පටුන[සඟවන්න][පෙන්වන්න]
- 1. MLOps යන්නෙන් ඔබ අදහස් කරන්නේ කුමක්ද?
- 2. දත්ත විද්යාඥයින්, දත්ත ඉංජිනේරුවන් සහ ML ඉංජිනේරුවන් එකිනෙකාගෙන් වෙනස් වන්නේ කෙසේද?
- 3. MLOps ModelOps සහ AIOps වලින් වෙන්කර හඳුනා ගන්නේ කුමක් ද?
- 4. MLOps වල ප්රතිලාභ කිහිපයක් මට කියන්න පුළුවන්ද?
- 5. MLOps වල සංරචක මට කියන්න පුළුවන්ද?
- 6. දත්ත විද්යාව භාවිතා කිරීමේදී ඇතිවන අවදානම් මොනවාද?
- 7. ඔබට පැහැදිලි කළ හැකිද, මොඩල් ප්ලාවිතය යනු කුමක්ද?
- 8. ඔබේ මතය අනුව MLOps කොපමණ විවිධ ආකාරවලින් යෙදිය හැකිද?
- 9. ගතික යෙදවුමෙන් ස්ථිතික යෙදවීම වෙන් කරන්නේ කුමක් ද?
- 10. ඔබ දන්නා නිෂ්පාදන පරීක්ෂණ ක්රම මොනවාද?
- 11. ප්රවාහ සැකසුම් කණ්ඩායම් සැකසීමෙන් වෙන්කර හඳුනා ගන්නේ කුමක් ද?
- 12. Training Serving Skew යන්නෙන් ඔබ අදහස් කරන්නේ කුමක්ද?
- 13. Model Registry යන්නෙන් ඔබ අදහස් කරන්නේ කුමක්ද?
- 14. ඔබට Model Registry හි ප්රතිලාභ පිළිබඳව විස්තර කළ හැකිද?
- 15. Champion-Challenger තාක්ෂණයේ ක්රියාකාරිත්වය ඔබට පැහැදිලි කළ හැකිද?
- 16. MLOps ජීවන චක්රයේ ව්යවසාය මට්ටමේ යෙදුම් විස්තර කරන්න?
- නිගමනය
තොරතුරු සහ සේවා සඳහා මහජනතාවගේ ප්රවේශය වැඩි කිරීමට සමාගම් විසින් කෘතිම බුද්ධිය (AI) සහ යන්ත්ර ඉගෙනීම (ML) වැනි නැගී එන තාක්ෂණයන් නිතර භාවිතා කරයි.
මෙම තාක්ෂණයන් බැංකු, මූල්ය, සිල්ලර වෙළඳාම, නිෂ්පාදන සහ සෞඛ්ය සේවා ඇතුළු විවිධ අංශවල වැඩි වැඩියෙන් භාවිතා වේ.
දත්ත විද්යාඥයින්, යන්ත්ර ඉගෙනුම් ඉංජිනේරුවන් සහ කෘත්රිම බුද්ධියේ ඉංජිනේරුවන් වැඩිවන සමාගම් සංඛ්යාවකින් ඉල්ලුමක් පවතී.
හැකි දේ දැන සිටීම යන්ත්ර ඉගෙනීම ඔබට ML හෝ MLOps ක්ෂේත්රවල වැඩ කිරීමට අවශ්ය නම් කළමනාකරුවන් සහ බඳවා ගන්නන් බඳවා ගැනීම් ඔබට ඉදිරිපත් කළ හැකි මෙහෙයුම් සම්මුඛ පරීක්ෂණ ප්රශ්න අත්යවශ්ය වේ.
ඔබ ඔබේ සිහින රැකියාව ලබා ගැනීමට කටයුතු කරන විට MLOps සම්මුඛ පරීක්ෂණ ප්රශ්න කිහිපයකට ප්රතිචාර දක්වන්නේ කෙසේදැයි ඔබට මෙම පෝස්ටුවෙන් ඉගෙන ගත හැක.
1. MLOps යන්නෙන් ඔබ අදහස් කරන්නේ කුමක්ද?
ML ආකෘති ක්රියාත්මක කිරීමේ මාතෘකාව MLOps හි අවධානය යොමු කරයි, එය යන්ත්ර ඉගෙනුම් මෙහෙයුම් ලෙසද හැඳින්වේ, එය වඩාත් ප්රධාන AI/DS/ML ක්ෂේත්රය තුළ සංවර්ධනය වෙමින් පවතී.
MLOps ලෙස හැඳින්වෙන මෘදුකාංග ඉංජිනේරු ප්රවේශයේ සහ සංස්කෘතියේ ප්රධාන ඉලක්කය වන්නේ යන්ත්ර ඉගෙනීමේ/දත්ත විද්යා ආකෘති නිර්මාණය කිරීම සහ ඒවායේ පසුකාලීන ක්රියාකාරීත්වය (Ops) ඒකාබද්ධ කිරීමයි.
සාම්ප්රදායික DevOps සහ MLOps යම් යම් සමානකම් බෙදාහදා ගනී, කෙසේ වෙතත්, MLOps ද සම්ප්රදායික DevOps වලට වඩා බෙහෙවින් වෙනස් වේ.
MLOps දත්ත කෙරෙහි අවධානය යොමු කිරීමෙන් සංකීර්ණත්වයේ නව ස්ථරයක් එක් කරයි, නමුත් DevOps මූලික වශයෙන් අවධානය යොමු කරන්නේ ප්රකාශිත විය නොහැකි කේත සහ මෘදුකාංග නිකුතු ක්රියාත්මක කිරීම කෙරෙහි ය.
ML, Data, සහ Ops වල එකතුව MLOps වලට එහි පොදු නම (යන්ත්ර ඉගෙනීම, දත්ත ඉංජිනේරු, සහ DevOps) ලබා දෙයි.
2. දත්ත විද්යාඥයින්, දත්ත ඉංජිනේරුවන් සහ ML ඉංජිනේරුවන් එකිනෙකාගෙන් වෙනස් වන්නේ කෙසේද?
එය මගේ මතය අනුව, සමාගම අනුව වෙනස් වේ. දත්ත ප්රවාහනය සහ පරිවර්තනය සඳහා පරිසරය මෙන්ම එහි ගබඩා කිරීම දත්ත ඉංජිනේරුවන් විසින් ගොඩනගා ඇත.
දත්ත විද්යාඥයින් යනු දත්ත විශ්ලේෂණය කිරීමට සහ නිගමනවලට එළඹීමට විද්යාත්මක හා සංඛ්යාන ශිල්පීය ක්රම භාවිතා කිරීමේ විශේෂඥයන් වන අතර, දැනට පවතින ප්රවණතා මත පදනම්ව අනාගත හැසිරීම් පිළිබඳ අනාවැකි පළ කිරීම ඇතුළුව.
මෘදුකාංග ඉංජිනේරුවන් මීට වසර කිහිපයකට පෙර මෙහෙයුම් සහ යෙදවීමේ යටිතල පහසුකම් කළමනාකරණය කරමින් සිටියහ. අනෙක් අතට, Ops කණ්ඩායම් යටිතල පහසුකම් කේතයක් ලෙස භාවිතා කරමින් සංවර්ධනය අධ්යයනය කරමින් සිටියහ. මෙම ප්රවාහ දෙක මගින් DevOps ස්ථානයක් නිෂ්පාදනය කරන ලදී.
MLOps එකම කාණ්ඩයේ ඇත දත්ත විද්යා ient යා සහ දත්ත ඉංජිනේරු. දත්ත ඉංජිනේරුවන් ආදර්ශ ජීවන චක්ර සඳහා සහය වීමට අවශ්ය යටිතල පහසුකම් පිළිබඳව දැනුම ලබා ගනිමින් පවතින අතර අඛණ්ඩ පුහුණුව සඳහා නල මාර්ග නිර්මාණය කරයි.
දත්ත විද්යාඥයින් ඔවුන්ගේ ආදර්ශ යෙදවීම සහ ලකුණු කිරීමේ හැකියාවන් වර්ධනය කිරීමට උත්සාහ කරයි.
නිෂ්පාදන-ශ්රේණියේ දත්ත නල මාර්ගයක් ගොඩනගා ඇත්තේ ML ඉංජිනේරුවන් විසින් යටිතල පහසුකම් උපයෝගී කරගනිමින් අමු දත්ත දත්ත විද්යා ආකෘතියකට අවශ්ය ආදානය බවට පරිවර්තනය කරයි, ආකෘතිය සත්කාරක සහ ධාවනය කරයි, සහ ලකුණු දත්ත කට්ටලයක් පහළ පද්ධති වෙත ප්රතිදානය කරයි.
දත්ත ඉංජිනේරුවන් සහ දත්ත විද්යාඥයින් යන දෙදෙනාටම ML ඉංජිනේරුවන් වීමට හැකියාව ඇත.
3. MLOps ModelOps සහ AIOps වලින් වෙන්කර හඳුනා ගන්නේ කුමක් ද?
අන්තයේ සිට අවසානය දක්වා ඉදි කිරීමේදී යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතම, MLOps යනු දත්ත එකතු කිරීම, දත්ත පෙර-සැකසුම් කිරීම, ආකෘති නිර්මාණය, නිෂ්පාදනයේ ආකෘති යෙදවීම, නිෂ්පාදනයේ ආදර්ශ අධීක්ෂණ, සහ ආවර්තිතා ආවර්තිතා උත්ශ්රේණි කිරීම ඇතුළත් DevOps යෙදුමකි.
රීති මත පදනම් වූ ආකෘති වැනි ඕනෑම ඇල්ගොරිතමයක් සම්පූර්ණ ක්රියාත්මක කිරීමේදී DevOps භාවිතා කිරීම ModelOps ලෙස හැඳින්වේ.
AIOps මුල සිටම AI යෙදුම් නිර්මාණය කිරීමට DevOps මූලධර්ම භාවිතා කරයි.
4. MLOps වල ප්රතිලාභ කිහිපයක් මට කියන්න පුළුවන්ද?
- MDLC (ආදර්ශ සංවර්ධන ජීවන චක්රය) හි සියලුම හෝ බොහෝ කාර්යයන්/පියවර ස්වයංක්රීය කිරීමට MLOps උදවු කරන බැවින් දත්ත විද්යාඥයින්ට සහ MLOps සංවර්ධකයින්ට ආකෘතීන් නිසි ලෙස පුහුණු කර තක්සේරු කර ඇති බව සහතික කිරීමට ඉක්මනින් පරීක්ෂණ නැවත ක්රියාත්මක කළ හැකිය. අතිරේකව අවසර දෙයි දත්ත සහ ආකෘති අනුවාදය.
- MLOps අදහස් ප්රායෝගිකව ක්රියාවට නැංවීම මඟින් දත්ත ඉංජිනේරුවන්ට සහ දත්ත විද්යාඥයින්ට වගා කරන ලද සහ සැකසූ දත්ත කට්ටලවලට අසීමිත ප්රවේශයක් ලබා ගැනීමට හැකි වන අතර එමඟින් ආකෘති සංවර්ධනය ඝාතීය ලෙස වේගවත් කරයි.
- ආකෘති විගණන මංපෙත් සැලකිය යුතු ලෙස වැඩි දියුණු කරන ආකෘති සහ දත්ත කට්ටල අනුවාද කිරීමට ඇති හැකියාවට ස්තූතිවන්ත වන පරිදි වත්මන් පුනරාවර්තනය අපේක්ෂාවන්ට අනුව ජීවත් නොවන්නේ නම් දත්ත විද්යාඥයින්ට වඩා හොඳින් ක්රියාත්මක වූ ආකෘතිය වෙත ආපසු යාමට හැකි වනු ඇත.
- MLOps ක්රම දැඩි ලෙස DevOps මත රඳා පවතින බැවින්, ඒවා CI/CD සංකල්ප ගණනාවක් ද ඇතුළත් කරයි, එය වැඩිදියුණු කරයි. කේතයේ ගුණාත්මකභාවය සහ විශ්වසනීයත්වය.
5. MLOps වල සංරචක මට කියන්න පුළුවන්ද?
නිර්මාණ: MLOps වලට විශාල වශයෙන් නිර්මාණ චින්තනය ඇතුළත් වේ. ගැටලුවේ ස්වභාවයෙන් පටන් ගෙන, උපකල්පන, ගෘහ නිර්මාණ ශිල්පය සහ යෙදවීම පරීක්ෂා කිරීම
ආදර්ශ ගොඩනැගිල්ල: හොඳම යන්ත්ර ඉගෙනුම් පද්ධති පිහිටුවීම සඳහා දත්ත ඉංජිනේරු නල මාර්ග සහ අත්හදා බැලීම් සමඟින් ආදර්ශ පරීක්ෂා කිරීම සහ වලංගු කිරීම මෙම පියවරේ කොටසකි.
මෙහෙයුම්: ආකෘතිය මෙහෙයුම්වල කොටසක් ලෙස ක්රියාත්මක කළ යුතු අතර අඛණ්ඩව පරීක්ෂා කර ඇගයීමට ලක් කළ යුතුය. CI/CD ක්රියාවලි පසුව නිරීක්ෂණය කර වාද්ය වෘන්දය භාවිතා කිරීම ආරම්භ කරයි.
6. දත්ත විද්යාව භාවිතා කිරීමේදී ඇතිවන අවදානම් මොනවාද?
- සමාගම පුරා ආකෘතිය පරිමාණය කිරීම අපහසුය.
- අනතුරු ඇඟවීමකින් තොරව, ආකෘතිය වසා දමයි සහ ක්රියා කිරීම නතර කරයි.
- බොහෝ විට, ආකෘතිවල නිරවද්යතාවය කාලයත් සමඟ නරක අතට හැරේ.
- ආකෘතිය තවදුරටත් පරීක්ෂා කළ නොහැකි නිශ්චිත නිරීක්ෂණයක් මත පදනම්ව සාවද්ය අනාවැකි පළ කරයි.
- දත්ත විද්යාඥයන් ද ආකෘති පවත්වා ගත යුතු නමුත් ඒවා මිල අධික ය.
- මෙම අවදානම් අවම කිරීම සඳහා MLOps භාවිතා කළ හැකිය.
7. ඔබට පැහැදිලි කළ හැකිද, මොඩල් ප්ලාවිතය යනු කුමක්ද?
ආකෘතියක අනුමාන අදියර ක්රියාකාරීත්වය (සැබෑ ලෝක දත්ත භාවිතයෙන්) එහි පුහුණු අදියර ක්රියාකාරිත්වයෙන් පිරිහෙන විට, මෙය ආදර්ශ ප්ලාවිතය ලෙස හැඳින්වේ, අදහස් ප්ලාවිතය ලෙසද හැඳින්වේ (ඓතිහාසික, ලේබල් කළ දත්ත භාවිතා කරමින්).
පුහුණුවීම් සහ සේවා අදියර හා සැසඳීමේ දී ආකෘතියේ කාර්ය සාධනය විකෘති වී ඇත, එබැවින් "දුම්රිය/සේවා skew" යන නම ලැබී ඇත.
ඇතුළුව බොහෝ සාධක:
- දත්ත බෙදා හැරීමේ මූලික ආකාරය වෙනස් වී ඇත.
- පුහුණුව කුඩා කාණ්ඩ කිහිපයක් කෙරෙහි අවධානය යොමු කරන ලදී, කෙසේ වෙතත්, සිදු වූ පාරිසරික වෙනසක් තවත් ක්ෂේත්රයක් එක් කළේය.
- NLP දුෂ්කරතා වලදී, සැබෑ ලෝක දත්තවල පුහුණු දත්තවලට වඩා අසමානුපාතික ලෙස විශාල සංඛ්යා ටෝකන ප්රමාණයක් ඇත.
- පූර්ව-COVID දත්ත මත ගොඩනගා ඇති ආකෘතියක් වැනි අනපේක්ෂිත සිදුවීම්, COVID-19 වසංගතය අතරතුර එකතු කරන ලද දත්තවල සැලකිය යුතු ලෙස නරක ලෙස ක්රියා කරනු ඇතැයි පුරෝකථනය කර ඇත.
ආදර්ශ ප්ලාවිතය හඳුනා ගැනීම සඳහා ආකෘතියේ ක්රියාකාරිත්වය අඛණ්ඩව අධීක්ෂණය කිරීම අවශ්ය වේ.
මාදිලියේ ක්රියාකාරීත්වයේ අඛණ්ඩ අඩුවීමක් ඇති විට, පිළියමක් ලෙස ආදර්ශ නැවත පුහුණු කිරීම සෑම විටම පාහේ අවශ්ය වේ. පහත වැටීමට හේතුව හඳුනාගත යුතු අතර සුදුසු ප්රතිකාර ක්රම භාවිතා කළ යුතුය.
8. ඔබේ මතය අනුව MLOps කොපමණ විවිධ ආකාරවලින් යෙදිය හැකිද?
MLOps ක්රියාවට නැංවීම සඳහා ක්රම තුනක් තිබේ:
MLOps මට්ටම 0 (අතින් ක්රියාවලිය): මෙම මට්ටමේදී, දත්ත සැකසීම, විශ්ලේෂණය සහ පුහුණුව ඇතුළුව සියලුම පියවරයන් අතින් සිදු කෙරේ. සෑම අදියරක්ම අතින් සිදු කළ යුතු අතර, එකකින් ඊළඟට මාරු විය යුතුය.
යටින් පවතින පදනම වන්නේ ඔබේ දත්ත විද්යා කණ්ඩායම නිතර යාවත්කාලීන නොවන ආකෘති කුඩා සංඛ්යාවක් පමණක් කළමනාකරණය කිරීමයි.
එහි ප්රතිඵලයක් ලෙස, අඛණ්ඩ ඒකාබද්ධ කිරීම (CI) හෝ අඛණ්ඩ යෙදවීම (CD) නොමැති අතර, කේතය පරීක්ෂා කිරීම සාමාන්යයෙන් ස්ක්රිප්ට් ක්රියාත්මක කිරීම හෝ නෝට්බුක් ක්රියාත්මක කිරීම සඳහා ඒකාබද්ධ කරනු ලැබේ, යෙදවීම සමඟ ක්ෂුද්ර සේවාවක් සමඟ REST API.
MLOps මට්ටම 1 (ML නල මාර්ගයේ ස්වයංක්රීයකරණය): ML ක්රියාවලිය ස්වයංක්රීය කිරීම මගින්, පරමාර්ථය වන්නේ ආකෘතිය (CT) අඛණ්ඩව පුහුණු කිරීමයි. ඔබට මේ ආකාරයෙන් අඛණ්ඩ ආදර්ශ අනාවැකි සේවා බෙදා හැරීම සිදු කළ හැකිය.
අපගේ සම්පූර්ණ පුහුණු නල මාර්ගයක් යෙදවීම මඟින් ක්රියාකාරී නල මාර්ග ප්රේරක මත පදනම්ව නව දත්ත උපයෝගී කරගනිමින් නිෂ්පාදනයේදී ආකෘතිය ස්වයංක්රීයව පුහුණු වන බව සහතික කරයි.
MLOps මට්ටම 2 (CI/CD නල මාර්ගයේ ස්වයංක්රීයකරණය): එය MLOps මට්ටමට වඩා එක් පියවරක් ඉහල යයි. ඔබට නිෂ්පාදනයේ නල මාර්ග ඉක්මනින් සහ විශ්වසනීයව යාවත්කාලීන කිරීමට අවශ්ය නම් ශක්තිමත් ස්වයංක්රීය CI/CD පද්ධතියක් අවශ්ය වේ:
- ඔබ ප්රභව කේත නිර්මාණය කර CI අදියර පුරාවට බොහෝ පරීක්ෂණ ක්රියාත්මක කරයි. පැකේජ, ක්රියාත්මක කළ හැකි ද්රව්ය සහ කෞතුක වස්තු වේදිකාවේ ප්රතිදානයන් වන අතර ඒවා පසුව යෙදෙනු ඇත.
- සීඅයි අදියර මගින් නිර්මාණය කරන ලද පුරාවස්තු CD පියවරේදී ඉලක්ක පරිසරයට යොදවනු ලැබේ. සංශෝධිත මාදිලිය ක්රියාත්මක කිරීම සමඟ යොදවා ඇති නල මාර්ගයක් වේදිකාවේ ප්රතිදානය වේ.
- නල මාර්ගය අත්හදා බැලීමේ නව පුනරාවර්තනයක් ආරම්භ කිරීමට පෙර, දත්ත විද්යාඥයින් තවමත් දත්ත සහ ආකෘති විශ්ලේෂණ අදියර අතින් සිදු කළ යුතුය.
9. ගතික යෙදවුමෙන් ස්ථිතික යෙදවීම වෙන් කරන්නේ කුමක් ද?
ආකෘතිය නොබැඳි ලෙස පුහුණු කර ඇත ස්ථිතික යෙදවීම. වෙනත් වචන වලින් කිවහොත්, අපි ආකෘතිය නිශ්චිතවම එක් වරක් පුහුණු කර පසුව එය යම් කාලයක් සඳහා භාවිතා කරමු. ආකෘතිය දේශීයව පුහුණු කිරීමෙන් පසුව, එය තත්ය කාලීන අනාවැකි නිෂ්පාදනය කිරීමට භාවිතා කිරීමට ගබඩා කර සේවාදායකයට යවනු ලැබේ.
ආකෘතිය පසුව ස්ථාපනය කළ හැකි යෙදුම් මෘදුකාංගයක් ලෙස බෙදා හරිනු ලැබේ. නිදර්ශනයක් ලෙස ඉල්ලීම් කණ්ඩායම් ලකුණු කිරීමට ඉඩ සලසන වැඩසටහනකි.
ආකෘතිය අන්තර්ජාලය හරහා පුහුණු කර ඇත ගතික යෙදවීම. එනම්, නව දත්ත පද්ධතියට නිරන්තරයෙන් එකතු වන අතර, එය ගිණුම්ගත කිරීම සඳහා ආකෘතිය අඛණ්ඩව යාවත්කාලීන වේ.
ප්රතිඵලයක් වශයෙන්, ඉල්ලුම මත සේවාදායකයක් භාවිතයෙන් ඔබට අනාවැකි පළ කළ හැකිය. ඊට පසු, ආකෘතිය භාවිතා කරනු ලබන්නේ පරිශීලක විමසුම් වලට ප්රතිචාර දක්වන API අන්ත ලක්ෂ්යයක් ලෙස සැපයීමෙනි, වැනි වෙබ් රාමුවක් භාවිතා කර Flask හෝ FastAPI.
10. ඔබ දන්නා නිෂ්පාදන පරීක්ෂණ ක්රම මොනවාද?
කණ්ඩායම් පරීක්ෂණ: එහි පුහුණු පරිසරයට වඩා වෙනස් පසුබිමක පරීක්ෂණ පැවැත්වීමෙන්, එය ආකෘතිය සත්යාපනය කරයි. නිරවද්යතාවය, RMSE යනාදී තෝරා ගැනීමේ ප්රමිතික භාවිතා කරමින්, ආකෘති අනුමාන සත්යාපනය කිරීම සඳහා දත්ත සාම්පල සමූහයක් මත කණ්ඩායම් පරීක්ෂාව සිදු කෙරේ.
පරීක්ෂණ සේවාදායකයක්, දුරස්ථ සේවාදායකයක් හෝ වලාකුළු වැනි විවිධ පරිගණක වේදිකා මත කණ්ඩායම් පරීක්ෂාව සිදු කළ හැකිය. සාමාන්යයෙන්, ආකෘතිය අනුක්රමික ගොනුවක් ලෙස සපයනු ලැබේ, එය වස්තුවක් ලෙස පටවනු ලබන අතර පරීක්ෂණ දත්ත වලින් අනුමාන කෙරේ.
A / B පරීක්ෂණ: එය අලෙවිකරණ ව්යාපාර විශ්ලේෂණය කිරීම සඳහා මෙන්ම සේවා සැලසුම් කිරීම සඳහා (වෙබ් අඩවි, ජංගම යෙදුම්, ආදිය) නිතර භාවිතා වේ.
සමාගම හෝ මෙහෙයුම් මත පදනම්ව, නිෂ්පාදනයේදී වඩා හොඳින් ක්රියා කරන්නේ කුමන මාදිලියද යන්න තීරණය කිරීම සඳහා A/B පරීක්ෂණ ප්රතිඵල විශ්ලේෂණය කිරීමට සංඛ්යානමය ප්රවේශයන් භාවිතා කරයි. සාමාන්යයෙන්, A/B පරීක්ෂාව පහත ආකාරයට සිදු කෙරේ:
- සජීවී හෝ තත්ය කාලීන දත්ත කට්ටල A සහ Set B ලෙස කොටස් දෙකකට බෙදා හෝ කොටස් කර ඇත.
- Set A දත්ත යල් පැන ගිය ආකෘතියට යවන අතර, Set B දත්ත යාවත්කාලීන කළ ආකෘතියට යවනු ලැබේ.
- ව්යාපාර භාවිත අවස්ථාව හෝ ක්රියාවලි මත පදනම්ව, නව මාදිලිය (ආකෘතිය B) පැරණි මාදිලිය (ආකෘතිය) අභිබවා යනවාද යන්න තීරණය කිරීම සඳහා ආදර්ශ කාර්ය සාධනය (උදාහරණයක් ලෙස නිරවද්යතාව, නිරවද්යතාව, ආදිය) ඇගයීමට සංඛ්යානමය ප්රවේශයන් කිහිපයක් භාවිතා කළ හැක.
- අපි පසුව සංඛ්යානමය උපකල්පන පරීක්ෂණයක් කරන්නෙමු: නව මාදිලිය නිරීක්ෂණය කරනු ලබන ව්යාපාර දර්ශකවල සාමාන්ය අගයට කිසිදු බලපෑමක් නොකරන බව ශුන්ය කල්පිතය පවසයි. විකල්ප කල්පිතයට අනුව, නව මාදිලිය අධීක්ෂණ ව්යාපාර දර්ශකවල සාමාන්ය අගය වැඩි කරයි.
- අවසාන වශයෙන්, නව මාදිලිය ඇතැම් ව්යාපාර KPI වල සැලකිය යුතු දියුණුවක් ඇති කරයිද යන්න අපි තක්සේරු කරමු.
සෙවනැල්ලක් හෝ වේදිකා පරීක්ෂණයක්: ආකෘතියක් නිෂ්පාදනයේදී (වේදිකාගත පරිසරය) භාවිතා කිරීමට පෙර නිෂ්පාදන පරිසරයක අනුපිටපතකින් ඇගයීමට ලක් කෙරේ.
තත්ය කාලීන දත්ත සමඟින් මොඩලයේ ක්රියාකාරීත්වය නිර්ණය කිරීම සහ මාදිලියේ ඔරොත්තු දීමේ හැකියාව තහවුරු කිරීම සඳහා මෙය ඉතා වැදගත් වේ. නිෂ්පාදන නල මාර්ගයට සමාන දත්ත අනුමාන කිරීමෙන් සහ සංවර්ධිත ශාඛාව හෝ වේදිකා සේවාදායකයක් මත පරීක්ෂා කිරීමට ආකෘතියක් ලබා දීමෙන් සිදු කෙරේ.
එකම පසුබෑම නම් සංවර්ධන ශාඛාවේ ප්රතිඵලයක් ලෙස වේදිකාගත සේවාදායකයේ කිසිදු ව්යාපාරික තේරීමක් සිදු නොකිරීම හෝ අවසාන පරිශීලකයින්ට දෘශ්යමාන නොවේ.
යෝග්ය ප්රමිතික භාවිතා කරමින් වේදිකා පරිසරයේ ප්රතිඵල භාවිතා කරමින් ආකෘතියේ ඔරොත්තු දීමේ හැකියාව සහ ක්රියාකාරීත්වය සංඛ්යානමය වශයෙන් තක්සේරු කරනු ලැබේ.
11. ප්රවාහ සැකසුම් කණ්ඩායම් සැකසීමෙන් වෙන්කර හඳුනා ගන්නේ කුමක් ද?
සැකසුම් ක්රම දෙකක් භාවිතා කරමින් අපගේ තත්ය කාලීන අනාවැකි නිපදවීමට අප භාවිතා කරන ලක්ෂණ අපට හැසිරවිය හැක: කණ්ඩායම සහ ප්රවාහය.
කණ්ඩායම් ක්රියාවලිය නිශ්චිත වස්තුවක් සඳහා පූර්ව කාලයක සිට විශේෂාංග, පසුව තත්ය කාලීන අනාවැකි ජනනය කිරීමට භාවිතා කරයි.
- මෙහිදී, අපට නොබැඳිව තීව්ර විශේෂාංග ගණනය කිරීම් සිදු කිරීමට සහ ඉක්මන් අනුමාන සඳහා දත්ත සකස් කිරීමට හැකි වේ.
- කෙසේ වෙතත්, විශේෂාංග අතීතයේ දී කලින් තීරණය කර තිබූ යුගයකි. ඔබගේ පුරෝකථනය මෑත කාලීන සිදුවීම් මත පදනම් වන්නේ නම් මෙය විශාල පසුබෑමක් විය හැක. (උදාහරණයක් ලෙස, හැකි ඉක්මනින් වංචනික ගනුදෙනු හඳුනා ගැනීම.)
නිශ්චිත ආයතනයක් සඳහා ආසන්න තත්ය කාලීන, ප්රවාහ විශේෂාංග සමඟ, ලබා දී ඇති යෙදවුම් කට්ටලයක් මත ප්රවාහ සැකසීමේදී අනුමාන කිරීම සිදු කෙරේ.
- මෙහිදී, ආකෘතියට තත්ය කාලීන, ප්රවාහ විශේෂාංග ලබා දීමෙන්, අපට වඩාත් නිවැරදි අනාවැකි ලබා ගත හැකිය.
- කෙසේ වෙතත්, ප්රවාහ සැකසීමට සහ දත්ත ප්රවාහ (Kafka, Kinesis, etc) පවත්වාගෙන යාමට අමතර යටිතල පහසුකම් අවශ්ය වේ. (Apache Flink, Beam, ආදිය)
12. Training Serving Skew යන්නෙන් ඔබ අදහස් කරන්නේ කුමක්ද?
සේවය කරන විට කාර්ය සාධනය සහ පුහුණුව අතරතුර කාර්ය සාධනය අතර අසමානතාවය පුහුණු සේවා skew ලෙස හැඳින්වේ. මෙම වක්රය පහත සඳහන් සාධක මගින් ප්රේරණය කළ හැක:
- සේවය සහ පුහුණුව සඳහා නල මාර්ග අතර ඔබ දත්ත හසුරුවන ආකාරයෙහි වෙනසක්.
- ඔබගේ පුහුණුවේ සිට ඔබගේ සේවාව වෙත දත්ත මාරු කිරීම.
- ඔබගේ ඇල්ගොරිතම සහ ආකෘතිය අතර ප්රතිපෝෂණ නාලිකාවක්.
13. Model Registry යන්නෙන් ඔබ අදහස් කරන්නේ කුමක්ද?
Model Registry යනු ආදර්ශ නිර්මාණකරුවන්ට නිෂ්පාදනයේදී භාවිතයට සුදුසු මාදිලි ප්රකාශයට පත් කළ හැකි මධ්යම ගබඩාවකි.
රෙජිස්ට්රිය භාවිතයෙන් ව්යාපාරය තුළ ඇති සියලුම මාදිලිවල ආයු කාලය කළමනාකරණය කිරීමට සංවර්ධකයින්ට වෙනත් කණ්ඩායම් සහ පාර්ශවකරුවන් සමඟ සහයෝගයෙන් කටයුතු කළ හැකිය. පුහුණු කරන ලද ආකෘති දත්ත විද්යාඥයෙකු විසින් ආකෘති රෙජිස්ට්රි වෙත උඩුගත කළ හැක.
ආකෘති ලේඛනයේ ඇති පසු ඒවා පරීක්ෂා කිරීම, වලංගු කිරීම සහ නිෂ්පාදනයට යෙදවීම සඳහා සූදානම් කර ඇත. අතිරේකව, ඕනෑම ඒකාබද්ධ යෙදුමක් හෝ සේවාවක් මගින් ඉක්මන් ප්රවේශය සඳහා පුහුණු ආකෘති ආකෘති රෙජිස්ට්රි තුළ ගබඩා කර ඇත.
ආකෘතිය පරීක්ෂා කිරීම, ඇගයීම සහ නිෂ්පාදනය සඳහා යෙදවීම සඳහා, මෘදුකාංග සංවර්ධකයින් සහ සමාලෝචකයින්ට ඉක්මනින් හඳුනාගෙන පුහුණු කළ ආකෘතිවල හොඳම අනුවාදය (ඇගයුම් නිර්ණායක මත පදනම්ව) තෝරා ගත හැකිය.
14. ඔබට Model Registry හි ප්රතිලාභ පිළිබඳව විස්තර කළ හැකිද?
ආකෘති රෙජිස්ට්රිය ආදර්ශ ජීවන චක්ර කළමනාකරණය විධිමත් කරන ක්රම කිහිපයක් පහත දැක්වේ:
- යෙදවීම පහසු කිරීම සඳහා, ඔබගේ පුහුණු ආකෘති සඳහා ධාවන කාල අවශ්යතා සහ පාර-දත්ත සුරකින්න.
- ඔබගේ පුහුණු, යෙදවූ සහ විශ්රාමික ආකෘතීන් මධ්යගත, සෙවිය හැකි ගබඩාවක ලියාපදිංචි කිරීම, ලුහුබැඳීම සහ අනුවාදනය කළ යුතුය.
- ඔබේ නිෂ්පාදන ආකෘතිය අඛණ්ඩව බෙදා හැරීම, පුහුණුව සහ ඒකාබද්ධ කිරීම සක්රීය කරන ස්වයංක්රීය නල මාර්ග සාදන්න.
- වේදිකා පරිසරය තුළ අලුතින් පුහුණු කරන ලද ආකෘති (හෝ අභියෝගතා ආකෘති) දැනට නිෂ්පාදනයේ ක්රියාත්මක වන ආකෘති (ශූර මාදිලි) සමඟ සසඳන්න.
15. Champion-Challenger තාක්ෂණයේ ක්රියාකාරිත්වය ඔබට පැහැදිලි කළ හැකිද?
චැම්පියන් චැලෙන්ජර් තාක්ෂණය භාවිතයෙන් නිෂ්පාදනයේ විවිධ මෙහෙයුම් තීරණ පරීක්ෂා කළ හැකිය. අලෙවිකරණයේ සන්දර්භය තුළ A/B පරීක්ෂාව ගැන ඔබ අසා ඇති.
උදාහරණයක් ලෙස, ඔබට විද්යුත් තැපැල් ව්යාපාරයක් සඳහා විවෘත ගාස්තුව උපරිම කිරීම සඳහා එකිනෙකට වෙනස් විෂය රේඛා දෙකක් ලියා ඒවා අහඹු ලෙස ඔබේ ඉලක්ක ජනවිකාස වෙත බෙදා හැරිය හැක.
පද්ධතිය එහි විෂය රේඛාවට අදාළව විද්යුත් තැපෑලක කාර්ය සාධනය (එනම්, විද්යුත් තැපෑල විවෘත ක්රියාව) ලොග් කරයි, ඔබට වඩාත් ඵලදායී වන්නේ කුමක්ද යන්න තීරණය කිරීම සඳහා එක් එක් විෂය රේඛාවේ විවෘත අනුපාතය සංසන්දනය කිරීමට ඔබට ඉඩ සලසයි.
චැම්පියන්-චැලෙන්ජර් මේ සම්බන්ධයෙන් A/B පරීක්ෂණ සමඟ සැසඳිය හැකිය. ඔබට තේරීමකට පැමිණීමට විවිධ ක්රම අත්හදා බලන විට එක් එක් ප්රතිඵලය ඇගයීමට සහ වඩාත් ඵලදායී එකක් තෝරා ගැනීමට ඔබට තීරණ තර්කය භාවිතා කළ හැක.
වඩාත්ම සාර්ථක ආකෘතිය ශූරයාට සහසම්බන්ධ වේ. ශූරයා වෙනුවට පළමු ක්රියාත්මක කිරීමේ අදියරේ දැන් ඇත්තේ පළමු අභියෝගකරු සහ අභියෝගකරුවන්ගේ ගැළපෙන ලැයිස්තුවයි.
වැඩිදුර රැකියා පියවර ක්රියාත්මක කිරීම සඳහා පද්ධතිය විසින් ශූරයා තෝරා ගනු ලැබේ.
අභියෝග කරන්නන් එකිනෙකාට වෙනස් ය. එවිට නව ශූරයා තීරණය කරනු ලබන්නේ විශාලතම ප්රතිඵල ලබා දෙන අභියෝගකරු විසිනි.
Champion-Chalenger සංසන්දනය කිරීමේ ක්රියාවලියට සම්බන්ධ කාර්යයන් වඩාත් විස්තරාත්මකව පහත ලැයිස්තුගත කර ඇත:
- එක් එක් ප්රතිවාදී මාදිලිය ඇගයීම.
- අවසාන ලකුණු තක්සේරු කිරීම.
- ජයග්රාහී අභියෝගකරුවා ස්ථාපිත කිරීම සඳහා ඇගයීම් ප්රතිඵල සංසන්දනය කිරීම.
- ලේඛනාගාරයට නැවුම් ශූරයා එක් කිරීම
16. MLOps ජීවන චක්රයේ ව්යවසාය මට්ටමේ යෙදුම් විස්තර කරන්න?
යන්ත්ර ඉගෙනීමේ ආකෘති නිෂ්පාදනයට ඇතුළු වීම සඳහා යන්ත්ර ඉගෙනීම පුනරාවර්තන අත්හදා බැලීමක් පමණක් ලෙස සැලකීම නතර කළ යුතුය. MLOps යනු යන්ත්ර ඉගෙනීම සමඟ මෘදුකාංග ඉංජිනේරු සංගමයයි.
නිමි ප්රතිඵලය එලෙසම සිතිය යුතුය. එබැවින්, තාක්ෂණික නිෂ්පාදනයක් සඳහා කේතය පරීක්ෂා කිරීම, ක්රියාකාරී සහ මොඩියුලර් විය යුතුය.
MLOps හට සාම්ප්රදායික යන්ත්ර ඉගෙනුම් ප්රවාහයකට සැසඳිය හැකි ආයු කාලයක් ඇත, ආකෘතිය නිෂ්පාදනය වන තෙක් ක්රියාවලියේ තබා ඇත.
MLOps ඉංජිනේරුවන් පසුව නිෂ්පාදනයේ මාදිලියේ ගුණාත්මක භාවය අපේක්ෂා කරන බව සහතික කර ගැනීමට මේ පිළිබඳව විමසිල්ලෙන් සිටින්න.
MLOps තාක්ෂණයන් කිහිපයක් සඳහා භාවිත අවස්ථා කිහිපයක් මෙන්න:
- ආකෘති රෙජිස්ට්රි: එය පෙනෙන්නේ එයයි. විශාල කණ්ඩායම් ආකෘති රෙජිස්ට්රිවල අනුවාද මාදිලි පිළිබඳ වාර්තාවක් ගබඩා කර පවත්වාගෙන යයි. පෙර අනුවාදයකට ආපසු යාම පවා විකල්පයකි.
- විශේෂාංග ගබඩාව: විශාල දත්ත කට්ටල සමඟ කටයුතු කරන විට, විශේෂිත කාර්යයන් සඳහා විශ්ලේෂණ දත්ත කට්ටල සහ උප කුලකවල වෙනස් අනුවාද තිබිය හැක. විශේෂාංග ගබඩාවක් යනු පෙර ධාවනයෙන් හෝ වෙනත් කණ්ඩායම් වලින් දත්ත සැකසීමේ කාර්යය භාවිතා කිරීමට අති නවීන, රසවත් ක්රමයකි.
- පාර-දත්ත සඳහා ගබඩා: පින්තූර සහ පෙළ දත්ත වැනි ව්යුහගත නොවන දත්ත සාර්ථකව භාවිතා කිරීමට නම් නිෂ්පාදනය පුරා පාර-දත්ත නිවැරදිව නිරීක්ෂණය කිරීම ඉතා වැදගත් වේ.
නිගමනය
බොහෝ අවස්ථාවලදී සම්මුඛ පරීක්ෂකවරයා පද්ධතියක් සොයන අතර අපේක්ෂකයා විසඳුමක් සොයන බව මතක තබා ගැනීම ඉතා වැදගත් වේ.
පළමුවැන්න ඔබේ තාක්ෂණික කුසලතා මත පදනම් වන අතර දෙවැන්න ඔබේ නිපුණතාවය ප්රදර්ශනය කිරීමට ඔබ භාවිතා කරන ක්රමයයි.
MLOps සම්මුඛ පරීක්ෂණ ප්රශ්නවලට ප්රතිචාර දැක්වීමේදී ඔබ විසින් ගත යුතු ක්රියා පටිපාටි කිහිපයක් තිබේ, ඔබ මුහුණ දෙන ගැටලුව තක්සේරු කිරීමට සහ විසඳීමට අදහස් කරන ආකාරය සම්මුඛ පරීක්ෂකවරයාට වඩා හොඳින් අවබෝධ කර ගැනීමට උපකාර කරයි.
ඔවුන්ගේ සාන්ද්රණය නිවැරදි ප්රතික්රියාවට වඩා වැරදි ප්රතික්රියාව මත වැඩි වේ. විසඳුමක් කතාවක් පවසන අතර, ඔබේ පද්ධතිය ඔබේ දැනුම සහ සන්නිවේදනය සඳහා ඇති හැකියාව පිළිබඳ හොඳම නිදර්ශනයයි.
ඔබමයි