Escale su aprendizaje automático con MLOps

Cuando llegue el momento de que sus programas piloto de aprendizaje automático se gradúen y se enfrenten al mundo real, debe comenzar a mirar MLOps.

Hace unos años, todo el mundo intentaba descubrir cómo empezar con la inteligencia artificial y uno de sus componentes, el aprendizaje automático. Pero hoy en día, muchas organizaciones han elaborado programas piloto, han identificado casos de uso prometedores e incluso han obtenido algún valor para sus organizaciones.

Una vez que haya obtenido esos éxitos iniciales, es hora de expandir ese valor a otros casos de uso y otras partes de la organización. Pero con cada uno de sus casos de uso iniciales aprendió algo. Desarrolló una tecnología que quizás desee volver a utilizar. Identificó enfoques que pueden no haber funcionado tan bien como otros. ¿Cómo toma esas lecciones y las aplica a nuevos proyectos? ¿Cómo se asegura de no reinventar la rueda cada vez que aborda un nuevo trabajo de ciencia de datos?

Imagen: Mr.B-king – stock.adobe.com

Las operaciones de aprendizaje automático, o MLOps, toman los principios y la filosofía detrás de DevOps y los aplica a la práctica de la ciencia de datos. Omdia analista jefe de plataformas de IA, análisis y gestión de datos, Brad Shimmin, compartió su perspectiva sobre el valor de desarrollar una práctica de MLOps y cómo hacerlo durante su presentación en Interop Digital, MLOps: ciencia de datos sobrealimentada en la empresa.

Para obtener más información sobre la tecnología en la empresa, lea estos:

Cómo crear un programa de inteligencia artificial exitoso

10 tendencias que aceleran la informática de borde

El estado de los chatbots: edición pandémica

IA y aprendizaje automático: una guía empresarial

«Cuanto más invierte en IA, más optimiza, más instrumenta su negocio y luego usa IA para comprenderlo y predecirlo, y para adaptarse a los cambios que podrían ocurrir, entonces su negocio se vuelve más resistente al cambio y más ágil «, dijo Shimmin. «Realmente no puede conseguir eso si sólo se centra en una o dos soluciones puntuales, como tratar de calcular las tasas de rotación o las cifras trimestrales de ventas».

Para lograr ese tipo de práctica de aprendizaje automático, debe resolver tres problemas: repetibilidad, escalabilidad y seguridad, dijo Shimmin.

La repetibilidad significa lograr los mismos resultados y ser replicable. La escalabilidad significa que tiene suficiente potencia de procesamiento para el trabajo que necesita hacer. Fianza significa que puede confiar en el resultado y puede explicar cómo se logró el resultado. Para resolver estos problemas, necesita más que un par de científicos de datos y un Cuaderno Jupyter, según Shimmin.

«Es necesario tener un proceso, un estilo de vida», dijo. «Este es un deporte colaborativo. No son solo sus científicos de datos, sino que tienen ingenieros de datos, analistas de negocios, patrocinadores ejecutivos. Hay muchos, muchos roles diferentes que juegan un papel muy importante. Uno de los menos entendido y el menos cuidado es el desarrollo y las operaciones de TI, y MLOps es una forma de ayudar realmente con eso «.

Bradley Shimmin, Omdia

Bradley Shimmin, Omdia

Sin embargo, MLOps no solo combina la ciencia de datos con DevOps, porque la ciencia de datos y DevOps son diferentes en muchos aspectos. Por ejemplo, los proyectos de aprendizaje automático son iterativos y exploratorios, y se revisan constantemente, dijo Shimmin.

«Hay tanta tecnología de fuente abierta disponible que hace que sea casi imposible bloquear realmente una arquitectura dada que será consistente en solo dos proyectos uno al lado del otro», dijo.

Además, los modelos y los datos cambian con el tiempo. En el momento en que un modelo se pone en marcha, comienza a degradarse por esas mismas razones.

Debido a la naturaleza cambiante de una práctica de ciencia de datos, una plataforma para MLOps debe poder adaptarse a todos estos componentes cambiantes y en evolución. Shimmin ofreció una gran lista de muchas de las diferentes funciones que requeriría dicha plataforma. Incluyen lo siguiente: un repositorio de artefactos de proyectos ML; catálogo de datos y características; aprovisionamiento de recursos del sistema intrínseco; opciones de implementación de modelos flexibles; un modelo de negocio de servicios públicos nativo de la nube; amabilidad de código abierto; capacidades de nube híbrida y múltiple; alta disponibilidad y recuperación ante desastres; herramientas de calidad específica; y otras características también.

«Identificar las características correctas para usar y luego diseñarlas de manera que puedan ser consumidas y utilizadas por un algoritmo de IA es realmente difícil», dijo Shimmin. «Tener un lugar para albergar y luego reutilizarlos es extremadamente importante. Tienes que tener la capacidad de aprovisionar todos esos recursos».

La solución de plataforma que elija para administrar MLOps debe adaptarse a «cambios en el mercado y ser capaz de incorporar bibliotecas, marcos y otras herramientas sin tener que acumular ningún tipo de deuda técnica oculta al administrarlos», dijo Shimmin. «De eso se tratan estas plataformas».

Omdia está creando un informe Omdia Universe que se espera se publique a finales de este año que analizará a los proveedores de plataformas de juego puro de MLOps, muchos de ellos diseñan sus plataformas para la empresa, y una lista inicial incluye lo siguiente: Cnvrg.io, Comet, Dataiku, dotData , Iguazio, Pachyderm, Tecton y Verta.

Shimmin reconoce que estas plataformas no son perfectas y siguen siendo relativamente inmaduras. Quedan muchos problemas por resolver, como cómo pasar de una plataforma a otra, cómo trabajar con el control de versiones de datos y cómo proporcionar seguridad, gobernanza y gestión de datos.

«Al final del día, tiene una clase emergente de plataformas MLOps que, debido a que son tan abiertas, porque son nativas de la nube, puede tomar todas las inversiones que ya ha realizado en ciencia de datos y comenzar a incorporarlas a estas plataformas «.

Jessica Davis ha pasado una carrera cubriendo la intersección de negocios y tecnología en títulos que incluyen Infoworld de IDG, eWeek y Channel Insider de Ziff Davis Enterprise, y MSPmentor de Penton Technology. Le apasiona el uso práctico de la inteligencia empresarial, … Ver biografía completa

Agradecemos sus comentarios sobre este tema en nuestros canales de redes sociales, o [contact us directly] con preguntas sobre el sitio.

Más información



Source link

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *