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.
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.
Possui cinco etapas:
- análise de problemas de negócios,
- projetando arquitetura e tecnologias a serem utilizadas,
- definindo problemas de ML a partir de objetivos de negócios,
- compreender os dados necessários para resolver problemas,
conectar-se a dados brutos para análise inicial de dados.imagem)
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.
