በርካታ አለምአቀፍ ሴክተሮች በማሽን መማሪያ (ኤም.ኤል.ኤል) ላይ የበለጠ ኢንቨስት ማድረግ ጀምረዋል።
የኤምኤል ሞዴሎች መጀመሪያ ላይ በልዩ ባለሙያዎች ቡድን ሊከፈቱ እና ሊሰሩ ይችላሉ ነገር ግን አንዱ ትልቅ እንቅፋት የሆነው ያገኙትን እውቀት ወደ ቀጣዩ ሞዴል በማስተላለፍ ሂደቶችን ማስፋት ነው።
በሞዴል የህይወት ዑደት አስተዳደር ውስጥ ያሉትን ሂደቶች ለማሻሻል እና ደረጃውን የጠበቀ፣ የማሽን መማሪያ ሞዴሎችን በሚፈጥሩ ቡድኖች የMLOps ቴክኒኮች ከጊዜ ወደ ጊዜ ጥቅም ላይ እየዋሉ ነው።
ዛሬ ስላሉት አንዳንድ ምርጥ የMLOps መሳሪያዎች እና መድረኮች እና የማሽን መማርን ከመሳሪያ፣ ገንቢ እና የአሰራር አተያይ እንዴት ቀላል ማድረግ እንደሚችሉ የበለጠ ለማወቅ ማንበቡን ይቀጥሉ።
MLOps ምንድን ነው?
ለማሽን መማሪያ ሞዴሎች ፖሊሲዎችን፣ ደንቦችን እና ምርጥ ተሞክሮዎችን የመፍጠር ቴክኒክ “ማሽን መማሪያ ኦፕሬሽኖች” ወይም “MLOps” በመባል ይታወቃል።
MLOps የኤምኤልኤል ልማት አጠቃላይ የህይወት ኡደትን ለማረጋገጥ ያለመ ነው - ከፅንሰ-ሀሳብ እስከ ማሰማራት - በጥንቃቄ ተመዝግቦ ለበለጠ ውጤት የሚተዳደረው ያለ ስትራቴጂ ብዙ ጊዜ እና ግብዓት ከማውጣት ይልቅ።
የMLOps ግብ የማሽን መማር እድገትን ለኤምኤል ኦፕሬተሮች እና ገንቢዎች የበለጠ ሊሰፋ የሚችል እና እንዲሁም የኤምኤል ሞዴሎችን ጥራት እና ደህንነትን በሚያጎለብት መልኩ ምርጥ ልምዶችን ማበጀት ነው።
አንዳንዶች MLOpsን “DevOps ለማሽን መማሪያ” ብለው ይጠሩታል ምክንያቱም የDevOps መርሆችን በተሻለ ልዩ የቴክኖሎጂ ልማት መስክ ላይ በተሳካ ሁኔታ ስለሚተገበር።
ይህ ስለ MLOps ለማሰብ ጠቃሚ መንገድ ነው ምክንያቱም እንደ DevOps በቡድን እና በመሳሪያዎች መካከል የእውቀት መጋራትን፣ ትብብርን እና ምርጥ ልምዶችን ያጎላል።
MLOps ገንቢዎችን፣ የውሂብ ሳይንቲስቶችን እና የኦፕሬሽን ቡድኖችን የትብብር ማዕቀፍ እና በዚህም ምክንያት በጣም ኃይለኛ የኤምኤል ሞዴሎችን ያቀርባል።
ለምን MLOps መሳሪያዎችን ይጠቀማሉ?
MLOps መሳሪያዎች ለኤምኤል ቡድን ሰፊ ተግባራትን ሊያከናውኑ ይችላሉ፣ነገር ግን ብዙውን ጊዜ በሁለት ቡድን ይከፈላሉ፡ የመድረክ አስተዳደር እና የግለሰብ አካላት አስተዳደር።
አንዳንድ የMLOps ምርቶች በአንድ ዋና ተግባር ላይ ብቻ የሚያተኩሩ እንደ ዳታ ወይም ሜታዳታ አስተዳደር፣ ሌሎች መሳሪያዎች የበለጠ ሁሉን አቀፍ ስትራቴጂን ይከተላሉ እና የML የህይወት ዑደትን በርካታ ገጽታዎችን ለመቆጣጠር MLOps መድረክን ይሰጣሉ።
ልዩ ባለሙያም ሆነ የበለጠ ሰፊ መሳሪያ እየፈለጉ እንደሆነ ቡድንዎ እነዚህን የML ልማት አካባቢዎች እንዲያስተዳድር የሚረዱ የMLOps መፍትሄዎችን ይፈልጉ፡
- የውሂብ አያያዝ
- ንድፍ እና ሞዴሊንግ
- የፕሮጀክቶች እና የስራ ቦታ አስተዳደር
- የኤምኤል ሞዴል ማሰማራት እና ቀጣይነት ያለው እንክብካቤ
- የህይወት ዑደት አስተዳደር ከመጀመሪያ እስከ መጨረሻ፣ እሱም በተለምዶ በሙሉ አገልግሎት MLOps መድረኮች ይሰጣል።
MLOps መሣሪያዎች
1. MLFlow
የማሽን መማሪያ የህይወት ኡደት በክፍት ምንጭ መድረክ MLflow የሚቆጣጠረው እና የማዕከላዊ ሞዴል ምዝገባን፣ ማሰማራትን እና ሙከራን ያካትታል።
MLflow በማንኛውም መጠን ቡድን በግልም ሆነ በጋራ ጥቅም ላይ ሊውል ይችላል። ቤተ መፃህፍት በመሳሪያው ላይ ምንም ተጽእኖ የላቸውም.
ማንኛውም የፕሮግራም አወጣጥ ቋንቋ እና የማሽን መማሪያ ቤተ-መጽሐፍት ሊጠቀምበት ይችላል።
የማሽን መማሪያ አፕሊኬሽኖችን ማሠልጠን፣ ማሰማራት እና ማስተዳደር ቀላል ለማድረግ፣ MLFlow ከበርካታ የማሽን መማሪያ ማዕቀፎች ጋር ይገናኛል፣ ጨምሮ TensorFlow እና ፒቶርች.
በተጨማሪም፣ MLflow በማንኛውም ነባር የማሽን መማሪያ ፕሮግራሞች ወይም ቤተመጻሕፍት ውስጥ ሊካተቱ የሚችሉ ለአጠቃቀም ቀላል የሆኑ ኤፒአይዎችን ያቀርባል።
MLflow የመከታተያ እና የእቅድ ሙከራዎችን የሚያመቻቹ አራት ቁልፍ ባህሪያት አሉት፡
- MLflow መከታተያ - የማሽን መማር ኮድ መለኪያዎችን፣ ስሪቶችን፣ መለኪያዎችን እና ቅርሶችን እንዲሁም ውጤቱን በቀጣይ ለማሳየት እና ለማነፃፀር ኤፒአይ እና UI
- MLflow ፕሮጄክቶች - ወደ ምርት ለማዛወር ወይም ከሌሎች የውሂብ ሳይንቲስቶች ጋር ለመጋራት እንደገና ጥቅም ላይ ሊውል በሚችል ፣ ሊባዛ በሚችል ቅርጸት የማሸጊያ ማሽን መማሪያ ኮድ
- MLflow ሞዴሎች - ሞዴሎችን ማቆየት እና ማሰማራት ለተለያዩ የሞዴል አገልግሎት እና የማጣቀሻ ስርዓቶች ከተለያዩ የኤምኤል ቤተ-መጽሐፍት
- MLflow Model Registry – የሞዴል እትምን፣ የመድረክ ሽግግሮችን እና ማብራሪያዎችን ጨምሮ የአንድ MLflow ሞዴል ሙሉ የህይወት ዘመን የትብብር አስተዳደርን የሚያስችል ማዕከላዊ የሞዴል መደብር።
2. ኩበሮጅ
የ ML Toolbox ለ Kubernetes Kubeflow ይባላል። የዶከር ኮንቴይነሮችን ማሸግ እና ማስተዳደር ፣ ጥገናን ይደግፋል የማሽን ትምህርት ስርዓቶች.
የማሽን መማሪያ የስራ ፍሰቶችን የሩጫ ኦርኬስትራዎችን እና ዝርጋታዎችን በማቃለል የማሽን መማሪያ ሞዴሎችን ማሳደግን ያበረታታል።
በጥንቃቄ የተመረጡ ተጓዳኝ መሣሪያዎችን እና ለተለያዩ የኤምኤል ፍላጎቶች የተዘጋጁ ማዕቀፎችን ያካተተ ክፍት ምንጭ ፕሮጀክት ነው።
ረጅም የኤም.ኤል. የሥልጠና ተግባራት፣ በእጅ መሞከር፣ ተደጋጋሚነት እና የዴቭኦፕስ ተግዳሮቶች በ Kubeflow Pipelines ሊከናወኑ ይችላሉ።
ለብዙ የማሽን ትምህርት ደረጃዎች ማለትም ስልጠናን፣ የቧንቧ መስመር ዝርጋታ እና ጥገናን ጨምሮ የጁፒተር ማስታወሻ ደብተሮች, Kubeflow ልዩ አገልግሎቶችን እና ውህደትን ያቀርባል.
የእርስዎን AI የስራ ጫናዎች ለማስተዳደር እና ለመከታተል እንዲሁም የማሽን መማሪያ (ML) ሞዴሎችን እና የውሂብ ቧንቧዎችን ወደ ኩበርኔትስ ክላስተር ማሰማራት ቀላል ያደርገዋል።
ያቀርባል:
- ከስርዓቱ ጋር ለመገናኘት ኤስዲኬን ለመጠቀም ማስታወሻ ደብተሮች
- ሩጫዎችን፣ ስራዎችን እና ሙከራዎችን ለመቆጣጠር እና ለመቆጣጠር የተጠቃሚ በይነገጽ (UI)
- በእያንዳንዱ ጊዜ እንደገና መገንባት ሳያስፈልግ ከጫፍ እስከ ጫፍ መፍትሄዎችን በፍጥነት ለመንደፍ እና ክፍሎችን እና የቧንቧ መስመሮችን እንደገና መጠቀም.
- እንደ የ Kubeflow ቁልፍ አካል ወይም እንደ ገለልተኛ ተከላ, የ Kubeflow Pipelines ቀርቧል.
3. የውሂብ ስሪት ቁጥጥር
የማሽን መማሪያ ፕሮጀክቶች የክፍት ምንጭ ሥሪት መቆጣጠሪያ መፍትሔ DVC ወይም የውሂብ ሥሪት መቆጣጠሪያ ይባላል።
የመረጡት ቋንቋ ምንም ይሁን ምን ለቧንቧ ፍቺ የሚረዳ የሙከራ መሳሪያ ነው።
DVC ቀደም ባለው የኤምኤል ሞዴልህ እትም ላይ ችግር ስታገኝ ጊዜህን እንድትቆጥብ ለማገዝ ኮድ፣ ዳታ እትም እና መባዛትን ይጠቀማል።
በተጨማሪም፣ የእርስዎን ሞዴል ለማሰልጠን እና ለቡድንዎ አባላት ለማሰራጨት የDVC ቧንቧዎችን መጠቀም ይችላሉ። ትልቅ የዳታ አደረጃጀት እና እትም በዲቪሲ ሊስተናገድ ይችላል፣ እና ውሂቡ በቀላሉ ተደራሽ በሆነ መንገድ ሊከማች ይችላል።
ምንም እንኳን አንዳንድ (የተገደበ) የሙከራ መከታተያ ባህሪያትን የሚያካትት ቢሆንም፣ በአብዛኛው የሚያተኩረው በመረጃ እና በቧንቧ ስሪት እና አስተዳደር ላይ ነው።
ያቀርባል:
- የማከማቻ አግኖስቲክ ነው, ስለዚህ የተለያዩ የማከማቻ ዓይነቶችን መቅጠር ይቻላል.
- የመከታተያ ስታቲስቲክስም ይሰጣል።
- ኤምኤል ደረጃዎችን ወደ DAG የመቀላቀል እና ሙሉውን የቧንቧ መስመር ከመጀመሪያው እስከ መጨረሻ ለማስኬድ አስቀድሞ የተሰራ ዘዴ
- የእያንዳንዱ የኤምኤል ሞዴል አጠቃላይ እድገት ሙሉውን ኮድ እና መረጃን በመጠቀም መከተል ይችላል።
- ለሙከራ የመጀመሪያውን ውቅር፣ የግብዓት ውሂብ እና የፕሮግራም ኮድን በታማኝነት በመጠበቅ እንደገና መባዛት።
4. ፓቺደርም
Pachyderm እንደ ዲቪሲ አይነት ለማሽን መማር እና ዳታ ሳይንስ የስሪት መቆጣጠሪያ ፕሮግራም ነው።
በተጨማሪ, ምክንያቱም የተፈጠረው በመጠቀም ነው ዶከር እና ኩበርኔትስየማሽን መማር አፕሊኬሽኖችን በማንኛውም የደመና መድረክ ላይ ማስፈጸም እና ማሰማራት ይችላል።
Pachyderm ወደ ማሽን መማሪያ ሞዴል የሚበላው እያንዳንዱ መረጃ ተመልሶ እንዲገኝ እና እንዲገለበጥ ዋስትና ይሰጣል።
የማሽን መማሪያ ሞዴሎችን ለመፍጠር፣ ለማሰራጨት፣ ለማስተዳደር እና ለመከታተል ስራ ላይ ይውላል። የሞዴል መዝገብ ቤት፣ የሞዴል አስተዳደር ስርዓት እና የCLI የመሳሪያ ሳጥን ሁሉም ተካትተዋል።
ገንቢዎች የፓቺደርም ዳታ ፋውንዴሽን በመጠቀም የማሽን መማሪያ የህይወት ዑደታቸውን በራስ ሰር መስራት እና ማስፋት ይችላሉ፣ይህም ተደጋጋሚነትን ያረጋግጣል።
ጥብቅ የውሂብ አስተዳደር ደረጃዎችን ይደግፋል፣ የውሂብ ሂደትን እና የማከማቻ ወጪን ይቀንሳል፣ እና ንግዶች የውሂብ ሳይንስ ተነሳሽኖቻቸውን በፍጥነት ወደ ገበያ እንዲያቀርቡ ያግዛል።
5. ፖሊአክሰን
የPolyaxon መድረክን በመጠቀም የማሽን መማሪያ ፕሮጄክቶችን እና ጥልቅ መማሪያ አፕሊኬሽኖችን በህይወታቸው በሙሉ ሊባዙ እና ሊተዳደሩ ይችላሉ።
ፖሊአክሰን መሳሪያውን ማስተናገድ እና ማስተዳደር ይችላል፣ እና ወደ ማንኛውም የውሂብ ማዕከል ወይም የደመና አቅራቢ ውስጥ ሊቀመጥ ይችላል። እንደ Torch፣ Tensorflow እና MXNet ያሉ ሁሉንም በጣም ታዋቂ የሆኑ ጥልቅ የመማሪያ ማዕቀፎችን የሚደግፉ።
ወደ ኦርኬስትራ ስንመጣ፣ ፖሊአክሰን በCLI፣ ዳሽቦርድ፣ ኤስዲኬ ወይም REST API በኩል ተግባሮችን እና ሙከራዎችን በማቀናጀት ምርጡን እንድትጠቀሙ ያስችሎታል።
ያቀርባል:
- የክፍት ምንጭ ሥሪትን አሁን መጠቀም ትችላለህ፣ነገር ግን ለድርጅቱ ምርጫዎችንም ያካትታል።
- ምንም እንኳን የሩጫ ኦርኬስትራዎችን ጨምሮ ሙሉውን የህይወት ኡደት የሚሸፍን ቢሆንም የበለጠ ብዙ መስራት ይችላል።
- በቴክኒካል ማመሳከሪያ ሰነዶች፣የጀማሪ መመሪያዎች፣የመማሪያ ቁሳቁሶች፣መመሪያዎች፣መማሪያዎች፣ለውጦች እና ሌሎችም በከፍተኛ ደረጃ በደንብ የተመዘገበ መድረክ ነው።
- በሙከራ ግንዛቤዎች ዳሽቦርድ እያንዳንዱን የማመቻቸት ሙከራ መከታተል፣ መከታተል እና መገምገም ይቻላል።
6. ጂራታም ኮከብ
ኮሜት ሙከራዎችን እና ሞዴሎችን የሚከታተል፣ የሚያነጻጽር፣ የሚያብራራ እና የሚያሻሽል የሜታ ማሽን ትምህርት መድረክ ነው።
ሁሉም ሙከራዎችዎ በአንድ አካባቢ ሊታዩ እና ሊነፃፀሩ ይችላሉ።
ለማንኛውም የማሽን መማሪያ ተግባር፣ ኮድዎ በሚሰራበት ቦታ እና ከማንኛውም የማሽን መማሪያ ቤተ-መጽሐፍት ጋር ይሰራል።
ኮሜት ለቡድኖች፣ ለግለሰቦች፣ ለአካዳሚክ ተቋማት፣ ንግዶች እና ሌሎች ሙከራዎችን በፍጥነት ለማየት፣ ስራን ለማቀላጠፍ እና ሙከራዎችን ለማካሄድ ለሚፈልግ ማንኛውም ሰው ተገቢ ነው።
የውሂብ ሳይንቲስቶች እና ቡድኖች በራስ የተስተናገደ እና ደመና ላይ የተመሰረተ ሜታ-ማሽን የመማሪያ መድረክ ኮሜትን በመጠቀም ሙከራዎችን እና ሞዴሎችን መከታተል፣ ማብራራት፣ ማሻሻል እና ማወዳደር ይችላሉ።
ያቀርባል:
- ለቡድን አባላት ተግባሮችን ለማጋራት ብዙ ችሎታዎች አሉ።
- ከሌሎች ቴክኖሎጂዎች ጋር ለማገናኘት ቀላል የሚያደርጉት በርካታ ውህደቶች አሉት
- አሁን ካለው ML ቤተ-መጽሐፍት ጋር በደንብ ይሰራል
- የተጠቃሚ አስተዳደርን ይንከባከባል።
- የሙከራዎችን ማነጻጸር ነቅቷል፣የኮድ ንጽጽር፣ hyperparameters፣ ሜትሮች፣ ትንበያዎች፣ ጥገኞች እና የስርዓት መለኪያዎችን ጨምሮ።
- ናሙናዎችን በዓይነ ሕሊናህ እንድትታይ የሚያስችል ልዩ ሞጁሎችን ለዕይታ፣ ኦዲዮ፣ ጽሑፍ እና የሠንጠረዥ ውሂብ ያቀርባል።
7. ኦፕቱና
ኦፕቱና ራሱን የቻለ የሃይፐርፓራሜትር ማሻሻያ ስርዓት ሲሆን ይህም በማሽን መማር እና በጥልቅ ትምህርት እንዲሁም በሌሎች መስኮች ላይ ሊተገበር ይችላል.
ከውስጡ መምረጥ (ወይም ማገናኘት) የሚችሉባቸው የተለያዩ አቋራጭ ስልተ ቀመሮችን ይዟል፣ ስልጠናን በበርካታ ኮምፒውተሮች ላይ ለማሰራጨት በጣም ቀላል ያደርገዋል እና ማራኪ የውጤት እይታን ይሰጣል።
እንደ PyTorch፣ TensorFlow፣ Keras፣ FastAI፣ sci-kit-learn፣ LightGBM እና XGBoost ያሉ ታዋቂ የማሽን መማሪያ ቤተ-መጻሕፍት ከሱ ጋር ተዋህደዋል።
ተስፋ ሰጭ የማይመስሉትን ናሙናዎች በፍጥነት በመቀነስ ደንበኞቻቸው በፍጥነት ውጤቶችን እንዲያገኙ የሚያስችላቸው እጅግ በጣም ጥሩ ስልተ ቀመሮችን ያቀርባል።
ፓይዘንን መሰረት ያደረጉ ስልተ ቀመሮችን በመጠቀም፣ ሃሳቡን hyperparameters በራስ-ሰር ይፈልጋል። ኦፕቱና ዋናውን ኮድ ሳይቀይሩ በብዙ ክሮች ላይ ትይዩ የሆኑ የሃይፐርፓራሜትር ፍለጋዎችን ያበረታታል።
ያቀርባል:
- በክላስተር እና በነጠላ ኮምፒውተር (ባለብዙ ሂደት) (ባለብዙ መስቀለኛ መንገድ) ላይ የሚሰራጭ ስልጠናን ይደግፋል።
- ውህደትን ለማፋጠን (እና አነስተኛ ስሌት ለመጠቀም) በርካታ የመቁረጥ ቴክኒኮችን ይደግፋል።
- እንደ ቁርጥራጭ ሴራ፣ ኮንቱር ሴራ እና ትይዩ መጋጠሚያዎች ያሉ የተለያዩ ሀይለኛ እይታዎች አሉት።
8. ኬድሮ
ኬድሮ ለዳታ ሳይንስ ፕሮጄክቶች ሊዘመን እና ሊቆይ የሚችል ኮድ ለመፃፍ ነፃ የፓይዘን ማዕቀፍ ነው።
በሶፍትዌር ምህንድስና ውስጥ ካሉ ምርጥ ልምዶች ወደ ማሽን መማሪያ ኮድ ሀሳቦችን ያመጣል። Python የዚህ የስራ ሂደት ኦርኬስትራ መሳሪያ መሰረት ነው።
የእርስዎን ML ሂደቶች ቀላል እና ይበልጥ ትክክለኛ ለማድረግ፣ ሊባዙ የሚችሉ፣ ሊቆዩ የሚችሉ እና ሞጁል የስራ ፍሰቶችን ማዳበር ይችላሉ።
Kedro የሶፍትዌር ምህንድስና መርሆዎችን እንደ ሞዱላሪቲ፣ የኃላፊነቶች መለያየት እና ወደ ማሽን መማሪያ አካባቢ መገልበጥን ያካትታል።
በ Cookiecutter Data Science መሰረት፣ አንድ የተለመደ፣ የሚለምደዉ የፕሮጀክት ማዕቀፍ ያቀርባል።
በበርካታ የፋይል ስርዓቶች እና የፋይል ቅርጸቶች ላይ ውሂብን ለማከማቸት እና ለመጫን የሚያገለግሉ በርካታ ቀላል የውሂብ ማገናኛዎች በመረጃ ካታሎግ የሚተዳደሩ ናቸው። የማሽን መማሪያ ፕሮጀክቶችን የበለጠ ውጤታማ ያደርገዋል እና የውሂብ ቧንቧን ለመገንባት ቀላል ያደርገዋል.
ያቀርባል:
- Kedro የተበታተነ ወይም ብቸኛ ማሽን ለማሰማራት ይፈቅዳል።
- የቧንቧ መስመር ማጠቃለያን በመጠቀም በፓይዘን ኮድ እና የስራ ፍሰት እይታ መካከል ያሉ ጥገኞችን በራስ ሰር ማድረግ ይችላሉ።
- በሞዱል፣ በድጋሚ ጥቅም ላይ ሊውል የሚችል ኮድ በመጠቀም፣ ይህ ቴክኖሎጂ የቡድን ትብብርን በተለያዩ ደረጃዎች ያመቻቻል እና በኮድ አከባቢ ውስጥ ምርታማነትን ያሻሽላል።
- ዋናው ግቡ የጁፒተር ማስታወሻ ደብተሮች፣ የአንድ ጊዜ ስክሪፕቶች እና ሙጫ-ኮድ ድክመቶችን ማሸነፍ የሚቻል የመረጃ ሳይንስ ፕሮግራሞችን በመፃፍ ነው።
9. ቤንቶኤምኤል
የግንባታ ማሽን መማሪያ ኤፒአይ የመጨረሻ ነጥቦችን በቤንቶኤምኤል ቀላል ተደርጎላቸዋል።
የተማሩ የማሽን መማሪያ ሞዴሎችን ወደ ምርት ለማንቀሳቀስ የተለመደ ግን የታመቀ መሠረተ ልማት ያቀርባል።
የተማሩ ሞዴሎችን በማንኛውም የኤምኤል ማዕቀፍ በመጠቀም በመተርጎም በምርት መቼት ውስጥ እንዲያገለግሉ ያደርግዎታል። ሁለቱም ከመስመር ውጭ ባች አገልግሎት እና የመስመር ላይ ኤፒአይ አገልግሎት ይደገፋሉ።
ከፍተኛ አፈጻጸም ያለው ሞዴል አገልጋይ እና ተለዋዋጭ የስራ ፍሰት የቤንቶኤምኤል ባህሪያት ናቸው።
በተጨማሪም፣ አገልጋዩ የሚለምደዉ ማይክሮ-ባኪንግ ያቀርባል። ሞዴሎችን ለማደራጀት እና የማሰማራት ሂደቶችን ለመከታተል አንድ ወጥ የሆነ አቀራረብ በዩአይ ዳሽቦርድ ቀርቧል።
የአሰራር ሂደቱ ሞጁል ስለሆነ እና አወቃቀሩ እንደገና ጥቅም ላይ የሚውል ስለሆነ ምንም የአገልጋይ ማቆያ ጊዜ አይኖርም። የኤምኤል ሞዴሎችን ለማቅረብ፣ ለማደራጀት እና ለማሰማራት ተለዋዋጭ መድረክ ነው።
ያቀርባል:
- ተስማሚ የሆነ ሞጁል ንድፍ አለው.
- በተለያዩ መድረኮች ላይ መዘርጋት ያስችላል።
- አግድም ልኬትን በራስ ሰር ማስተናገድ አይችልም።
- ነጠላ ሞዴል ፎርማት፣ የሞዴል አስተዳደር፣ የሞዴል ማሸግ እና ከፍተኛ አፈጻጸም ያለው ሞዴል አገልግሎትን ያስችላል።
10. ሳሎን
የውሂብ ሳይንቲስቶች የክፍት ምንጭ የሴልደን ኮር ማዕቀፍን በመጠቀም Kubernetes ላይ የማሽን መማሪያ ሞዴሎችን እና ሙከራዎችን መፍጠር፣ ማሰማራት እና ማስተዳደር ይችላሉ።
TensorFlow፣ sci-kit-learn፣ Spark፣ R፣ Java፣ እና H2O በእሱ ከሚደገፉት የመሳሪያ ኪቶች ጥቂቶቹ ናቸው።
እንዲሁም ከKubeflow እና RedHat's OpenShift ጋር ይገናኛል። የሴልደን ኮር የማሽን መማሪያ ሞዴሎችን (ኤምኤል ሞዴሎችን) ወይም የቋንቋ መጠቅለያዎችን (እንደ ፓይዘን፣ ጃቫ፣ ወዘተ ያሉትን ቋንቋዎች) ወደ ምርት REST/GRPC ማይክሮ ሰርቪስ ይለውጣል።
የማሽን መማር ሂደቶችን ለማሻሻል ከሚረዱት MLOps መሳሪያዎች አንዱ ይህ ነው።
የሴልደን ኮርን በመጠቀም የML ሞዴሎችን ወደ መያዣ ማስገባት እና ለአጠቃቀም እና ለደህንነት ሲባል መሞከር ቀላል ነው።
ያቀርባል:
- ሞዴል መዘርጋት እንደ ካናሪ ማሰማራት ባሉ በርካታ አማራጮች ቀላል ማድረግ ይቻላል።
- ለምን የተወሰኑ ትንበያዎች እንደተደረጉ ለመረዳት ሞዴል ማብራሪያዎችን ይጠቀሙ።
- ጉዳዮች በሚነሱበት ጊዜ የማስጠንቀቂያ ስርዓቱን በመጠቀም የምርት ሞዴሎችን ይከታተሉ።
መደምደሚያ
MLOps የማሽን መማር ስራዎችን የተሻለ ለማድረግ ይረዳል። MLOps ማሰማራትን ያፋጥናል፣ መረጃ መሰብሰብ እና ማረም ቀላል ያደርገዋል፣ እና በመሐንዲሶች እና በዳታ ሳይንቲስቶች መካከል ያለውን ትብብር ያሻሽላል።
ለፍላጎትዎ የሚስማማውን የMLOps መሳሪያን ለመምረጥ ይህ ልጥፍ 10 ታዋቂ የMLOps መፍትሄዎችን መርምሯል፣ አብዛኛዎቹ ክፍት ምንጭ ናቸው።
መልስ ይስጡ