El auge de las operaciones del machine learning

Bombillo de colores imagine spark

Es difícil para los científicos de datos categorizar los datos y construir modelos correctos de aprendizaje automático , pero administrar modelos en producción puede ser aún más difícil. Reconocer la deriva del sistema, actualizar los modelos con conjuntos de datos actualizados, mejorar el rendimiento y administrar las plataformas tecnológicas subyacentes son todos procesos críticos de la ciencia de datos . Sin estos estándares, los modelos podrían producir resultados erróneos que perjudicarían negativamente al negocio.

Crear modelos listos para la producción es una tarea difícil

Según una encuesta de aprendizaje automático, el 55 % de las organizaciones no han lanzado modelos a producción y el 40 % o más necesitan más de 30 días para implementar un solo modelo. El problema de modificar los algoritmos de aprendizaje automático y la reproducibilidad es reconocido por el 41 por ciento de los encuestados.


Banner_frasco-suscripcion-800x250

La lección fue que una vez que las técnicas de aprendizaje automático se implementan en la producción y se utilizan en las operaciones comerciales, surgen nuevos desafíos.

Las operaciones y la administración de modelos se consideraban anteriormente tareas difíciles para los equipos de ciencia de datos más avanzados. Supervisar los algoritmos operativos de aprendizaje automático para la deriva, administrar el reentrenamiento del modelo, advertir cuando la deriva es considerable y reconocer cuándo los modelos requieren actualizaciones ahora son trabajos. A medida que más empresas invierten en aprendizaje automático, existe una creciente necesidad de educar a los empleados sobre el mantenimiento y las operaciones del modelo.

La mejor parte es que MLFlow y DVC de código abierto

Así como las herramientas comerciales de Dataiku, SAS, Alteryx, Databricks, DataRobot, ModelOp y otros, simplifican la administración de métodos y las operaciones para los equipos de ciencia de datos. Los proveedores de nube pública también ofrecen prácticas recomendadas, como la integración de MLops con Azure ML.

La gestión de modelos y DevOps comparten varios puntos en común. Model Management and Operations (MLops) es un término que se utiliza para describir la cultura, las técnicas y las tecnologías necesarias para construir y mantener un algoritmo de aprendizaje automático .

Gestión y operaciones del modelo de decodificación

Considere la intersección de los enfoques de desarrollo de software con métodos científicos para obtener una mejor comprensión de las operaciones y la gestión del modelo.

Como ingeniero de software, comprende que terminar una versión de una aplicación y entregarla a producción no es fácil. Pero un problema aún mayor comienza una vez que la aplicación llega a producción. Los usuarios finales anticipan mejoras constantes, mientras que la infraestructura, los marcos y las bibliotecas subyacentes necesitan parches y soporte.

Conoce más aquí


Reciba las últimas noticias de la industria en su casilla:

Suscribirse ✉