelo,
- guarda los mejores modelos en el Registro de modelos para su posterior reutilización,
- configura los procesos de servicio y despliegue de modelos,
- Configura la monitorización de modelos en producción y los procesos automáticos para reentrenar los modelos actuales o crear nuevos.
Parece muy caro y no siempre está justificado, por lo que el plan tiene un plan separado. Bloque de iniciación del proyecto MLOps (A), que es responsable del establecimiento racional de objetivos.
Tiene cinco etapas:
- análisis de problemas de negocio,
- diseñar la arquitectura y las tecnologías a utilizar,
- definir los problemas de ML a partir de los objetivos comerciales,
- comprender los datos necesarios para resolver problemas,
Conectarse a los datos sin procesar para el análisis inicial de datos. (imagen)
Optimización gratuita de costos en la nube y gestión mejorada de recursos de ML/AI para toda la vida
El proceso de pensamiento que se ha llevado a cabo en este caso se puede demostrar con el ejemplo de un director de TI de una empresa. Un director de proyectos inspirado acude a él y le pide que instale una nueva plataforma para crear un sistema de aprendizaje automático. Si ambos actúan en beneficio de la empresa, el director de TI le hará preguntas aclaratorias:
- ¿Qué problema de negocio estás intentando resolver con el nuevo sistema ML?
- ¿Por qué decidió que este problema se debía resolver con un nuevo sistema de aprendizaje automático? Tal vez sería más fácil y más barato cambiar los procesos o contratar más personal para brindar soporte técnico.
- ¿Dónde podemos ver un análisis comparativo de los componentes del sistema ML, en base al cual eligieron el conjunto actual?
- ¿Cómo ayudará la arquitectura seleccionada del sistema ML a resolver el problema empresarial?
- ¿Está seguro de que ML tiene el aparato matemático necesario para resolver el problema planteado? ¿Cuál es el enunciado del problema para la solución?
- ¿Sabes dónde obtendrás los datos para el entrenamiento del modelo? ¿Sabes qué datos necesitas para el entrenamiento del modelo?
- ¿Ya has estudiado los datos disponibles? ¿La calidad de los datos es suficiente para resolver el problema del modelo?
El director de TI hará preguntas como si fuera un profesor de la universidad, pero esto le ahorrará dinero a la empresa. Si se responden todas las preguntas, entonces existe una necesidad real de contar con un sistema de aprendizaje automático.
La siguiente pregunta es: ¿debería realizarse MLOps en él?
Depende de la tarea. Si necesita encontrar una solución única, por ejemplo, una prueba de concepto (PoC), entonces no se necesita MLOps. Si es importante procesar una gran cantidad de solicitudes entrantes, entonces se necesita MLOps. Básicamente, el enfoque es similar a la optimización de cualquier proceso corporativo.
Para justificar la necesidad de MLOps ante la gerencia, es necesario preparar respuestas a las preguntas:
- ¿Qué mejorará?
- ¿Cuánto dinero ahorraremos?
- ¿Necesitamos ampliar la plantilla?
- ¿Qué necesitamos comprar?
- ¿Dónde podemos obtener experiencia?
Y luego tomar nuevamente el examen de director de TI.
Pero las dificultades no terminan ahí, ya que también es necesario convencer al equipo de la necesidad de realizar cambios en los procesos y en la tecnología. A veces, esto es más difícil que pedirle un presupuesto a la gerencia.
Para convencer al equipo, prepare respuestas a las preguntas:
- ¿Por qué no podemos seguir trabajando como antes?
- ¿Cuál es el objetivo de los cambios?
- ¿Cuál será la pila tecnológica?
- ¿Qué y a quién debemos aprender?
- ¿Cómo ayudará la empresa a implementar los cambios?
- ¿En qué plazo debemos realizar cambios en el enfoque del aprendizaje automático?
- ¿Qué pasará con aquellos que no tienen tiempo?
Conclusión
Parece que hemos terminado de estudiar el esquema MLOps en detalle. Sin embargo, estos son solo aspectos teóricos. La implementación práctica siempre revela detalles adicionales que pueden cambiar mucho. Una plataforma MLOps lista para usar puede resolver algunos problemas de implementación: una infraestructura preconfigurada para entrenar e implementar modelos ML.
💡 También te puede interesar nuestro artículo 'Procesos clave de MLOps (parte 4): Servir y monitorear modelos de aprendizaje automático' → https://hystax.com/key-mlops-processes-part-4-serving-and-monitoring-machine-learning-models.
✔️ OptScale, una plataforma de código abierto FinOps y MLOps que ayuda a las empresas a optimizar los costos de la nube y brindar más transparencia en el uso de la nube, está completamente disponible en Apache 2.0 en GitHub → https://github.com/hystax/optscale.
