Whitepaper 'FinOps e gerenciamento de custos para Kubernetes'
Por favor, considere dar ao OptScale um Estrela no GitHub, é código aberto 100%. Aumentaria sua visibilidade para outros e aceleraria o desenvolvimento de produtos. Obrigado!
Ebook 'De FinOps a estratégias comprovadas de gerenciamento e otimização de custos de nuvem'
OptScale FinOps
OptScale — FinOps
Visão geral do FinOps
Otimização de custos:
AWS
Microsoft Azure
Google Cloud
Nuvem Alibaba
Kubernetes
MLOps
OptScale — MLOps
Perfil de ML/IA
Otimização de ML/IA
Criação de perfil de Big Data
PREÇOS OPTSCALE
cloud migration
Acura – migração para nuvem
Visão geral
Nova plataforma de banco de dados
Migração para:
AWS
Microsoft Azure
Google Cloud
Nuvem Alibaba
VMware
Pilha aberta
KVM
Nuvem pública
Migração de:
Na premissa
disaster recovery
Acura – DR e backup na nuvem
Visão geral
Migração para:
AWS
Microsoft Azure
Google Cloud
Nuvem Alibaba
VMware
Pilha aberta
KVM

Principais processos de MLOps (parte 5): Iniciação do projeto ou inicialização do projeto

Neste artigo, descrevemos o bloco do esquema dedicado à iniciação do projeto, ou inicialização do projeto.

Por favor, encontre o esquema completo, que descreve os principais processos de MLOps aqui. As principais partes do esquema são blocos horizontais, dentro dos quais os aspectos procedimentais dos MLOps são descritos. Cada um deles é projetado para resolver tarefas específicas dentro da estrutura de garantir a operação ininterrupta dos serviços de ML da empresa. 

MLOps_ML-project-initiation

Levando tudo isso em consideração, verifica-se que a equipe de ML:

  • conjuntos de dados de formulários,
  • realiza experimentos em modelos de ML com eles,
  • desenvolve novos recursos para expandir conjuntos de dados e melhorar o desempenho do modelo,
  • salva os melhores modelos no Registro de Modelos para reutilização posterior,
  • configura os processos de modelos de Servir e Implantar,
  • configura o monitoramento de modelos em produção e processos automáticos para retreinar os modelos atuais ou criar novos.

Parece muito caro e nem sempre é justificado. Portanto, o esquema tem um separado Bloco de iniciação do projeto MLOps (A), que é responsável pelo estabelecimento racional de metas.

MLOps Project Initiation block_A

Possui cinco etapas:

  1. análise de problemas de negócios,
  2. projetando arquitetura e tecnologias a serem utilizadas,
  3. definindo problemas de ML a partir de objetivos de negócios,
  4. compreender os dados necessários para resolver problemas,

conectar-se a dados brutos para análise inicial de dados.imagem)

cost optimization, ML resource management

Otimização gratuita de custos de nuvem e gerenciamento aprimorado de recursos de ML/IA para toda a vida

O processo de pensamento aqui pode ser demonstrado usando o exemplo de um diretor de TI em uma empresa. Um gerente de projeto inspirado vem até ele e solicita uma nova instalação de uma plataforma para construir um sistema de ML. Se ambos agirem no interesse da empresa, o diretor de TI fará perguntas esclarecedoras:

  • Que problema de negócios você está tentando resolver com o novo sistema de ML?
  • Por que você decidiu que esse problema precisa ser resolvido com um novo sistema de ML? Talvez fosse mais fácil e barato mudar processos ou contratar mais pessoas para suporte técnico.
  • Onde podemos ver uma análise comparativa dos componentes do sistema de ML, com base nos quais você escolheu o conjunto atual?
  • Como a arquitetura selecionada do sistema de ML ajudará a resolver o problema de negócios?
  • Você tem certeza de que ML tem o aparato matemático necessário para resolver o problema declarado? Qual é a declaração do problema para a solução?
  • Você sabe onde obterá os dados para o treinamento do modelo? Você sabe quais dados precisa para o treinamento do modelo?
  • Você já estudou os dados disponíveis? A qualidade dos dados é suficiente para resolver o problema do modelo?

O diretor de TI questionará como um professor em uma faculdade, mas isso economizará dinheiro para a empresa. Se todas as perguntas forem respondidas, então há uma necessidade real para o sistema ML.

A próxima pergunta é: MLOps devem ser feitos nele?

Depende da tarefa. Se você precisa encontrar uma solução única, por exemplo, uma Prova de Conceito (PoC), então MLOps não é necessário. Se for importante processar um grande número de solicitações de entrada, então MLOps é necessário. Essencialmente, a abordagem é semelhante à otimização de qualquer processo corporativo.

Para justificar a necessidade de MLOps para a gerência, você precisa preparar respostas para as perguntas:

  • O que vai melhorar?
  • Quanto dinheiro economizaremos?
  • Precisamos expandir a equipe?
  • O que precisamos comprar?
  • Onde podemos obter conhecimento especializado?

E depois faça o exame de diretor de TI novamente.

Mas as dificuldades não param por aí, pois a equipe também precisa ser convencida da necessidade de mudanças de processo e pilha de tecnologia. Às vezes, isso é mais difícil do que pedir um orçamento à gerência.

Para convencer a equipe, prepare respostas para as perguntas:

  • Por que não podemos continuar trabalhando como antes?
  • Qual é o objetivo das mudanças?
  • Qual será a pilha de tecnologia?
  • O que e quem precisamos aprender?
  • Como a empresa ajudará na implementação das mudanças?
  • Em que prazo precisamos fazer mudanças na abordagem de ML?
  • O que acontecerá com aqueles que não têm tempo?

Conclusão

Parece que terminamos de estudar o esquema MLOps em detalhes aqui. No entanto, esses são apenas aspectos teóricos. A implementação prática sempre revela detalhes adicionais que podem mudar muito. Uma plataforma MLOps pronta pode resolver alguns problemas de implementação – uma infraestrutura pré-configurada para treinar e implementar modelos de ML.

💡 Você também pode se interessar pelo nosso artigo 'Principais processos de MLOps (parte 4): Atendendo e monitorando modelos de aprendizado de máquina' → https://hystax.com/key-mlops-processes-part-4-serving-and-monitoring-machine-learning-models.

✔️ OptScale, uma plataforma de código aberto FinOps & MLOps, que ajuda empresas a otimizar custos de nuvem e trazer mais transparência ao uso da nuvem, está totalmente disponível no Apache 2.0 no GitHub → https://github.com/hystax/optscale.

Digite seu e-mail para ser notificado sobre conteúdo novo e relevante.

Obrigado por se juntar a nós!

Esperamos que você ache útil

Você pode cancelar a assinatura dessas comunicações a qualquer momento. política de Privacidade

Novidades e Relatórios

FinOps e MLOps

Uma descrição completa do OptScale como uma plataforma de código aberto FinOps e MLOps para otimizar o desempenho da carga de trabalho na nuvem e o custo da infraestrutura. Otimização de custo de nuvem, Dimensionamento correto de VM, instrumentação PaaS, Localizador de duplicatas S3, Uso RI/SP, detecção de anomalias, + ferramentas de desenvolvedor de IA para utilização ideal da nuvem.

FinOps, otimização de custos de nuvem e segurança

Conheça nossas melhores práticas: 

  • Como liberar IPs elásticos no Amazon EC2
  • Detectar VMs do MS Azure interrompidas incorretamente
  • Reduza sua fatura da AWS eliminando instantâneos de disco órfãos e não utilizados
  • E insights muito mais profundos

Otimize o uso de RI/SP para equipes de ML/AI com OptScale

Descubra como:

  • veja cobertura RI/SP
  • obtenha recomendações para uso ideal de RI/SP
  • aprimore a utilização de RI/SP por equipes de ML/IA com OptScale