Como uma startup de TI facilitou e aprimorou o gerenciamento de modelos de ML e o rastreamento de experimentos

A Companhia adotou a versão OptScale SaaS, aproveitando suas funcionalidades voltadas para gestão de custos (FinOps) e MLOps. A capacidade da OptScale de fornecer informações de custo detalhadas para cada recurso de nuvem e seu mecanismo de recomendação de otimização de custo ajudaram a empresa a gerenciar e otimizar seus custos com eficiência.

• Instrumentação de treinamento de modelo de ML

Esse recurso do OptScale facilitou o treinamento eficiente do modelo de ML e utilizou o rastreamento de recursos na nuvem.

• Modelo de painel/cabeçalho

O painel do OptScale permitiu uma visão abrangente de várias métricas de treinamento para cada modelo de ML. Essa opção ajudou a equipe a obter insights para modelar o desempenho, tomar decisões informadas e ajustar as operações conforme necessário.

• Insights de desempenho de treinamento de modelo

Os desenvolvedores obtiveram informações valiosas das métricas de desempenho coletadas para cada estágio de cada sessão de treinamento do modelo de ML e implementaram melhorias de código para reduzir o tempo de treinamento.

• Runsets para ajuste de hiperparâmetros

Aproveitando esse recurso, a equipe definiu a estrutura e os modelos para executar sessões de ajuste de hiperparâmetros usando instâncias spot. Essa abordagem também melhorou a eficiência do ajuste de hiperparâmetros e ajudou a controlar os custos, definindo orçamentos e durações máximas para tarefas de treinamento de modelo.

• Recomendações para o uso ideal da nuvem

A OptScale forneceu recomendações valiosas para a equipe de capacidade de nuvem usada para treinamento de ML.

• Alocação de recursos

Os insights detalhados do OptScale sobre a utilização de recursos permitiram que a equipe monitorasse e ajustasse a alocação de recursos de forma eficaz para sessões de treinamento de ML, levando a economias substanciais de custos e operações de ML aprimoradas.