ගෝලීය අංශ කිහිපයක් යන්ත්ර ඉගෙනීම (ML) සඳහා වඩා සැලකිය යුතු ලෙස ආයෝජනය කිරීමට පටන් ගෙන තිබේ.
ML මාදිලි මුලින් දියත් කළ හැකි අතර විශේෂඥ කණ්ඩායම් විසින් ක්රියාත්මක කළ හැක, නමුත් විශාලතම බාධාවක් වන්නේ ක්රියාවලි පුළුල් කළ හැකි වන පරිදි ලබාගත් දැනුම ඊළඟ ආකෘතියට මාරු කිරීමයි.
ආකෘති ජීවන චක්ර කළමනාකරණයට සම්බන්ධ ක්රියාවලීන් වැඩිදියුණු කිරීම සහ ප්රමිතිකරණය කිරීම සඳහා, යන්ත්ර ඉගෙනුම් ආකෘති නිර්මාණය කරන කණ්ඩායම් විසින් MLOps ශිල්පීය ක්රම වැඩි වැඩියෙන් භාවිතා කරනු ලැබේ.
අද පවතින හොඳම MLOps මෙවලම් සහ වේදිකා කිහිපයක් සහ මෙවලමකින්, සංවර්ධකයෙකු සහ ක්රියා පටිපාටිමය දෘෂ්ටිකෝණයකින් යන්ත්ර ඉගෙනීම පහසු කරන්නේ කෙසේද යන්න පිළිබඳ වැඩිදුර දැන ගැනීමට කියවීම දිගටම කරගෙන යන්න.
MLOps යනු කුමක්ද?
යන්ත්ර ඉගෙනුම් ආකෘතීන් සඳහා ප්රතිපත්ති, සම්මතයන් සහ හොඳම භාවිතයන් නිර්මාණය කිරීමේ ක්රමවේදයක් "යන්ත්ර ඉගෙනුම් මෙහෙයුම්" හෝ "MLOps" ලෙස හැඳින්වේ.
MLOps අරමුණු කරන්නේ ML සංවර්ධනයේ සම්පූර්ණ ජීවන චක්රය - පිළිසිඳ ගැනීමේ සිට යෙදවීම දක්වා - ඉතා සූක්ෂම ලෙස ලේඛනගත කර ඇති අතර උපාය මාර්ගයකින් තොරව බොහෝ කාලයක් සහ සම්පත් ඒ සඳහා ආයෝජනය කරනවාට වඩා හොඳම ප්රතිඵල සඳහා කළමනාකරණය කරයි.
MLOps හි පරමාර්ථය වන්නේ ML ක්රියාකරුවන් සහ සංවර්ධකයින් සඳහා යන්ත්ර ඉගෙනුම් සංවර්ධනය වඩාත් පරිමාණය කළ හැකි ආකාරයෙන් මෙන්ම ML මාදිලිවල ගුණාත්මකභාවය සහ ආරක්ෂාව ඉහළ නැංවීම සඳහා හොඳම භාවිතයන් සංකේතනය කිරීමයි.
සමහරක් MLOps හඳුන්වන්නේ “මැෂින් ඉගෙනීම සඳහා DevOps” ලෙස එය DevOps මූලධර්ම සාර්ථකව තාක්ෂණික සංවර්ධන ක්ෂේත්රයකට යොදන බැවිනි.
මෙය MLOps ගැන සිතීමට ප්රයෝජනවත් ක්රමයකි, මන්ද එය DevOps මෙන්, කණ්ඩායම් සහ මෙවලම් අතර දැනුම බෙදාගැනීම, සහයෝගීතාව සහ හොඳම භාවිතයන් අවධාරණය කරයි.
MLOps විසින් සංවර්ධකයින්, දත්ත විද්යාඥයින් සහ මෙහෙයුම් කණ්ඩායම් සඳහා සහයෝගීතාවය සඳහා රාමුවක් සපයන අතර, එහි ප්රතිඵලයක් වශයෙන්, වඩාත්ම බලගතු ML මාදිලි නිෂ්පාදනය කරයි.
MLOps මෙවලම් භාවිතා කරන්නේ ඇයි?
MLOps මෙවලම් ML කණ්ඩායමක් සඳහා පුළුල් පරාසයක රාජකාරි ඉටු කළ හැකිය, කෙසේ වෙතත්, ඒවා බොහෝ විට කණ්ඩායම් දෙකකට බෙදා ඇත: වේදිකා පරිපාලනය සහ තනි සංරචක කළමනාකරණය.
සමහර MLOps නිෂ්පාදන දත්ත හෝ පාරදත්ත කළමනාකරණය වැනි තනි මූලික ශ්රිතයකට පමණක් අවධානය යොමු කරන අතර, අනෙකුත් මෙවලම් වඩාත් සර්ව සම්පූර්ණ උපාය මාර්ගයක් අනුගමනය කරන අතර ML ජීවන චක්රයේ පැති කිහිපයක් පාලනය කිරීමට MLOps වේදිකාවක් සපයයි.
ඔබ විශේෂඥයෙකු හෝ වඩාත් පුළුල් මෙවලමක් සොයමින් සිටියත්, මෙම ML සංවර්ධන ක්ෂේත්ර කළමනාකරණය කිරීමේදී ඔබේ කණ්ඩායමට සහාය වන MLOps විසඳුම් සොයන්න:
- දත්ත හැසිරවීම
- නිර්මාණය සහ ආකෘති නිර්මාණය
- ව්යාපෘති සහ සේවා ස්ථාන කළමනාකරණය
- ML මාදිලිය යෙදවීම සහ අඛණ්ඩ නඩත්තු කිරීම
- මුල සිට අවසානය දක්වා ජීවන චක්ර කළමනාකරණය, එය සාමාන්යයෙන් පූර්ණ-සේවා MLOps වේදිකා මගින් පිරිනමනු ලැබේ.
MLOps මෙවලම්
1. MLFlow
යන්ත්ර ඉගෙනීමේ ජීවන චක්රය විවෘත මූලාශ්ර වේදිකාව MLflow මගින් පාලනය වන අතර මධ්යම ආදර්ශ ලියාපදිංචිය, යෙදවීම සහ අත්හදා බැලීම ඇතුළත් වේ.
MLflow තනි තනිව සහ සාමූහිකව ඕනෑම ප්රමාණයේ කණ්ඩායමකට භාවිතා කළ හැක. පුස්තකාලයට මෙවලමට කිසිදු බලපෑමක් නැත.
ඕනෑම ක්රමලේඛන භාෂාවකට සහ යන්ත්ර ඉගෙනුම් පුස්තකාලයකට එය භාවිතා කළ හැක.
යන්ත්ර ඉගෙනීමේ යෙදුම් පුහුණු කිරීම, යෙදවීම සහ කළමනාකරණය කිරීම පහසු කිරීම සඳහා, MLFlow යන්ත්ර ඉගෙනුම් රාමු ගණනාවක් සමඟ අන්තර්ක්රියා කරයි. TensorFlow සහ පයිටෝච්.
මීට අමතරව, MLflow දැනට පවතින ඕනෑම යන්ත්ර ඉගෙනුම් වැඩසටහන් හෝ පුස්තකාලයකට ඇතුළත් කළ හැකි භාවිතයට පහසු API සපයයි.
MLflow ලුහුබැඳීම සහ සැලසුම් අත්හදා බැලීම් සඳහා පහසුකම් සපයන ප්රධාන අංග හතරක් ඇත:
- MLflow ලුහුබැඳීම - යන්ත්ර ඉගෙනුම් කේත පරාමිතීන්, අනුවාද, ප්රමිතික සහ කෞතුක වස්තු ලොග් කිරීම සඳහා මෙන්ම පසුව ප්රතිඵල ප්රදර්ශනය කිරීම සහ ප්රතිසංවිධානය කිරීම සඳහා API සහ UI
- MLflow ව්යාපෘති - නිෂ්පාදනයට මාරු කිරීම හෝ වෙනත් දත්ත විද්යාඥයන් සමඟ බෙදා ගැනීම සඳහා නැවත භාවිත කළ හැකි, ප්රතිනිෂ්පාදනය කළ හැකි ආකෘතියකින් යන්ත්ර ඉගෙනුම් කේතය ඇසුරුම් කිරීම
- MLflow ආකෘති - විවිධ ML පුස්තකාල වලින් ආදර්ශ සේවා සහ අනුමාන පද්ධති පරාසයකට ආකෘති නඩත්තු කිරීම සහ යෙදවීම
- MLflow Model Registry – ආදර්ශ අනුවාදනය, වේදිකා සංක්රාන්ති සහ විවරණ ඇතුළුව MLflow ආකෘතියක මුළු ආයු කාලයෙහි සමුපකාර කළමනාකරණය සක්රීය කරන මධ්යම ආදර්ශ ගබඩාවකි.
2. කුබෙෆ්ලෝ
Kubernetes සඳහා ML මෙවලම් පෙට්ටිය Kubeflow ලෙස හැඳින්වේ. ඩොකර් බහාලුම් ඇසුරුම් කිරීම සහ කළමනාකරණය කිරීම, නඩත්තු කිරීමට උපකාරී වේ යන්ත්ර ඉගෙනුම් පද්ධති.
ධාවන වාද්ය වෘන්දය සරල කිරීම සහ යන්ත්ර ඉගෙනීමේ කාර්ය ප්රවාහයන් යෙදවීම මගින්, එය යන්ත්ර ඉගෙනුම් ආකෘතිවල පරිමාණය ප්රවර්ධනය කරයි.
එය විවිධ ML අවශ්යතාවලට ගැලපෙන පරිස්සමින් තෝරාගත් අනුපූරක මෙවලම් සහ රාමු සමූහයක් ඇතුළත් විවෘත මූලාශ්ර ව්යාපෘතියකි.
දිගු ML පුහුණු කාර්යයන්, අතින් අත්හදා බැලීම්, පුනරාවර්තන හැකියාව සහ DevOps අභියෝග Kubeflow නල මාර්ග සමඟ හැසිරවිය හැක.
පුහුණුව, නල මාර්ග සංවර්ධනය සහ නඩත්තු කිරීම ඇතුළුව යන්ත්ර ඉගෙනීමේ අදියර කිහිපයක් සඳහා Jupyter සටහන් පොත්, Kubeflow විශේෂිත සේවාවන් සහ ඒකාබද්ධ කිරීම් පිරිනමයි.
එය ඔබගේ AI කාර්ය භාරයේ ආයු කාලය කළමනාකරණය කිරීම සහ නිරීක්ෂණය කිරීම මෙන්ම යන්ත්ර ඉගෙනුම් (ML) ආකෘති සහ දත්ත නල මාර්ග Kubernetes පොකුරු වෙත යෙදවීම පහසු කරයි.
එය ඉදිරිපත් කරන්නේ:
- පද්ධතිය සමඟ අන්තර්ක්රියා කිරීමට SDK භාවිතා කිරීම සඳහා සටහන් පොත්
- ධාවනය, රැකියා සහ අත්හදා බැලීම් පාලනය කිරීම සහ අධීක්ෂණය කිරීම සඳහා පරිශීලක අතුරු මුහුණතක් (UI).
- සෑම අවස්ථාවකදීම නැවත ගොඩනැංවීමකින් තොරව අවසානය සිට අවසානය දක්වා විසඳුම් ඉක්මනින් සැලසුම් කිරීම සහ සංරචක සහ නල මාර්ග නැවත භාවිතා කිරීම.
- Kubeflow හි ප්රධාන අංගයක් ලෙස හෝ ස්වාධීන ස්ථාපනයක් ලෙස, Kubeflow Pipelines පිරිනමනු ලැබේ.
3. දත්ත අනුවාද පාලනය
යන්ත්ර ඉගෙනුම් ව්යාපෘති සඳහා විවෘත මූලාශ්ර අනුවාද පාලන විසඳුමක් DVC හෝ දත්ත අනුවාද පාලනය ලෙස හැඳින්වේ.
ඔබ කුමන භාෂාවක් තෝරා ගත්තද, එය නල මාර්ග නිර්වචනයට උපකාර වන පර්යේෂණාත්මක මෙවලමකි.
ඔබ ඔබේ ML ආකෘතියේ පෙර අනුවාදයක් සමඟ ගැටලුවක් සොයා ගන්නා විට කාලය ඉතිරි කර ගැනීමට DVC කේතය, දත්ත අනුවාදනය සහ ප්රතිනිෂ්පාදනය භාවිත කරයි.
මීට අමතරව, ඔබට ඔබේ ආකෘතිය පුහුණු කිරීමට සහ එය ඔබේ කණ්ඩායම් සාමාජිකයින්ට බෙදා හැරීමට DVC නල මාර්ග භාවිතා කළ හැක. විශාල දත්ත සංවිධානය කිරීම සහ අනුවාදනය DVC මගින් හැසිරවිය හැකි අතර දත්ත පහසුවෙන් ප්රවේශ විය හැකි ආකාරයෙන් ගබඩා කළ හැක.
එහි සමහර (සීමිත) අත්හදා බැලීම් ලුහුබැඳීමේ විශේෂාංග ඇතුළත් වුවද, එය වැඩි වශයෙන්ම අවධානය යොමු කරන්නේ දත්ත සහ නල අනුවාදනය සහ කළමනාකරණය කෙරෙහි ය.
එය ඉදිරිපත් කරන්නේ:
- එය ගබඩා අඥෙයවාදී වේ, එබැවින් විවිධ ගබඩා වර්ග භාවිතා කළ හැකිය.
- එය ලුහුබැඳීමේ සංඛ්යාලේඛන ද සපයයි.
- ML අදියර DAG එකකට සම්බන්ධ කිරීම සහ මුල සිට අවසානය දක්වා සම්පූර්ණ නල මාර්ගයම ධාවනය කිරීමේ පූර්ව-සාදන ලද මාධ්යයකි
- එක් එක් ML මාදිලියේ සම්පූර්ණ සංවර්ධනය එහි සම්පූර්ණ කේතය සහ දත්ත ප්රභව භාවිතයෙන් අනුගමනය කළ හැක.
- අත්හදා බැලීමක් සඳහා ආරම්භක වින්යාසය, ආදාන දත්ත සහ වැඩසටහන් කේතය විශ්වාසවන්තව සංරක්ෂණය කිරීමෙන් ප්රතිනිෂ්පාදනය.
4. පැචිඩර්ම්
Pachyderm යනු DVC හා සමානව යන්ත්ර ඉගෙනීම සහ දත්ත විද්යාව සඳහා අනුවාද පාලන වැඩසටහනකි.
අතිරේකව, එය භාවිතයෙන් නිර්මාණය කර ඇති බැවිනි ඩොකර් සහ කුබර්නෙට්ස්, එය ඕනෑම වලාකුළු වේදිකාවක් මත යන්ත්ර ඉගෙනීමේ යෙදුම් ක්රියාත්මක කිරීමට සහ යෙදවීමට හැකිය.
යන්ත්ර ඉගෙනුම් ආකෘතියකට පරිභෝජනය කරන සෑම දත්තයක්ම නැවත ලුහුබැඳ ගොස් අනුවාදනය කළ හැකි බවට Pachyderm සහතික කරයි.
එය යන්ත්ර ඉගෙනුම් ආකෘති නිර්මාණය කිරීමට, බෙදා හැරීමට, කළමනාකරණය කිරීමට සහ නිරීක්ෂණය කිරීමට භාවිතා කරයි. ආකෘති රෙජිස්ට්රියක්, ආදර්ශ කළමනාකරණ පද්ධතියක් සහ CLI මෙවලම් පෙට්ටියක් ඇතුළත් වේ.
සංවර්ධකයින්ට Pachyderm හි දත්ත පදනම භාවිතයෙන් ඔවුන්ගේ යන්ත්ර ඉගෙනීමේ ජීවන චක්රය ස්වයංක්රීය කිරීමට සහ පුළුල් කිරීමට හැකිය, එය පුනරාවර්තන බව සහතික කරයි.
එය දැඩි දත්ත පාලන ප්රමිතීන්ට සහය දක්වයි, දත්ත සැකසීමේ සහ ගබඩා කිරීමේ පිරිවැය අඩු කරයි, සහ ව්යාපාරවලට ඔවුන්ගේ දත්ත විද්යා මුලපිරීම් වඩා ඉක්මනින් වෙළඳපොළට ගෙන ඒමට සහාය වේ.
5. පොලියැක්සන්
Polyaxon වේදිකාව භාවිතයෙන්, යන්ත්ර ඉගෙනුම් ව්යාපෘති සහ ගැඹුරු ඉගෙනුම් යෙදුම් ඔවුන්ගේ මුළු ජීවන චක්රය පුරාවටම අනුකරණය කර කළමනාකරණය කළ හැක.
Polyaxon හට මෙවලම සත්කාරක සහ පරිපාලනය කිරීමට හැකි වන අතර, එය ඕනෑම දත්ත මධ්යස්ථානයකට හෝ වලාකුළු සපයන්නෙකුට තැබිය හැක. Torch, Tensorflow, සහ MXNet වැනි, වඩාත් ජනප්රිය ගැඹුරු ඉගෙනුම් රාමු සියල්ලටම සහය දක්වයි.
වාද්ය වෘන්දය සම්බන්ධයෙන් ගත් කල, ඔවුන්ගේ CLI, උපකරණ පුවරුව, SDKs, හෝ REST API හරහා කාර්යයන් සහ පරීක්ෂණ කාලසටහන්ගත කිරීමෙන් ඔබේ පොකුරෙන් උපරිම ප්රයෝජන ගැනීමට Polyaxon ඔබට හැකියාව ලබා දෙයි.
එය ඉදිරිපත් කරන්නේ:
- ඔබට දැන් විවෘත මූලාශ්ර අනුවාදය භාවිත කළ හැක, නමුත් එයට ආයතනික තේරීම් ද ඇතුළත් වේ.
- එය ධාවන වාද්ය වෘන්දය ඇතුළුව සම්පූර්ණ ජීවන චක්රය ආවරණය කළද, එයට තවත් බොහෝ දේ කළ හැකිය.
- තාක්ෂණික විමර්ශන ලේඛන, ආරම්භක මාර්ගෝපදේශ, ඉගෙනුම් ද්රව්ය, අත්පොත්, නිබන්ධන, වෙනස්වීම් ලොග සහ තවත් බොහෝ දේ සමඟ, එය ඉතා හොඳින් ලේඛනගත වේදිකාවකි.
- අත්හදා බැලීම් විදසුන් උපකරණ පුවරුව සමඟින්, එක් එක් ප්රශස්තකරණ අත්හදා බැලීම් නිරීක්ෂණය කිරීමට, නිරීක්ෂණය කිරීමට සහ ඇගයීමට හැකිය.
6. වල්ගා තරුව
Comet යනු අත්හදා බැලීම් සහ ආකෘති ලුහුබැඳීම, ප්රතිවිරෝධතා, පැහැදිලි කිරීම සහ වැඩිදියුණු කරන මෙටා යන්ත්ර ඉගෙනීම සඳහා වේදිකාවකි.
ඔබගේ සියලු අත්හදා බැලීම් එක ස්ථානයකදී දැකීමට සහ සැසඳිය හැක.
එය ඕනෑම යන්ත්ර ඉගෙනීමේ කාර්යයක් සඳහා, ඔබේ කේතය සිදු කරන ඕනෑම තැනක සහ ඕනෑම යන්ත්ර ඉගෙනුම් පුස්තකාලයක් සමඟ ක්රියා කරයි.
වල්ගා තරුව කණ්ඩායම්, පුද්ගලයන්, අධ්යයන ආයතන, ව්යාපාර සහ පරීක්ෂණ ඉක්මනින් දෘශ්යමාන කිරීමට, වැඩ විධිමත් කිරීමට සහ අත්හදා බැලීම් කිරීමට කැමති ඕනෑම කෙනෙකුට සුදුසු වේ.
දත්ත විද්යාඥයින්ට සහ කණ්ඩායම් වලට ස්වයං-සත්කාරක සහ වලාකුළු මත පදනම් වූ මෙටා-යන්ත්ර ඉගෙනුම් වේදිකාව භාවිතා කරමින් අත්හදා බැලීම් සහ ආකෘති නිරීක්ෂණය කිරීමට, පැහැදිලි කිරීමට, වැඩිදියුණු කිරීමට සහ සංසන්දනය කිරීමට හැකිය.
එය ඉදිරිපත් කරන්නේ:
- කණ්ඩායම් සාමාජිකයින්ට කාර්යයන් බෙදා ගැනීමට බොහෝ හැකියාවන් පවතී.
- එය වෙනත් තාක්ෂණයන් සමඟ සම්බන්ධ කිරීම සරල කරන ඒකාබද්ධ කිරීම් කිහිපයක් ඇත
- වත්මන් ML පුස්තකාල සමඟ හොඳින් ක්රියා කරයි
- පරිශීලක කළමනාකරණය ගැන සැලකිලිමත් වේ
- කේත සංසන්දනය, අධිපරිමාණ, ප්රමිතික, අනාවැකි, පරායත්තතා සහ පද්ධති ප්රමිතික ඇතුළුව අත්හදා බැලීම් සංසන්දනය සක්රීය කර ඇත.
- ඔබට සාම්පල දෘශ්යමාන කිරීමට ඉඩ සලසන දර්ශනය, ශ්රව්ය, පෙළ සහ වගු දත්ත සඳහා වෙනස් මොඩියුල සපයයි.
7. ඔප්ටුනා
Optuna යනු යන්ත්ර ඉගෙනීම සහ ගැඹුරු ඉගෙනීම මෙන්ම අනෙකුත් ක්ෂේත්ර යන දෙකටම යෙදිය හැකි ස්වයංක්රීය අධි පරාමිති ප්රශස්තිකරණය සඳහා වූ පද්ධතියකි.
ඔබට තෝරාගත හැකි (හෝ සබැඳිය) විවිධාකාර වූ අති නවීන ඇල්ගොරිතම එහි අඩංගු වේ, බොහෝ පරිගණක හරහා පුහුණුව බෙදා හැරීම ඉතා සරල කරයි, සහ ආකර්ෂණීය ප්රතිඵල දෘශ්යකරණය ලබා දෙයි.
PyTorch, TensorFlow, Keras, FastAI, Sci-kit-learn, LightGBM, සහ XGBoost වැනි ජනප්රිය යන්ත්ර ඉගෙනුම් පුස්තකාල සියල්ල ඒ සමඟ ඒකාබද්ධ වී ඇත.
බලාපොරොත්තු නොවන බව පෙනෙන සාම්පල වේගයෙන් අඩු කිරීමෙන් පාරිභෝගිකයින්ට ප්රතිඵල වඩාත් වේගයෙන් ලබා ගැනීමට හැකි වන පරිදි අති නවීන ඇල්ගොරිතම සපයයි.
Python-පාදක ඇල්ගොරිතම භාවිතා කරමින්, එය ස්වයංක්රීයව පරිපූර්ණ අධිපරාමිතීන් සොයයි. Optuna මුල් කේතය වෙනස් නොකර බොහෝ නූල් හරහා සමාන්තර අධිපරාමිතික සෙවීම් දිරිමත් කරයි.
එය ඉදිරිපත් කරන්නේ:
- එය පොකුරක් මෙන්ම තනි පරිගණකයක් (බහු-ක්රියාවලි) (බහු-නෝඩ්) මත බෙදා හරින ලද පුහුණුව සඳහා සහය දක්වයි.
- අභිසාරීතාව වේගවත් කිරීම සඳහා (සහ අඩු ගණනය කිරීම් භාවිතා කිරීම) කප්පාදු කිරීමේ ක්රම කිහිපයකට එය සහාය වේ.
- එය ස්ලයිස් ප්ලොට්, සමෝච්ඡ කුමන්ත්රණය සහ සමාන්තර ඛණ්ඩාංක වැනි විවිධ ප්රබල දෘශ්යකරණයන් ඇත.
8. කෙඩ්රෝ
Kedro යනු දත්ත විද්යා ව්යාපෘති සඳහා යාවත්කාලීන කර පවත්වාගෙන යා හැකි කේත ලිවීම සඳහා නොමිලේ පයිතන් රාමුවකි.
එය මෘදුකාංග ඉංජිනේරු විද්යාවේ හොඳම භාවිතයන්ගේ සිට යන්ත්ර ඉගෙනුම් කේතය දක්වා අදහස් ගෙන එයි. Python යනු මෙම වැඩ ප්රවාහ වාද්ය වෘන්ද මෙවලමෙහි පදනම වේ.
ඔබේ ML ක්රියාවලි සරල සහ වඩාත් නිවැරදි කිරීමට, ඔබට ප්රතිනිෂ්පාදනය කළ හැකි, නඩත්තු කළ හැකි සහ මොඩියුලර් වැඩ ප්රවාහයන් වර්ධනය කළ හැක.
Kedro මොඩියුලරිටි, වගකීම් වෙන් කිරීම සහ යන්ත්ර ඉගෙනුම් පරිසරයකට අනුවාද කිරීම වැනි මෘදුකාංග ඉංජිනේරු මූලධර්ම ඇතුළත් කරයි.
Cookiecutter දත්ත විද්යාව මත පදනම්ව, එය පොදු, අනුවර්තනය කළ හැකි ව්යාපෘති රාමුවක් සපයයි.
ගොනු පද්ධති සහ ගොනු ආකෘති කිහිපයක් හරහා දත්ත ගබඩා කිරීමට සහ පැටවීමට භාවිතා කරන සරල දත්ත සම්බන්ධක ගණනාවක්, දත්ත නාමාවලිය මගින් කළමනාකරණය කෙරේ. එය යන්ත්ර ඉගෙනීමේ ව්යාපෘති වඩාත් ඵලදායී වන අතර දත්ත නල මාර්ගයක් ගොඩනැගීම සරල කරයි.
එය ඉදිරිපත් කරන්නේ:
- Kedro විසිරුණු හෝ හුදකලා යන්ත්ර යෙදවීමට ඉඩ සලසයි.
- ඔබට නල මාර්ග වියුක්තකරණය භාවිතයෙන් පයිතන් කේතය සහ කාර්ය ප්රවාහ දෘශ්යකරණය අතර පරායත්තතා ස්වයංක්රීය කළ හැක.
- මොඩියුලර්, නැවත භාවිතා කළ හැකි කේතය භාවිතා කිරීම හරහා, මෙම තාක්ෂණය විවිධ මට්ටම්වල කණ්ඩායම් සහයෝගීතාවයට පහසුකම් සපයන අතර කේතීකරණ පරිසරය තුළ ඵලදායිතාව වැඩි දියුණු කරයි.
- මූලික ඉලක්කය වන්නේ නඩත්තු කළ හැකි දත්ත විද්යා ක්රමලේඛනය ලිවීමෙන් ජුපිටර් නෝට්බුක්, එක්-ඕෆ් ස්ක්රිප්ට් සහ මැලියම්-කේතවල අඩුපාඩු මඟහරවා ගැනීමයි.
9. BentoML
යන්ත්ර ඉගෙනීමේ API අන්ත ලක්ෂ්ය ගොඩනැගීම BentoML සමඟින් පහසු කර ඇත.
එය උගත් යන්ත්ර ඉගෙනුම් ආකෘති නිෂ්පාදනයට ගෙනයාමට සාමාන්ය එහෙත් ඝනීභවනය වූ යටිතල පහසුකම් සපයයි.
නිෂ්පාදන සැකසුමක භාවිතය සඳහා උගත් මාදිලි ඇසුරුම් කිරීමට, ඕනෑම ML රාමුවක් භාවිතයෙන් ඒවා අර්ථකථනය කිරීමට එය ඔබට හැකියාව ලබා දෙයි. නොබැඳි කණ්ඩායම් සේවා සහ සබැඳි API සේවා යන දෙකටම සහය දක්වයි.
ඉහළ කාර්ය සාධන ආකෘති සේවාදායකයක් සහ නම්යශීලී කාර්ය ප්රවාහයක් BentoML හි ලක්ෂණ වේ.
අතිරේකව, සේවාදායකය අනුවර්තනය කරන ලද ක්ෂුද්ර-බැචින් ලබා දෙයි. ආකෘති සංවිධානය කිරීම සහ යෙදවීමේ ක්රියා පටිපාටි නිරීක්ෂණය කිරීම සඳහා ඒකාබද්ධ ප්රවේශයක් UI උපකරණ පුවරුව මඟින් සපයනු ලැබේ.
මෙහෙයුම් යාන්ත්රණය මොඩියුලර් වන අතර වින්යාසය නැවත භාවිතා කළ හැකි බැවින් සේවාදායක අක්රිය කාලයක් නොමැත. එය ML ආකෘති සැපයීම, සංවිධානය කිරීම සහ යෙදවීම සඳහා නම්යශීලී වේදිකාවකි.
එය ඉදිරිපත් කරන්නේ:
- එය අනුවර්තනය කළ හැකි මොඩියුලර් මෝස්තරයක් ඇත.
- එය වේදිකා කිහිපයක් හරහා යෙදවීම සක්රීය කරයි.
- එය තිරස් පරිමාණය ස්වයංක්රීයව හැසිරවිය නොහැක.
- එය තනි මාදිලි ආකෘතියක්, ආකෘති කළමනාකරණය, ආදර්ශ ඇසුරුම්කරණය සහ ඉහළ කාර්ය සාධන ආකෘති සේවාවක් සබල කරයි.
10. සෙල්ඩන්
දත්ත විද්යාඥයින්ට විවෘත මූලාශ්ර Seldon Core රාමුව භාවිතයෙන් Kubernetes හි පරිමාණයෙන් යන්ත්ර ඉගෙනුම් ආකෘති සහ අත්හදා බැලීම් නිර්මාණය කිරීමට, යෙදවීමට සහ කළමනාකරණය කිරීමට හැකිය.
TensorFlow, Sci-kit-learn, Spark, R, Java, සහ H2O යනු එයට සහාය දක්වන මෙවලම් කට්ටල කිහිපයකි.
එය Kubeflow සහ RedHat හි OpenShift සමඟ ද අතුරු මුහුණත් කරයි. Seldon core මගින් යන්ත්ර ඉගෙනුම් ආකෘති (ML ආකෘති) හෝ භාෂා දවටන (Python, Java, etc. වැනි භාෂා) නිෂ්පාදන REST/GRPC microservices බවට පරිවර්තනය කරයි.
යන්ත්ර ඉගෙනුම් ක්රියාවලීන් වැඩිදියුණු කිරීම සඳහා හොඳම MLOps මෙවලම්වලින් එකක් මෙයයි.
සෙල්ඩන් කෝර් භාවිතයෙන් ML මාදිලි බහාලුම් කිරීම සහ උපයෝගීතාවය සහ ආරක්ෂාව සඳහා පරීක්ෂා කිරීම සරල ය.
එය ඉදිරිපත් කරන්නේ:
- කැනරි යෙදවීම වැනි විකල්ප කිහිපයක් සමඟ ආකෘති යෙදවීම සරල කළ හැක.
- නිශ්චිත අනාවැකි ඉදිරිපත් කළේ මන්දැයි තේරුම් ගැනීමට, ආකෘති පැහැදිලි කරන්නන් භාවිතා කරන්න.
- ගැටළු පැනනගින විට, අනතුරු ඇඟවීමේ පද්ධතිය භාවිතා කරන නිෂ්පාදන ආකෘති පිළිබඳව අවධානයෙන් සිටින්න.
නිගමනය
MLOps යන්ත්ර ඉගෙනීමේ මෙහෙයුම් වඩා හොඳ කිරීමට උපකාරී වේ. MLOps හට යෙදවීම වේගවත් කිරීමට, දත්ත රැස් කිරීම සහ දෝෂහරණය සරල කිරීමට සහ ඉංජිනේරුවන් සහ දත්ත විද්යාඥයින් අතර සහයෝගීතාව වැඩිදියුණු කිරීමට හැකිය.
ඔබේ අවශ්යතාවලට වඩාත් ගැළපෙන MLOps මෙවලම තෝරා ගැනීම සඳහා, මෙම පෝස්ටුව ජනප්රිය MLOps විසඳුම් 10ක් පරීක්ෂා කර ඇත, ඒවායින් බොහොමයක් විවෘත මූලාශ්ර වේ.
ඔබමයි