Introduzione
C'è un aumento dei progetti di Machine Learning in tutte le organizzazioni a causa della disponibilità di più dati, della democratizzazione della potenza di calcolo e dell'avanzamento degli algoritmi usati per eseguire il training dei modelli.
Tuttavia, uno degli ostacoli principali per l'adozione e il ridimensionamento dei progetti di Machine Learning è la mancanza di una strategia chiara e di silo organizzativi.
MLOps
Le operazioni di Machine Learning o MLOps puntano a una scalabilità più efficiente da un progetto di verifica o progetto pilota a un carico di lavoro di Machine Learning nell'ambiente di produzione.
L'implementazione di MLOps consente di rendere affidabili e riproducibili i carichi di lavoro di Machine Learning. Ad esempio, sarà possibile monitorare, ripetere il training e ridistribuire un modello ogni volta che necessario mantenendo sempre un modello nell'ambiente di produzione.
Lo scopo di MLOps è rendere scalabile il ciclo di vita di Machine Learning:
- Eseguire il training del modello
- Modello di pacchetto
- Convalidare il modello
- Distribuire il modello
- Monitorare il modello
- Ripetere il training del modello
MLOps richiede più ruoli e più strumenti. I data scientist spesso si concentrano su tutte le attività correlate al training del modello, noto anche come ciclo interno.
Per creare un pacchetto e distribuire il modello, i data scientist potrebbero aver bisogno dell'aiuto dei tecnici di Machine Learning che applicano le procedure DevOps per ridimensionare i modelli di Machine Learning.
Il processo di prendere un modello addestrato e distribuirlo in produzione viene spesso definito come ciclo esterno . Nel ciclo esterno il modello viene incluso in un pacchetto, convalidato, distribuito e monitorato. Quando decidi che il modello deve essere nuovamente addestrato, torni al ciclo interno per apportare modifiche al modello.
DevOps
L'uso di principi DevOps come la pianificazione agile può aiutare il team a organizzare il lavoro e produrre risultati finali più rapidamente. Con il controllo del codice sorgente, è possibile facilitare la collaborazione sui progetti. Con l'automazione , è possibile accelerare il ciclo di vita dell'apprendimento automatico.
Questo modulo presenta questi principi DevOps ed evidenzia due strumenti comunemente usati: Azure DevOps e GitHub.
Obiettivi di apprendimento
In questo modulo si apprenderà quanto segue:
- Perché DevOps è utile per i progetti di Machine Learning.
- Quali principi DevOps possono essere applicati ai progetti di Machine Learning.
- Come connettere Azure DevOps e GitHub con Azure Machine Learning.