Table of Contents[Hūnā][Hōʻike]
- 1. He aha kāu e manaʻo ai me MLOps?
- 2. Pehea e ʻokoʻa ai nā ʻepekema data, nā ʻenekinia data, a me nā ʻenekini ML mai kekahi i kekahi?
- 3. He aha ka mea e ʻokoʻa ai nā MLOps mai ModelOps a me AIOps?
- 4. Hiki iā ʻoe ke haʻi mai iaʻu i kekahi o nā pono o MLOps?
- 5. Hiki iā ʻoe ke haʻi mai iaʻu i nā māhele o MLOps?
- 6. He aha nā pilikia e hele mai me ka hoʻohana ʻana i ka ʻepekema data?
- 7. Hiki iā ʻoe ke wehewehe, he aha ke ʻano drift?
- 8. Ehia mau ala like ʻole e hoʻohana ʻia ai nā MLOps, i kou manaʻo?
- 9. He aha ka mea e hoʻokaʻawale ai i ka hoʻolaha paʻa mai ka hoʻolalelale ikaika?
- 10. He aha nā ʻenehana hoʻokolohua hana āu e ʻike ai?
- 11. He aha ka mea e hoʻokaʻawale ai i ka hoʻoili ʻana i ke kahawai mai ka hoʻoili ʻana i ka hui?
- 12. He aha kāu e ʻōlelo ai i ka Training Serving Skew?
- 13. He aha kāu e manaʻo nei i ka Registry Model?
- 14. Hiki iā ʻoe ke wehewehe i nā pono o ka Model Registry?
- 15. Hiki iā ʻoe ke wehewehe i ka hana Champion-Challenger?
- 16. E wehewehe i nā noi pae ʻoihana o ka MLOps lifecycle?
- Panina
Ke hoʻohana pinepine nei nā ʻoihana i nā ʻenehana hou e like me artificial intelligence (AI) a me machine learning (ML) e hoʻonui i ka hiki o ka lehulehu i ka ʻike a me nā lawelawe.
Ke hoʻohana nui ʻia nei kēia mau ʻenehana i nā ʻāpana like ʻole, me ka waihona kālā, ke kālā, ke kūʻai aku, ka hana ʻana, a me ka mālama olakino.
Pono nā ʻepekema ʻikepili, nā ʻenekini aʻo mīkini, a me nā ʻenekinia i ka naʻauao artificial mai ka nui o nā ʻoihana.
ʻIke i ka hiki aʻo aʻo ʻO nā nīnau nīnauele hana e hiki ai i ka hoʻolimalima ʻana i nā luna a me nā mea hoʻolimalima ke nīnau iā ʻoe he mea nui inā makemake ʻoe e hana ma nā kahua ML a i ʻole MLOps.
Hiki iā ʻoe ke aʻo pehea e pane ai i kekahi o nā nīnau nīnauele MLOps i kēia pou i kāu hana ʻana i kāu hana moeʻuhane.
1. He aha kāu e manaʻo ai me MLOps?
ʻO ke kumuhana o ka hoʻohana ʻana i nā hiʻohiʻona ML ʻo ia ka manaʻo o MLOps, i ʻike ʻia ʻo Machine Learning Operations, kahi kahua e ulu nei i loko o ka ʻoihana AI/DS/ML nui loa.
ʻO ka pahuhopu nui o ka ʻenehana ʻenehana polokalamu a me ka moʻomeheu i kapa ʻia ʻo MLOps, ʻo ia ka hoʻohui ʻana i ka hana ʻana o nā mīkini aʻo / ʻepekema ʻikepili a me kā lākou hana hope (Ops).
Hoʻokaʻawale nā DevOps a me MLOps i kekahi mau mea like, akā naʻe, ʻokoʻa loa nā MLOps mai nā DevOps kuʻuna.
Hoʻohui ʻo MLOps i kahi papa hou o ka paʻakikī ma o ka nānā ʻana i ka ʻikepili, ʻoiai ʻo DevOps ka mea nui i ka hoʻohana ʻana i nā code a me nā polokalamu hoʻokuʻu ʻaʻole hiki ke kūlana.
ʻO ka hui pū ʻana o ML, Data, a me Ops ka mea i hāʻawi iā MLOps i kona inoa maʻamau (aʻo mīkini, ʻenekinia data, a me DevOps).
2. Pehea e ʻokoʻa ai nā ʻepekema data, nā ʻenekinia data, a me nā ʻenekini ML mai kekahi i kekahi?
He ʻokoʻa, i koʻu manaʻo, ma muli o ka ʻoihana. ʻO ke kaiapuni no ka lawe ʻana a me ka hoʻololi ʻana o ka ʻikepili, a me kāna mālama ʻana, ua kūkulu ʻia e nā ʻenekini data.
He poʻe akamai ka ʻepekema ʻikepili i ka hoʻohana ʻana i nā ʻenehana ʻepekema a me ka helu helu e kālailai i ka ʻikepili a huki i nā hopena, me ka hana ʻana i nā wānana e pili ana i ka hana e hiki mai ana e pili ana i nā ʻano i kēia manawa.
Ke aʻo nei nā ʻenekini polokalamu i nā hana a me ka hoʻokele ʻana i nā ʻōnaehana hoʻolālā i kekahi mau makahiki i hala. ʻO nā hui Ops, ma ka ʻaoʻao ʻē aʻe, ke aʻo nei i ka hoʻomohala ʻana i ka hoʻohana ʻana i nā ʻōnaehana ma ke ʻano he code. Ua hana ʻia kahi kūlana DevOps e kēia mau kahawai ʻelua.
Aia nā MLOps i ka māhele like me ʻIkeʻIkeʻIkepili a me ka ʻenehana ʻikepili. Ke loaʻa nei nā ʻenehana ʻikepili i ka ʻike e pili ana i nā ʻōnaehana e pono ai ke kākoʻo i nā ola hoʻohālike a hana i nā pipeline no ka hoʻomaʻamaʻa mau ʻana.
Ke ʻimi nei nā ʻepekema ʻikepili e hoʻomohala i kā lākou hoʻolālā hoʻohālike a me ka hiki ke helu.
Kūkulu ʻia kahi paipu ʻikepili helu hana e nā mea ʻenekinia ML e hoʻohana ana i ka ʻenehana e hoʻololi i ka ʻikepili maka i loko o ka hoʻokomo e pono ai e kahi kumu hoʻohālike ʻepekema data, hoʻokipa a hoʻokele i ke kumu hoʻohālike, a hoʻopuka i kahi ʻikepili helu i nā ʻōnaehana o lalo.
Hiki i nā ʻenekini data a me nā ʻepekema data ke lilo i mau ʻenekini ML.
3. He aha ka mea e ʻokoʻa ai nā MLOps mai ModelOps a me AIOps?
I ke kūkulu ʻana i ka hope-to-end algorithm mīkini hopu, MLOps he polokalamu DevOps e pili ana i ka hōʻiliʻili ʻikepili, ka hoʻoponopono mua ʻana o ka ʻikepili, ka hana ʻana i nā hiʻohiʻona, ka hoʻopili ʻana i nā hiʻohiʻona i ka hana ʻana, ka nānā ʻana i nā hiʻohiʻona i ka hana ʻana, a me ka hoʻomaikaʻi ʻana i kēlā me kēia manawa.
ʻO ka hoʻohana ʻana o DevOps i ka lawelawe ʻana i ka hoʻokō holoʻokoʻa o kekahi algorithms, e like me Rule-Based Models, ua ʻike ʻia ʻo ModelOps.
AI Ops ke hoʻohana nei i nā loina DevOps e hana i nā polokalamu AI mai ka wā kahiko.
4. Hiki iā ʻoe ke haʻi mai iaʻu i kekahi o nā pono o MLOps?
- Hiki i nā ʻepekema ʻikepili a me nā mea hoʻomohala MLOps ke hoʻokau hou i nā hoʻokolohua e hōʻoia i ka hoʻomaʻamaʻa ʻana a loiloi ʻia nā kumu hoʻohālike ma muli o ke kōkua ʻana o MLOps i ka hoʻomaʻamaʻa ʻana i nā hana a pau a i ʻole ka hapa nui o ka MDLC (model development lifecycle). Eia hou nā ʻae ʻikepili a me ke ʻano hoʻohālike.
- ʻO ka hoʻokō ʻana i nā manaʻo MLOps e hiki ai i nā Data Engineers a me Data Scientists ke komo palena ʻole i nā ʻikepili i hoʻoulu ʻia a curated, kahi e hoʻonui ai i ka hoʻomohala ʻana o nā kumu hoʻohālike.
- Hiki i nā ʻepekema ʻikepili ke hāʻule i hope ma ke kumu hoʻohālike i hana maikaʻi ʻia inā ʻaʻole i kū ka ʻike i kēia manawa i nā manaʻo e hoʻomaikaʻi i ka hiki ke loaʻa i nā kumu hoʻohālike a me nā ʻikepili i hoʻololi ʻia, e hoʻomaikaʻi nui ai i ke ala hoʻohālikelike.
- Ke hilinaʻi nui nei nā ʻano MLOps i DevOps, hoʻokomo pū lākou i kekahi mau manaʻo CI/CD, e hoʻonui ai i ka ka maikaʻi a me ka hilinaʻi o ke code.
5. Hiki iā ʻoe ke haʻi mai iaʻu i nā māhele o MLOps?
Design: Hoʻokomo nui nā MLOps i ka manaʻo hoʻolālā. E hoʻomaka me ke ʻano o ka pilikia, ka hoʻāʻo ʻana i nā kuhiakau, ka hoʻolālā ʻana, a me ka hoʻolaha ʻana
Hale hoʻohālike: ʻO ka hoʻāʻo ʻana a me ka hōʻoia ʻana he ʻāpana o kēia ʻanuʻu, me nā pipeline ʻenekinia data a me ka hoʻokolohua e hoʻonohonoho i nā ʻōnaehana aʻo mīkini maikaʻi loa.
ana: Pono e hoʻokō ʻia ke kumu hoʻohālike ma ke ʻano he ʻāpana o nā hana a nānā mau a loiloi ʻia. A laila nānā ʻia nā kaʻina hana CI/CD a hoʻomaka e hoʻohana i kahi mea hana orchestration.
6. He aha nā pilikia e hele mai me ka hoʻohana ʻana i ka ʻepekema data?
- He paʻakikī ke hoʻonui i ke kumu hoʻohālike ma waena o ka hui.
- Me ka ʻole o ka ʻōlelo aʻo ʻana, paʻa ke kumu hoʻohālike a pau ka hana ʻana.
- ʻO ka hapa nui, ʻoi aku ka maikaʻi o ka pololei o nā hiʻohiʻona me ka manawa.
- Hana ʻia ke kŘkohu i nā wānana kūpono ʻole ma muli o kahi nānā kikoʻī ʻaʻole hiki ke nānā hou ʻia.
- Pono nā ʻepekema ʻikepili e mālama i nā hiʻohiʻona, akā he kumu kūʻai.
- Hiki ke hoʻohana ʻia nā MLOps e hōʻemi i kēia mau pilikia.
7. Hiki iā ʻoe ke wehewehe, he aha ke ʻano drift?
Ke hōʻemi ʻia ka hana ʻana o ka pae inference (hoʻohana ʻana i ka ʻikepili honua maoli) mai kāna hana hoʻomaʻamaʻa ʻana, ʻike ʻia kēia he model drift, ʻike ʻia hoʻi ʻo idea drift (me ka hoʻohana ʻana i ka ʻikepili mōʻaukala).
Hoʻohālikelike ʻia ka hana o ke kŘkohu i ka hoʻomaʻamaʻa ʻana a me ka lawelawe ʻana, no laila ua kapa ʻia ʻo "train/serve skew."
Nui nā kumu, me:
- Ua hoʻololi ʻia ke ala kumu o ka puʻunaue ʻana i ka ʻikepili.
- ʻO ka hoʻomaʻamaʻa ʻana i kālele ʻia i kahi helu liʻiliʻi o nā ʻāpana, akā naʻe, ua hoʻohui ʻia kahi hoʻololi kaiapuni i hoʻohui ʻia i kahi wahi ʻē aʻe.
- I nā pilikia NLP, ʻoi aku ka nui o ka ʻikepili o ka honua maoli i ka nui o nā hōʻailona helu ma mua o ka ʻikepili aʻo.
- ʻO nā hanana i manaʻo ʻole ʻia, e like me ke kumu hoʻohālike i kūkulu ʻia ma ka ʻikepili pre-COVID i wānana ʻia e hana ʻino loa i ka ʻikepili i hōʻiliʻili ʻia i ka wā maʻi COVID-19.
Pono ka nānā mau ʻana i ka hana o ke kŘkohu no ka ʻike ʻana i ka drift model.
ʻaneʻane makemake ʻia ka hoʻomaʻamaʻa hou ʻana i nā kumu hoʻohālike ma ke ʻano he hoʻoponopono i ka wā e emi mau ana ka hana hoʻohālike; Pono e ʻike ʻia ke kumu o ka emi ʻana a pono e hoʻohana ʻia nā kaʻina hana lapaʻau kūpono.
8. Ehia mau ala like ʻole e hoʻohana ʻia ai nā MLOps, i kou manaʻo?
ʻEkolu mau ala no ka hoʻokō ʻana i nā MLOps:
MLOps pae 0 (Ka Hana Hana Hana): Ma kēia pae, hana ʻia nā ʻanuʻu a pau—me ka hoʻomākaukau ʻana i ka ʻikepili, ka nānā ʻana, a me ka hoʻomaʻamaʻa ʻana—ma ka lima. Pono e hana lima ʻia kēlā me kēia pae, a me ka hoʻololi ʻana mai kekahi a i kekahi.
ʻO ka manaʻo kumu, ʻo kāu hui ʻepekema data e hoʻokele wale i kahi helu liʻiliʻi o nā hiʻohiʻona i hōʻano pinepine ʻole ʻia.
ʻO ka hopena, ʻaʻohe Continuous Integration (CI) a i ʻole Continuous Deployment (CD), a ʻo ka hoʻāʻo ʻana i ke code e hoʻohui pinepine ʻia i loko o ka hoʻokō ʻana i ka palapala a i ʻole ka hoʻokō puke puke, me ka lawe ʻana i kahi microservice me kahi i koe API.
MLOps pae 1 (aunoa o ka paipu ML): Ma ka hoʻomaʻamaʻa ʻana i ke kaʻina hana ML, ʻo ka pahuhopu ke hoʻomaʻamaʻa mau i ke kumu hoʻohālike (CT). Hiki iā ʻoe ke hoʻokō i ka hāʻawi ʻana i ka lawelawe wānana hoʻohālike mau i kēia ala.
ʻO kā mākou hoʻolaha ʻana i kahi paipu hoʻomaʻamaʻa holoʻokoʻa e hōʻoia i ka hoʻomaʻamaʻa ʻana i ke kumu hoʻohālike i ka hana ʻana me ka hoʻohana ʻana i ka ʻikepili hou e pili ana i nā mea hoʻoulu pipeline ikaika.
MLOps pae 2 (aunoa o ka paipu CI/CD): Ke hele nei i hoʻokahi kapuaʻi ma luna o ka pae MLOps. Pono ka ʻōnaehana CI/CD automated ikaika inā makemake ʻoe e hoʻonui i nā pipeline i ka hana wikiwiki a hilinaʻi.
- Hoʻokumu ʻoe i ka code kumu a hoʻokō i nā hoʻokolohua he nui ma ka pae CI. ʻO nā pūʻolo, nā mea hoʻokō, a me nā mea kiʻi kiʻi nā mea hoʻopuka o ke kahua, e kau ʻia ma hope.
- Hāʻawi ʻia nā mea hana i hana ʻia e ka pae CI i ke kaiapuni i hoʻopaʻa ʻia ma ka pae CD. ʻO kahi paipu i kau ʻia me ka hoʻokō ʻana i ke kumu hoʻohālike i hoʻoponopono ʻia ʻo ia ka hopena o ke kahua.
- Ma mua o ka hoʻomaka ʻana o ka pipeline i kahi ʻike hou o ka hoʻokolohua, pono nā ʻepekema ʻikepili e hana lima i ka ʻikepili a me ke ʻano hoʻohālike.
9. He aha ka mea e hoʻokaʻawale ai i ka hoʻolaha paʻa mai ka hoʻolalelale ikaika?
Hoʻomaʻamaʻa ʻia ke kumu hoʻohālike no ka Hoʻokomo Paʻa. I nā huaʻōlelo ʻē aʻe, hoʻomaʻamaʻa mākou i ke kumu hoʻohālike i hoʻokahi manawa a laila hoʻohana iā ia no kekahi manawa. Ma hope o ka hoʻomaʻamaʻa ʻana i ke kumu hoʻohālike ma ka ʻāina, mālama ʻia a hoʻouna ʻia i ke kikowaena e hoʻohana ʻia e hana i nā wānana manawa maoli.
A laila puʻunaue ʻia ke kŘkohu ma ke ʻano he polokalamu noi hiki ke hoʻokomo. he polokalamu e hiki ai ke helu pū ʻia o nā noi, ma ke ʻano he kiʻi.
Hoʻomaʻamaʻa ʻia ke kumu hoʻohālike ma ka pūnaewele no Hoʻokomo ʻia ʻana. ʻO ia hoʻi, hoʻohui mau ʻia nā ʻikepili hou i ka ʻōnaehana, a hoʻonui mau ʻia ke kumu hoʻohālike e helu ai.
ʻO ka hopena, hiki iā ʻoe ke hana i nā wānana me ka hoʻohana ʻana i kahi kikowaena ma ke koi. Ma hope o kēlā, hoʻohana ʻia ke kumu hoʻohālike ma ka hoʻolako ʻia ʻana ma ke ʻano he hopena API e pane ana i nā nīnau mea hoʻohana, me ka hoʻohana ʻana i kahi ʻōnaehana pūnaewele e like me Flask a i ʻole FastAPI.
10. He aha nā ʻenehana hoʻokolohua hana āu e ʻike ai?
Hoʻāʻo pūʻulu: Ma ka hoʻāʻo ʻana ma kahi hoʻonohonoho ʻokoʻa mai ko kona ʻano hoʻomaʻamaʻa, hōʻoia ʻo ia i ke kumu hoʻohālike. Ke hoʻohana nei i nā ana koho, e like me ka pololei, RMSE, a me nā mea ʻē aʻe, hana ʻia ka hoʻāʻo ʻana ma kahi pūʻulu o nā laʻana ʻikepili e hōʻoia i ka inference model.
Hiki ke hoʻokō ʻia ka hoʻāʻo ʻana ma nā ʻano papa helu helu, e like me kahi kikowaena hoʻāʻo, kahi kikowaena mamao, a i ʻole ke ao. ʻO ka maʻamau, hāʻawi ʻia ke kŘkohu ma ke ʻano he faila serialized, i hoʻouka ʻia ma ke ʻano he mea a hoʻohālikelike ʻia mai ka ʻikepili hoʻāʻo.
Ka hoʻokolohua A / B: Hoʻohana pinepine ʻia no ka nānā ʻana i nā hoʻolaha kūʻai aku a me ka hoʻolālā ʻana i nā lawelawe (nā pūnaewele, nā noi kelepona, a me nā mea ʻē aʻe).
Ma muli o ka hui a i ʻole nā hana, hoʻohana ʻia nā ʻano helu helu no ka nānā ʻana i nā hopena o ka hoʻāʻo A/B e hoʻoholo ai i ke ʻano o ka hana ʻoi aku ka maikaʻi o ka hana. ʻO ka maʻamau, hana ʻia ka hoʻāʻo A/B ma ke ʻano penei:
- Hoʻokaʻawale ʻia ka ʻikepili ola a i ʻole ka manawa maoli i ʻelua pūʻulu, Set A a me Set B.
- Hoʻouna ʻia ka ʻikepili Set A i ke kumu hoʻohālike kahiko, ʻoiai hoʻouna ʻia ka ʻikepili Set B i ke kumu hoʻohālike hou.
- Ma muli o ka hihia hoʻohana ʻoihana a i ʻole kaʻina hana, hiki ke hoʻohana ʻia kekahi mau ʻano helu helu no ka loiloi ʻana i ka hana hoʻohālike (e like me ka pololei, pololei, a me nā mea ʻē aʻe) e hoʻoholo ai inā ʻoi aku ka maikaʻi o ke kumu hoʻohālike hou (ke kumu B) i ke kumu hoʻohālike kahiko (model A).
- A laila hana mākou i ka hoʻāʻo ʻana i ke kuhiakau helu: Ua ʻōlelo ka null hypothesis ʻaʻohe hopena o ke kumu hoʻohālike hou i ka waiwai awelika o nā hōʻailona ʻoihana e nānā ʻia. Wahi a ke kuhiakau ʻokoʻa, hoʻonui ke kumu hoʻohālike hou i ka waiwai awelika o nā hōʻailona ʻoihana nānā.
- ʻO ka mea hope loa, loiloi mākou inā loaʻa ka hoʻohālike hou i kahi holomua nui i kekahi mau KPI ʻoihana.
He ho'āʻo aka a pae paha: Loiloi 'ia kekahi kŘkohu ma ke kope o kahi kaiapuni hana ma mua o ka ho'ohana 'ana i ka hana (staging environment).
He mea koʻikoʻi kēia no ka hoʻoholo ʻana i ka hana o ke kŘkohu me ka ʻikepili manawa maoli a me ka hōʻoia ʻana i ke kūpaʻa o ke kumu hoʻohālike. hana ʻia ma ka hoʻohālikelike ʻana i ka ʻikepili like me ka pipeline hana a me ka hāʻawi ʻana i ka lālā i kūkulu ʻia a i ʻole ke kumu hoʻohālike e hoʻāʻo ʻia ma kahi kikowaena staging.
ʻO ka drawback wale nō ʻaʻole e hana ʻia nā koho pāʻoihana ma ke kikowaena staging a ʻike ʻia paha e nā mea hoʻohana hope ma muli o ka lālā hoʻomohala.
E loiloi ʻia ke kūpaʻa a me ka hana o ke kŘkohu me ka hoʻohana ʻana i nā hopena o ke kaiapuni hoʻokūkū me ka hoʻohana ʻana i nā ana kūpono.
11. He aha ka mea e hoʻokaʻawale ai i ka hoʻoili ʻana i ke kahawai mai ka hoʻoili ʻana i ka hui?
Hiki iā mākou ke hoʻololi i nā hiʻohiʻona a mākou e hoʻohana ai no ka hana ʻana i kā mākou wānana manawa maoli me ka hoʻohana ʻana i ʻelua ʻano hana: batch a me ke kahawai.
Kaʻina hana pūʻulu nā hiʻohiʻona mai kahi manawa ma mua no kahi mea kikoʻī, a laila hoʻohana ʻia e hana i nā wānana manawa maoli.
- Maʻaneʻi, hiki iā mākou ke hana i nā helu hiʻohiʻona koʻikoʻi ma waho a hoʻomākaukau i ka ʻikepili no ka inference wikiwiki.
- ʻO nā hiʻohiʻona, akā naʻe, kahi makahiki mai ka wā i koho mua ʻia i ka wā i hala. He pilikia nui paha kēia inā pili kāu wānana i nā hanana hou. (No ka laʻana, ka ʻike ʻana i nā hana hoʻopunipuni i ka wā hiki ke hiki.)
Me kahi kokoke i ka manawa maoli, nā hiʻohiʻona streaming no kahi hui kikoʻī, lawe ʻia ka inference i ka hoʻoili kahawai ma kahi hoʻonohonoho o nā mea hoʻokomo.
- Ma ʻaneʻi, ma ka hāʻawi ʻana i ke kumu hoʻohālike i ka manawa maoli, nā hiʻohiʻona streaming, hiki iā mākou ke loaʻa nā wānana pololei.
- Eia nō naʻe, koi ʻia nā ʻōnaehana hou no ka hoʻoili kahawai a mālama i nā kahawai ʻikepili (Kafka, Kinesis, etc.). (Apache Flink, Beam, etc.)
12. He aha kāu e ʻōlelo ai i ka Training Serving Skew?
ʻO ka ʻokoʻa ma waena o ka hana i ka wā lawelawe a me ka hana ʻana i ka wā hoʻomaʻamaʻa ʻike ʻia ʻo ka training-serving skew. Hiki ke hoʻoulu ʻia kēia skew e nā kumu penei:
- He ʻokoʻa i ke ʻano o kāu mālama ʻana i ka ʻikepili ma waena o nā pipelines no ka lawelawe a me ke aʻo ʻana.
- He hoʻololi i ka ʻikepili mai kāu hoʻomaʻamaʻa ʻana i kāu lawelawe.
- He ala manaʻo manaʻo ma waena o kāu algorithm a me ka hoʻohālike.
13. He aha kāu e manaʻo nei i ka Registry Model?
ʻO ka Model Registry kahi waihona kikowaena kahi e hiki ai i nā mea hana hoʻohālike ke hoʻolaha i nā hiʻohiʻona kūpono no ka hoʻohana ʻana i ka hana.
Hiki i nā mea hoʻomohala ke hana pū me nā hui ʻē aʻe a me nā mea kuleana e mālama i ke ola o nā hiʻohiʻona āpau i loko o ka ʻoihana me ka hoʻohana ʻana i ke kākau inoa. Hiki ke hoʻouka ʻia nā kumu hoʻohālike i hoʻomaʻamaʻa ʻia e kekahi kanaka ʻepekema data.
Hoʻomākaukau ʻia nā hiʻohiʻona no ka hoʻāʻo ʻana, hōʻoia, a me ka hoʻoili ʻana i ka hana ʻana i ka wā i loko o ka papa inoa. Hoʻohui ʻia, mālama ʻia nā hiʻohiʻona i hoʻomaʻamaʻa ʻia i loko o nā papa inoa hoʻohālike no ke komo wikiwiki ʻana e kekahi noi hoʻohui a lawelawe paha.
I mea e hoʻāʻo ai, loiloi, a kau i ke kumu hoʻohālike i ka hana ʻana, nā mea hoʻohana polokalamu a hiki i ka poʻe loiloi ke ʻike koke a koho i ka mana maikaʻi loa o nā kumu hoʻohālike i aʻo ʻia (ma muli o nā pae loiloi).
14. Hiki iā ʻoe ke wehewehe i nā pono o ka Model Registry?
Ma lalo iho nei kekahi mau ala e hoʻoponopono ai ka papa inoa hoʻohālike i ka hoʻokele lifecycle model:
- I mea e maʻalahi ai ka hoʻolaha ʻana, mālama i nā koi manawa holo a me nā metadata no kāu mau hiʻohiʻona i aʻo ʻia.
- Pono e hoʻopaʻa inoa ʻia kāu mau hiʻohiʻona i hoʻomaʻamaʻa ʻia, kau ʻia, a i hoʻomaha ʻia, nānā ʻia, a hoʻololi ʻia i loko o kahi waihona i ʻimi ʻia.
- E hana i nā pipeline automated e hiki ai i ka hoʻouna mau ʻana, ka hoʻomaʻamaʻa ʻana, a me ka hoʻohui ʻana i kāu kumu hoʻohālike.
- E hoʻohālikelike i nā hiʻohiʻona hou i hoʻomaʻamaʻa ʻia (a i ʻole nā hiʻohiʻona paʻakikī) i ke kaiapuni hoʻokūkū me nā hiʻohiʻona e hana nei i kēia manawa i ka hana (nā kumu hoʻohālike).
15. Hiki iā ʻoe ke wehewehe i ka hana Champion-Challenger?
Hiki ke ho'āʻo i nā hoʻoholo hana like ʻole ma ka hoʻohana ʻana i kahi ʻenehana Champion Challenger. Ua lohe paha ʻoe e pili ana i ka hoʻāʻo A/B i ka pōʻaiapili o ke kālepa.
No ka laʻana, hiki iā ʻoe ke kākau i ʻelua laina kumuhana ʻokoʻa a kaʻana like ʻole i kāu helu demographic i mea e hoʻonui ai i ka helu wehe no kahi leka uila.
Hoʻopaʻa ka ʻōnaehana i ka hana a ka leka uila (ʻo ia hoʻi, ka hana wehe leka uila) e pili ana i kāna laina kumuhana, e ʻae iā ʻoe e hoʻohālikelike i ka helu wehe o kēlā me kēia kumuhana e hoʻoholo ai i ka mea ʻoi aku ka maikaʻi.
Hoʻohālikelike ʻia ka Champion-Challenger i ka hoʻāʻo A/B ma kēia ʻano. Hiki iā ʻoe ke hoʻohana i ka loiloi hoʻoholo e loiloi i kēlā me kēia hopena a koho i ka hopena maikaʻi loa i kou hoʻāʻo ʻana me nā ʻano hana like ʻole e hiki ai i kahi koho.
ʻO ke kumu hoʻohālike lanakila loa e pili ana i ka champion. ʻO ka mea hoʻokūkū mua a me ka papa inoa hoʻohālikelike o nā mea hoʻokūkū i kēia manawa nā mea a pau i ka pae hoʻokō mua ma mua o ka poʻokela.
Koho ʻia ka poʻokela e ka ʻōnaehana no ka hoʻokō ʻana i ka hana.
Hoʻokaʻawale ʻia nā mea hakakā me kekahi. Hoʻoholo ʻia ka poʻokela hou e ka mea hoʻokūkū nāna e hoʻopuka i nā hopena nui loa.
ʻO nā hana i komo i loko o ke kaʻina hoʻohālikelike champion-challenger i helu ʻia ma lalo nei me nā kikoʻī hou aku:
- Ka loiloi ʻana i kēlā me kēia ʻano hoʻohālikelike.
- Ka helu ʻana i nā helu hope.
- Hoʻohālikelike i nā hopena loiloi e hoʻokumu i ka mea hoʻokūkū lanakila.
- Hoʻohui i ka champion hou i ka waihona
16. E wehewehe i nā noi pae ʻoihana o ka MLOps lifecycle?
Pono mākou e ho'ōki i ka noʻonoʻo ʻana i ke aʻo ʻana i ka mīkini ma ke ʻano he hoʻokolohua iterative wale nō i mea e komo ai nā kumu hoʻohālike mīkini i ka hana. ʻO MLOps ka hui o ka ʻenekinia polokalamu me ka aʻo ʻana i ka mīkini.
Pono e noʻonoʻo ʻia ka hopena hope. No laila, pono e hoʻāʻo ʻia ke code no kahi huahana ʻenehana, hana, a modular.
Loaʻa i nā MLOps ke ola e like me ke kahe aʻo mīkini maʻamau, koe wale nō ke mālama ʻia ke kumu hoʻohālike a hiki i ka hana ʻana.
E nānā pono nā MLOps Engineers i kēia e hōʻoia i ka maikaʻi o ke kumu hoʻohālike i ka hana ʻana i ka mea i manaʻo ʻia.
Eia kekahi mau hihia hoʻohana no kekahi o nā ʻenehana MLOps:
- Nā Palapala Hoʻohālike: ʻO ia ka mea i ʻike ʻia. Hoʻopaʻa a mālama nā hui nui i ka ʻike o nā hiʻohiʻona ma nā papa inoa hoʻohālike. ʻO ka hoʻi ʻana i kahi mana mua he koho.
- Hale kūʻai hiʻohiʻona: I ka wā e pili ana i nā pūʻulu ʻikepili nui aʻe, hiki ke loaʻa nā ʻano ʻokoʻa o nā waihona analytical a me nā subsets no nā hana kikoʻī. ʻO kahi hale kūʻai hiʻohiʻona kahi ala ʻokiʻoki, ʻono e hoʻohana ai i ka hana hoʻomākaukau ʻikepili mai nā holo mua a i ʻole nā hui ʻē aʻe kekahi.
- Nā hale kūʻai no Metadata: He mea koʻikoʻi ka nānā pono ʻana i ka metadata i loko o ka hana ʻana inā e hoʻohana pono ʻia nā ʻikepili i kūkulu ʻole ʻia, e like me ke kiʻi a me ka ʻikepili kikokikona.
Panina
He mea koʻikoʻi ka hoʻomanaʻo ʻana, ma ka hapanui o nā hihia, ke ʻimi nei ka mea nīnauele i kahi ʻōnaehana, ʻoiai ke ʻimi nei ka moho i kahi hopena.
Hoʻokumu ʻia ka mea mua ma kāu mau loea loea, ʻoiai ʻo ka lua e pili ana i ke ʻano āu e hoʻohana ai e hōʻike i kou mākaukau.
Nui nā kaʻina hana āu e hana ai i ka pane ʻana i nā nīnau nīnauele MLOps e kōkua i ka mea nīnau nīnau e hoʻomaopopo maikaʻi i kou manaʻo e loiloi a hoʻoponopono i ka pilikia e pili ana.
ʻOi aku ko lākou manaʻo i ka pane pololei ʻole ma mua o ka pololei. Hōʻike ka hopena i kahi moʻolelo, a ʻo kāu ʻōnaehana ka hōʻike maikaʻi loa o kou ʻike a me kou hiki ke kamaʻilio.
Waiho i ka Reply