Гарчиг[Нуух][Үзүүлэх]
- 1. MLOps гэж юуг хэлээд байна вэ?
- 2. Өгөгдлийн судлаачид, мэдээллийн инженерүүд болон ML инженерүүд бие биенээсээ хэрхэн ялгаатай вэ?
- 3. MLOps нь ModelOps болон AIOps-ээс юугаараа ялгаатай вэ?
- 4. MLOps-ийн ашиг тусын талаар надад хэлж чадах уу?
- 5. MLOps-ийн бүрэлдэхүүн хэсгүүдийг хэлж чадах уу?
- 6. Өгөгдлийн шинжлэх ухааныг ашиглах нь ямар эрсдэлтэй байдаг вэ?
- 7. Загварын дрифт гэж юу болохыг тайлбарлаж өгнө үү?
- 8. Таны бодлоор MLOps-ийг хэдэн өөр аргаар хэрэглэж болох вэ?
- 9. Статик байршуулалт нь динамик байршуулалтаас юугаараа ялгаатай вэ?
- 10. Та үйлдвэрлэлийн туршилтын ямар арга техникийг мэддэг вэ?
- 11. Урсгал боловсруулалт нь багц боловсруулалтаас юугаараа ялгаатай вэ?
- 12. Training Serving Skew гэж юу гэсэн үг вэ?
- 13. Загварын бүртгэл гэж юуг хэлэх вэ?
- 14. Загварын бүртгэлийн ашиг тусын талаар дэлгэрэнгүй ярихгүй юу?
- 15. Champion-Challenger техникийг тайлбарлаж өгнө үү?
- 16. MLOps амьдралын мөчлөгийн аж ахуйн нэгжийн түвшний хэрэглээг тайлбарлана уу?
- Дүгнэлт
Компаниуд олон нийтэд мэдээлэл, үйлчилгээний хүртээмжийг нэмэгдүүлэхийн тулд хиймэл оюун ухаан (AI) болон машин сургалт (ML) зэрэг шинээр гарч ирж буй технологийг илүү олон удаа ашиглаж байна.
Эдгээр технологиуд нь банк санхүү, жижиглэн худалдаа, үйлдвэрлэл, тэр ч байтугай эрүүл мэндийн салбар зэрэг төрөл бүрийн салбарт улам бүр ашиглагдаж байна.
Дата судлаачид, машин сургалтын инженерүүд, хиймэл оюун ухааны инженерүүд улам бүр нэмэгдэж буй компаниудын эрэлт хэрэгцээтэй байна.
Боломжтойг мэдэх машин суралцах Хэрэв та ML эсвэл MLOps талбарт ажиллахыг хүсч байвал менежерүүд болон ажилд зуучлагчдыг ажилд авах үйл ажиллагааны ярилцлагын асуултууд зайлшгүй шаардлагатай.
Мөрөөдлийнхөө ажилд орохын тулд та энэ нийтлэлээс MLOps ярилцлагын зарим асуултанд хэрхэн хариулах талаар сурах боломжтой.
1. MLOps гэж юуг хэлээд байна вэ?
ML загваруудыг ажиллуулах сэдэв нь AI/DS/ML талбарт хөгжиж буй Machine Learning Operations гэгддэг MLOps-ийн гол сэдэв юм.
MLOps гэгддэг программ хангамжийн инженерчлэлийн арга барил, соёлын гол зорилго нь машин сургалтын/өгөгдлийн шинжлэх ухааны загваруудыг бий болгох, дараа нь ажиллуулах (Ops) үйл явцыг нэгтгэх явдал юм.
Уламжлалт DevOps болон MLOps нь тодорхой ижил төстэй талуудтай боловч MLOps нь уламжлалт DevOps-ээс эрс ялгаатай.
MLOps нь өгөгдөлд анхаарлаа төвлөрүүлснээр нарийн төвөгтэй байдлын шинэ давхаргыг нэмдэг бол DevOps нь төлөв байх боломжгүй код болон програм хангамжийн хувилбаруудыг ажиллуулахад голлон анхаардаг.
ML, Data, Ops-ийн хослол нь MLOps-д нийтлэг нэрийг (машины сургалт, дата инженерчлэл, DevOps) өгдөг.
2. Өгөгдлийн судлаачид, мэдээллийн инженерүүд болон ML инженерүүд бие биенээсээ хэрхэн ялгаатай вэ?
Энэ нь миний бодлоор пүүсээс хамаарч өөр өөр байдаг. Өгөгдлийг тээвэрлэх, өөрчлөх, хадгалах орчинг мэдээллийн инженерүүд бий болгодог.
Мэдээллийн эрдэмтэд нь шинжлэх ухаан, статистикийн арга техникийг ашиглан өгөгдөлд дүн шинжилгээ хийх, дүгнэлт гаргах, тэр дундаа одоо байгаа чиг хандлагад үндэслэн ирээдүйн зан үйлийн талаар таамаглал дэвшүүлдэг мэргэжилтнүүд юм.
Програм хангамжийн инженерүүд хэдэн жилийн өмнө үйл ажиллагааг судалж, байршуулах дэд бүтцийг удирдаж байсан. Харин ажиллагааны багууд дэд бүтцийг код болгон ашиглахын зэрэгцээ хөгжлийг судалж байв. DevOps-ын байрлалыг эдгээр хоёр урсгалаар үүсгэсэн.
MLOps нь ижил ангилалд багтдаг Мэдээллийн эрдэмтэн болон мэдээллийн инженер. Өгөгдлийн инженерүүд загварын амьдралын мөчлөгийг дэмжихэд шаардлагатай дэд бүтцийн талаар мэдлэг олж авч, байнгын сургалтанд дамжуулах шугам хоолой бий болгож байна.
Мэдээллийн эрдэмтэд загвар байршуулах, оноо авах чадвараа хөгжүүлэхийг эрмэлздэг.
Үйлдвэрлэлийн түвшний өгөгдлийн дамжуулах хоолойг ML инженерүүд түүхий өгөгдлийг өгөгдлийн шинжлэх ухааны загварт шаардлагатай оролт болгон хувиргадаг, загварыг байршуулж, ажиллуулдаг, оноотой өгөгдлийн багцыг доод урсгалын системд гаргадаг дэд бүтцийг ашиглан бүтээдэг.
Өгөгдлийн инженерүүд болон өгөгдөл судлаачид хоёулаа ML инженер болох чадвартай.
3. MLOps нь ModelOps болон AIOps-ээс юугаараа ялгаатай вэ?
Төгсгөлд нь барьж байгуулах үед машин сурах алгоритм, MLOps нь өгөгдөл цуглуулах, өгөгдлийг урьдчилан боловсруулах, загвар үүсгэх, үйлдвэрлэлд загвар байршуулах, үйлдвэрлэлд загвар хянах, загварыг үе үе шинэчлэх зэргийг багтаасан DevOps програм юм.
Дүрэмд суурилсан загвар гэх мэт аливаа алгоритмыг бүхэлд нь хэрэгжүүлэхэд DevOps-ийг ашиглахыг ModelOps гэж нэрлэдэг.
AI үйл ажиллагаа нь AI програмуудыг эхнээс нь бий болгохын тулд DevOps зарчмуудыг ашиглаж байна.
4. MLOps-ийн ашиг тусын талаар надад хэлж чадах уу?
- MLOps нь MDLC (загвар боловсруулах амьдралын мөчлөг)-ийн бүх буюу ихэнх ажил/алхмуудыг автоматжуулахад тусалдаг тул өгөгдөл судлаачид болон MLOps хөгжүүлэгчид загваруудыг зохих ёсоор сургаж, үнэлдэг эсэхийг баталгаажуулахын тулд туршилтыг хурдан давтаж болно. Нэмэлт зөвшөөрлүүд өгөгдөл ба загвар хувилбар.
- MLOps-ийн санааг практикт хэрэгжүүлэх нь өгөгдлийн инженерүүд болон өгөгдөл судлаачдад боловсруулсан, боловсруулсан өгөгдлийн багцад хязгаарлалтгүйгээр нэвтрэх боломжийг олгодог бөгөөд энэ нь загварын хөгжлийг хурдасгадаг.
- Загвар болон өгөгдлийн багцын хувилбартай байх чадварын ачаар одоогийн давталт нь хүлээлтийг хангахгүй бол илүү сайн гүйцэтгэлтэй загвар дээр буцаж очих боломжтой бөгөөд энэ нь загварын аудитын замыг ихээхэн сайжруулах болно.
- MLOps аргууд нь DevOps дээр тулгуурладаг тул тэдгээр нь мөн хэд хэдэн CI/CD концепцуудыг агуулдаг бөгөөд энэ нь кодын чанар, найдвартай байдал.
5. MLOps-ийн бүрэлдэхүүн хэсгүүдийг хэлж чадах уу?
Зураг төсөл боловсруулах: MLOps нь дизайны сэтгэлгээг ихээр агуулдаг. Асуудлын мөн чанар, туршилтын таамаглал, архитектур, байршуулалтаас эхлээд
Загварын барилга: Загварын туршилт, баталгаажуулалт нь өгөгдлийн инженерийн шугам хоолой, хамгийн сайн машин сургалтын системийг бий болгох туршилтын хамт энэ алхамын нэг хэсэг юм.
үйл ажиллагаа: Загварыг үйл ажиллагааны нэг хэсэг болгон хэрэгжүүлж, байнга шалгаж, үнэлж байх ёстой. Дараа нь CI/CD процессуудыг хянаж, зохион байгуулах хэрэгслийг ашиглан эхлүүлнэ.
6. Өгөгдлийн шинжлэх ухааныг ашиглах нь ямар эрсдэлтэй байдаг вэ?
- Компанийн хэмжээнд загварыг өргөжүүлэхэд хэцүү байдаг.
- Анхааруулгагүйгээр загвар унтарч, ажиллахаа болино.
- Ихэнхдээ загваруудын нарийвчлал цаг хугацаа өнгөрөх тусам улам дорддог.
- Загвар нь тодорхой ажиглалт дээр үндэслэн буруу таамаглал дэвшүүлдэг бөгөөд цаашид шалгах боломжгүй юм.
- Мэдээллийн эрдэмтэд загвараа хадгалах ёстой, гэхдээ тэдгээр нь үнэтэй байдаг.
- Эдгээр эрсдлийг бууруулахын тулд MLOps ашиглаж болно.
7. Загварын дрифт гэж юу болохыг тайлбарлаж өгнө үү?
Загварын дүгнэлтийн үе шатны гүйцэтгэл (бодит ертөнцийн өгөгдлийг ашиглах) сургалтын үе шатны гүйцэтгэлээс муудах үед үүнийг загварын шилжилт гэж нэрлэдэг ба санааны шилжилт (түүхэн, шошготой өгөгдлийг ашиглах) гэж нэрлэдэг.
Загварын гүйцэтгэл нь сургалтын болон үйлчлэх үе шаттай харьцуулахад гажуудсан тул "талт сургах/үйлчилгээний хазайлт" гэж нэрлэсэн.
Олон тооны хүчин зүйлүүд, үүнд:
- Мэдээллийг түгээх үндсэн арга зам өөрчлөгдсөн.
- Сургалт нь цөөн тооны ангилалд төвлөрч байсан боловч саяхан болсон байгаль орчны өөрчлөлт нь өөр нэг салбарыг нэмсэн.
- NLP-ийн хүндрэлтэй үед бодит өгөгдөл нь сургалтын өгөгдлөөс харьцангуй их тооны жетонтой байдаг.
- COVID-19-ийн халдварын үед цуглуулсан мэдээлэлд илүү муу ажиллана гэж таамаглаж буй COVID-XNUMX-ийн өмнөх өгөгдөл дээр суурилсан загвар зэрэг гэнэтийн тохиолдлууд.
Загварын шилжилтийг тодорхойлохын тулд загварын гүйцэтгэлийг байнга хянаж байх шаардлагатай.
Загварын гүйцэтгэл байнга буурч байгаа тохиолдолд загварыг давтан сургах нь бараг үргэлж шаардлагатай байдаг; бууралтын шалтгааныг тодорхойлж, зохих эмчилгээний горимыг ашиглах ёстой.
8. Таны бодлоор MLOps-ийг хэдэн өөр аргаар хэрэглэж болох вэ?
MLOps-ийг практикт хэрэгжүүлэх гурван арга байдаг:
MLOps түвшин 0 (Гараар авах үйл явц): Энэ түвшинд өгөгдөл бэлтгэх, дүн шинжилгээ хийх, сургалт явуулах зэрэг бүх алхмуудыг гараар гүйцэтгэдэг. Үе шат бүрийг гараар хийхээс гадна нэгээс нөгөөд шилжих ёстой.
Үүний үндсэн суурь бол таны мэдээллийн шинжлэх ухааны баг зөвхөн байнга шинэчлэгддэггүй цөөн тооны загваруудыг удирддаг.
Үүний үр дүнд тасралтгүй интеграци (CI) эсвэл тасралтгүй байршуулалт (CD) байхгүй бөгөөд кодыг турших нь ихэвчлэн скриптийн гүйцэтгэл эсвэл тэмдэглэлийн дэвтэрийн гүйцэтгэлд нэгтгэгддэг бөгөөд байршуулалт нь микро үйлчилгээнд явагддаг. REST API.
MLOps түвшин 1 (ML дамжуулах хоолойн автоматжуулалт): ML процессыг автоматжуулснаар загварыг (CT) тасралтгүй сургах зорилготой. Та ийм маягаар тасралтгүй загварыг урьдчилан таамаглах үйлчилгээ үзүүлэх боломжтой.
Бидний бүхэл бүтэн сургалтын шугам сүлжээг байршуулснаар уг загварыг идэвхтэй дамжуулах хоолойн триггер дээр суурилсан шинэ өгөгдлийг ашиглан үйлдвэрлэлд автоматаар сургах боломжийг олгодог.
MLOps түвшин 2 (CI/CD дамжуулах хоолойн автоматжуулалт): Энэ нь MLOps түвшингээс нэг шатаар дээшилдэг. Хэрэв та үйлдвэрлэлд дамжуулах хоолойг хурдан бөгөөд найдвартай шинэчлэхийг хүсвэл хүчирхэг автоматжуулсан CI/CD систем шаардлагатай.
- Та эх код үүсгэж, CI үе шатанд олон тооны туршилтуудыг гүйцэтгэдэг. Багцууд, гүйцэтгэгдэх файлууд болон олдворууд нь тайзны гаралт бөгөөд үүнийг дараа нь ашиглах болно.
- CI үе шатанд бий болсон олдворуудыг CD алхамын үеэр зорилтот орчинд байрлуулна. Шинэчлэгдсэн загварын хэрэгжилттэй байрлуулсан дамжуулах хоолой нь үе шатны гарц юм.
- Дамжуулах хоолой туршилтын шинэ давталт эхлэхээс өмнө өгөгдөл судлаачид өгөгдөл болон загварын шинжилгээний үе шатыг гараар хийх ёстой.
9. Статик байршуулалт нь динамик байршуулалтаас юугаараа ялгаатай вэ?
Загвар нь офлайнаар бэлтгэгдсэн Статик байршуулалт. Өөрөөр хэлбэл, бид загварыг яг нэг удаа сургаж, дараа нь хэсэг хугацаанд ашигладаг. Загварыг орон нутагт сургасны дараа түүнийг бодит цагийн таамаглал гаргахад ашиглахаар хадгалж, сервер рүү илгээдэг.
Дараа нь уг загварыг суулгаж болох хэрэглээний програм хангамж болгон түгээдэг. жишээ болгон хүсэлтийг багцлан оноох боломжийг олгодог програм.
Загварыг онлайнаар сургадаг Динамик байршуулалт. Өөрөөр хэлбэл, системд шинэ өгөгдөл байнга нэмэгдэж, загвар нь үүнийг тооцоолохын тулд тасралтгүй шинэчлэгддэг.
Үүний үр дүнд та хүссэн сервер ашиглан таамаглал дэвшүүлж болно. Үүний дараа загвар нь вэб фреймворк ашиглан хэрэглэгчийн хүсэлтэд хариу үйлдэл үзүүлэх API төгсгөлийн цэг болгон нийлүүлснээр ашиглалтанд орно. Колбо эсвэл FastAPI.
10. Та үйлдвэрлэлийн туршилтын ямар арга техникийг мэддэг вэ?
Багцын туршилт: Сургалтын орчноосоо өөр орчинд туршилт явуулснаар тухайн загварыг баталгаажуулдаг. Нарийвчлал, RMSE гэх мэт сонголтын хэмжигдэхүүнийг ашиглан загвар дүгнэлтийг баталгаажуулахын тулд багц өгөгдлийн дээж дээр багц туршилт хийдэг.
Багц тестийг туршилтын сервер, алсын сервер эсвэл үүл гэх мэт төрөл бүрийн тооцоолох платформ дээр хийж болно. Ерөнхийдөө загварыг цуваа файл хэлбэрээр өгдөг бөгөөд үүнийг объект болгон ачаалж, туршилтын өгөгдлөөс дүгнэдэг.
A / B шинжилгээ: Энэ нь маркетингийн кампанит ажилд дүн шинжилгээ хийх, түүнчлэн үйлчилгээний дизайн (вэбсайт, гар утасны програм гэх мэт) хийхэд ихэвчлэн ашиглагддаг.
Компани эсвэл үйл ажиллагаан дээр үндэслэн аль загвар нь үйлдвэрлэлд илүү сайн ажиллахыг шийдэхийн тулд A/B туршилтын үр дүнд дүн шинжилгээ хийхэд статистикийн аргыг ашигладаг. Ихэвчлэн A/B тестийг дараах байдлаар хийдэг.
- Шууд эсвэл бодит цагийн өгөгдлийг хоёр багц, А багц болон В багцад хуваадаг.
- А багцын өгөгдлийг хуучирсан загвар руу илгээдэг бол B багц өгөгдлийг шинэчилсэн загвар руу илгээдэг.
- Бизнесийн хэрэглээний тохиолдол эсвэл үйл явцаас хамааран шинэ загвар (загвар В) нь хуучин загвараас (А загвар) давсан эсэхийг тодорхойлохын тулд загварын гүйцэтгэлийг (жишээ нь, нарийвчлал, нарийвчлал гэх мэт) үнэлэхэд статистикийн хэд хэдэн аргыг ашиглаж болно.
- Дараа нь бид статистик таамаглалын тест хийдэг: Тэг таамаглал нь шинэ загвар нь хянаж буй бизнесийн үзүүлэлтүүдийн дундаж утгад ямар ч нөлөө үзүүлэхгүй гэж хэлсэн. Альтернатив таамаглалын дагуу шинэ загвар нь мониторингийн бизнесийн үзүүлэлтүүдийн дундаж утгыг нэмэгдүүлдэг.
- Эцэст нь бид шинэ загвар нь бизнесийн тодорхой KPI-д мэдэгдэхүйц сайжирч байгаа эсэхийг үнэлдэг.
Сүүдэр эсвэл тайзны тест: Загварыг үйлдвэрлэлд ашиглахаас өмнө үйлдвэрлэлийн орчны давхардсан тоогоор үнэлдэг (үе шатлалын орчин).
Энэ нь бодит цагийн өгөгдлөөр загварын гүйцэтгэлийг тодорхойлох, загварын уян хатан чанарыг баталгаажуулахад маш чухал юм. Энэ нь үйлдвэрлэлийн дамжуулах хоолойтой ижил өгөгдлийг гаргаж, боловсруулсан салбар эсвэл үе шатны сервер дээр турших загварыг хүргэх замаар хийгддэг.
Цорын ганц сул тал нь хөгжүүлэлтийн салбарын үр дүнд тайзны сервер дээр бизнесийн сонголт хийхгүй эсвэл эцсийн хэрэглэгчдэд харагдахгүй байх явдал юм.
Загварын уян хатан байдал, гүйцэтгэлийг зохих хэмжигдэхүүнийг ашиглан үе шатлалын орчны үр дүнг ашиглан статистикаар үнэлнэ.
11. Урсгал боловсруулалт нь багц боловсруулалтаас юугаараа ялгаатай вэ?
Бид багц болон урсгал гэсэн хоёр боловсруулалтын аргыг ашиглан бодит цагийн таамаглал гаргахад ашигладаг шинж чанаруудыг өөрчилж болно.
Багц процесс Тодорхой объектын өмнөх үеийн онцлог шинж чанарууд, дараа нь бодит цагийн таамаглалыг бий болгоход ашигладаг.
- Энд бид офлайн горимд эрчимтэй функцийн тооцоолол хийх боломжтой бөгөөд хурдан дүгнэлт хийхэд зориулж өгөгдлийг бэлтгэсэн болно.
- Онцлогууд, гэхдээ тэд өнгөрсөн хугацаанд урьдчилан тодорхойлсон нас юм. Хэрэв таны таамаглал сүүлийн үеийн тохиолдлуудад үндэслэсэн бол энэ нь томоохон дутагдал байж магадгүй юм. (Жишээ нь, хуурамч гүйлгээг аль болох хурдан тодорхойлох.)
Тодорхой аж ахуйн нэгжийн бодит цагийн урсгалын онцлогтой бол дүгнэлтийг өгөгдсөн оролтын багц дээр урсгал боловсруулахад гүйцэтгэдэг.
- Энд загварт бодит цагийн урсгалын функцуудыг өгснөөр бид илүү үнэн зөв таамаглалыг авах боломжтой.
- Гэсэн хэдий ч урсгал боловсруулах, мэдээллийн урсгалыг хадгалахад нэмэлт дэд бүтэц шаардлагатай (Кафка, Кинесис гэх мэт). (Apache Flink, Beam гэх мэт)
12. Training Serving Skew гэж юу гэсэн үг вэ?
Үйлчлэх үеийн гүйцэтгэл болон сургалтын явцад үзүүлэх гүйцэтгэлийн хоорондын зөрүүг сургалтанд үйлчлэх хазайлт гэж нэрлэдэг. Энэ хазайлтыг дараах хүчин зүйлүүд өдөөж болно.
- Үйлчилгээ болон сургалтын шугамын хоорондох өгөгдлийг хэрхэн зохицуулах ялгаа.
- Таны сургалтаас таны үйлчилгээ рүү өгөгдөл шилжих.
- Таны алгоритм болон загвар хоорондын санал хүсэлтийн суваг.
13. Загварын бүртгэл гэж юуг хэлэх вэ?
Загварын бүртгэл нь загвар бүтээгчид үйлдвэрлэлд ашиглахад тохиромжтой загваруудыг нийтлэх боломжтой төвлөрсөн агуулах юм.
Хөгжүүлэгчид бүртгэлийг ашиглан бизнесийн бүх загваруудын ашиглалтын хугацааг удирдахын тулд бусад баг болон оролцогч талуудтай хамтран ажиллах боломжтой. Сургалтанд хамрагдсан загваруудыг өгөгдөл судлаач загвар бүртгэлд байршуулж болно.
Загваруудыг бүртгэлд оруулсны дараа турших, баталгаажуулах, үйлдвэрлэлд нэвтрүүлэхэд бэлтгэгддэг. Нэмж дурдахад бэлтгэгдсэн загваруудыг ямар ч нэгдсэн програм эсвэл үйлчилгээгээр хурдан ашиглахын тулд загварын бүртгэлд хадгалдаг.
Загварыг турших, үнэлэх, үйлдвэрлэлд нэвтрүүлэхийн тулд програм хангамж хөгжүүлэгчид Шүүгчид бэлтгэгдсэн загваруудын хамгийн сайн хувилбарыг (үнэлгээний шалгуурт үндэслэн) хурдан таньж, сонгох боломжтой.
14. Загварын бүртгэлийн ашиг тусын талаар дэлгэрэнгүй ярихгүй юу?
Загварын бүртгэл нь загварын амьдралын мөчлөгийн менежментийг оновчтой болгох зарим арга замууд дараах байдалтай байна.
- Байршуулах ажлыг хөнгөвчлөхийн тулд бэлтгэгдсэн загварынхаа ажиллах цагийн шаардлага болон мета өгөгдлийг хадгална уу.
- Таны бэлтгэгдсэн, байршуулсан, тэтгэвэрт гарсан загваруудыг төвлөрсөн, хайх боломжтой хадгалах газарт бүртгэж, хянаж, хувилбартай байх ёстой.
- Үйлдвэрлэлийн загвараа тасралтгүй хүргэх, сургах, нэгтгэх боломжийг олгодог автомат шугам сүлжээг бий болго.
- Тайзны орчинд шинээр бэлтгэгдсэн загваруудыг (эсвэл сорилттой загваруудыг) одоо үйлдвэрлэж байгаа загваруудтай (аваргын загварууд) харьцуул.
15. Champion-Challenger техникийг тайлбарлаж өгнө үү?
Champion Challenger техникийг ашиглан үйлдвэрлэлд янз бүрийн үйл ажиллагааны шийдвэрийг турших боломжтой. Та маркетингийн хүрээнд A/B тестийн талаар сонссон байх.
Жишээлбэл, та имэйлийн кампанит ажлын нээлттэй хурдыг нэмэгдүүлэхийн тулд хоёр өөр сэдвийн мөрийг бичиж, зорилтот хүн ам зүйдээ санамсаргүй байдлаар тарааж болно.
Систем нь имэйлийн гүйцэтгэлийг (жишээ нь, цахим шуудан нээх үйлдлийг) гарчигтай нь харгалзуулж бүртгэснээр аль нь хамгийн үр дүнтэй болохыг тодорхойлохын тулд сэдэв бүрийн нээлттэй ханшийг харьцуулах боломжийг олгодог.
Champion-Challenger нь энэ тал дээр A/B тесттэй харьцуулах боломжтой. Та шийдвэрийн логикийг ашиглан үр дүн бүрийг үнэлж, хамгийн үр дүнтэйг нь сонгож, янз бүрийн аргыг туршиж, сонголтоо хийж болно.
Хамгийн амжилттай загвар нь аваргатай холбоотой. Эхний өрсөлдөгч болон өрсөлдөгчдийн тохирох жагсаалт нь аваргын оронд эхний гүйцэтгэлийн шатанд байгаа бүх зүйл юм.
Аваргыг цаашдын ажлын алхмуудыг гүйцэтгэхийн тулд системээр сонгодог.
Өрсөлдөгчид бие биенээсээ ялгаатай. Дараа нь хамгийн их үр дүнд хүрсэн өрсөлдөгч шинэ аваргыг тодорхойлно.
Аваргуудыг шалгаруулагчдыг харьцуулах үйл явцад хамаарах ажлуудыг доор дэлгэрэнгүй жагсаав.
- Өрсөлдөгч загвар бүрийг үнэлэх.
- Эцсийн оноог үнэлэх.
- Ялсан өрсөлдөгчийг тогтоохын тулд үнэлгээний үр дүнг харьцуулах.
- Шинэхэн аваргыг архивт нэмж байна
16. MLOps амьдралын мөчлөгийн аж ахуйн нэгжийн түвшний хэрэглээг тайлбарлана уу?
Машин сургалтын загваруудыг үйлдвэрлэлд нэвтрүүлэхийн тулд бид машин сургалтыг зөвхөн давтагдах туршилт гэж үзэхээ болих хэрэгтэй. MLOps бол програм хангамжийн инженерчлэл болон машин сургалтын нэгдэл юм.
Эцсийн үр дүнг ийм байдлаар төсөөлөх хэрэгтэй. Тиймээс технологийн бүтээгдэхүүний код нь туршилт, функциональ, модульчлагдсан байх ёстой.
MLOps нь загвар нь үйлдвэрлэх хүртэл процесст хадгалагддагийг эс тооцвол ердийн машин сургалтын урсгалтай харьцуулж болохуйц ашиглалтын хугацаатай.
Дараа нь MLOps-ийн инженерүүд үйлдвэрлэлийн загвар чанар нь зорилгодоо нийцэж байгаа эсэхийг шалгахын тулд үүнийг анхаарч үздэг.
MLOps-ийн хэд хэдэн технологийн хэрэглээний зарим жишээ энд байна:
- Загварын бүртгэл: Энэ нь харагдаж байгаа зүйл юм. Томоохон багууд загварын бүртгэлд хувилбарын загваруудыг хадгалж, хянаж байдаг. Өмнөх хувилбар руу буцах нь ч гэсэн сонголт юм.
- Онцлогын дэлгүүр: Илүү том өгөгдлийн багцтай ажиллах үед тодорхой даалгаварт зориулсан аналитик мэдээллийн багц болон дэд багцуудын ялгаатай хувилбарууд байж болно. Онцлогын дэлгүүр нь өмнөх болон бусад багуудын өгөгдөл бэлтгэх ажлыг ашиглах хамгийн сүүлийн үеийн, амттай арга юм.
- Мета өгөгдлийн хадгалалт: Зураг, текст мэдээлэл гэх мэт бүтэцгүй өгөгдлийг амжилттай ашиглахын тулд үйлдвэрлэлийн явцад мета өгөгдлийг зөв хянах нь маш чухал юм.
Дүгнэлт
Ихэнх тохиолдолд ярилцлага авагч нь системийг хайж байдаг бол нэр дэвшигч нь шийдлийг хайж байдаг гэдгийг санах нь чухал юм.
Эхнийх нь таны техникийн ур чадвар дээр суурилдаг бол хоёр дахь нь ур чадвараа харуулах арга барилын тухай юм.
Ярилцлага авагчид тулгарч буй асуудлыг хэрхэн үнэлж, шийдвэрлэхийг илүү сайн ойлгоход нь туслахын тулд MLOps ярилцлагын асуултуудад хариулахдаа хэд хэдэн журам баримтлах хэрэгтэй.
Тэдний төвлөрөл нь зөв урвалаас илүү буруу урвал дээр байдаг. Шийдэл нь түүхийг өгүүлдэг бөгөөд таны систем бол таны мэдлэг, харилцааны чадварын хамгийн сайн жишээ юм.
хариу үлдээх