Como a maioria dos processos de TI, MLOps tem níveis de maturidade. Eles ajudam as empresas a entender onde estão no processo de desenvolvimento e o que precisa ser mudado em suas abordagens de ML para passar para o próximo nível (se esse for o objetivo). Usar metodologias de nível de maturidade comumente aceitas também permite que as empresas determinem seu lugar entre os concorrentes.
Modelo Google
O Google tem o seu modelo próprio de níveis de maturidade de MLOps. Ele surgiu como um dos primeiros modelos, é conciso e consiste em três níveis:
Nível 0: Processo manual
Nível 1: automação de pipeline de ML
Nível 2: automação de pipeline de CI/CD
É difícil escapar do pensamento de que este modelo se assemelha a instruções para desenhar uma coruja. Primeiro, faça tudo manualmente, depois construa um pipeline de ML e depois automatize MLOps. No entanto, está bem descrito.
Modelo Azure
Hoje, muitas grandes empresas que usam ML criaram seus próprios modelos de maturidade. Azure também tem uma abordagem similar para identificar níveis. No entanto, eles têm mais níveis que o Google:
Nível 0: Sem MLOps
Nível 1: DevOps, mas sem MLOps
Nível 2: Treinamento Automatizado
Nível 3: Implantação automatizada de modelos
Nível 4: Completo MLOps Operações automatizadas
Modelo GigaOm
Além disso, um dos modelos mais detalhados e compreensíveis é da empresa analítica GigaOm. De todos os modelos, é o mais próximo do Capability Maturity Model Integration (CMMI). Este é um conjunto de metodologias de melhoria de processos em organizações, que também consiste em cinco níveis de 0 a 4.
* fonte da imagem: https://research.gigaom.com/report/delivering-on-the-vision-of-mlops
No Modelo GigaOm, cada nível de maturidade é descrito por meio de cinco categorias: estratégia, arquitetura, modelagem, processos e gestão.
Ao usar esse modelo nos estágios iniciais do desenvolvimento e implementação do sistema ML, aspectos importantes podem ser considerados com antecedência e as chances de falha podem ser reduzidas. Na verdade, passar de um nível de maturidade para um mais alto apresenta novos desafios para a equipe, dos quais eles podem não ter conhecimento antes.
Otimização gratuita de custos de nuvem e gerenciamento aprimorado de recursos de ML/IA para toda a vida
Conclusão
Todos os modelos descritos convergem em uma coisa: no nível 0, há uma ausência de quaisquer práticas de ML e, no nível mais alto, há a automação das operações de MLOps. No centro, há sempre algo único que está de alguma forma relacionado à automação gradual das operações de machine learning. Para o Azure, esta é a automação do processo de treinamento e implantação para modelos.
💡 Você também pode se interessar pelo nosso artigo 'Quais são os principais desafios do processo de MLOps?'
Descubra os desafios do processo MLOps, como dados, modelos, infraestrutura e pessoas/processos, e explore possíveis soluções para superá-los → https://hystax.com/what-are-the-main-challenges-of-the-mlops-process.
✔️ 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.
