Machine learning operations (MLOps)

Machine learning operations (MLOps) is het gebruik van machine learning modellen door development/operations (DevOps)-teams. MLOps wil discipline toevoegen aan de ontwikkeling en implementatie van machine learning-modellen door processen te definiëren om ML-ontwikkeling betrouwbaarder en productiever te maken.

De ontwikkeling van machine learning-modellen is inherent experimenteel, en mislukkingen zijn vaak een onderdeel van het proces. De discipline evolueert nog steeds en men begrijpt dat soms zelfs een succesvol ML-model de volgende dag niet meer op dezelfde manier functioneert. Documenting reliable processes and creating safeguarding measures to help reduce development time can create better models.

The MLOps development philosophy is used by those who develop machine learning models, those who deploy them and those who manage the infrastructure that supports them. Standard practices for MLOps include:

  • Starting with existing product API from existing AI services.
  • Taking a modular approach.
  • Running parallel model development, halving the problems if a single model fails.
  • Having pre-trained models ready to show proof of concept.
  • Generalized algorithms showing some success can be further trained for their specific task.
  • Bridging gaps in training data with publicly available data sources.
  • De tijd nemen om gegeneraliseerde AI te ontwikkelen om zo de mogelijkheden te verruimen.

Bezetting is een uitdagend en belangrijk onderdeel van de ontwikkeling van MLOp's. Dezelfde datawetenschappers die verantwoordelijk zijn voor de ontwikkeling van machine learning-algoritmen zijn namelijk misschien niet de meest effectieve personen om ze in te zetten of om softwareontwikkelaars uit te leggen hoe ze ze moeten gebruiken. Sommige van de beste MLOps-teams omarmen het idee van cognitieve diversiteit, het opnemen van mensen die verschillende stijlen van probleemoplossing hebben en unieke perspectieven kunnen bieden omdat ze anders denken.