பொருளடக்கம்[மறை][காட்டு]
- 1. MLOps என்றால் என்ன?
- 2. தரவு விஞ்ஞானிகள், தரவுப் பொறியாளர்கள் மற்றும் ML பொறியாளர்கள் ஒருவருக்கொருவர் எவ்வாறு வேறுபடுகிறார்கள்?
- 3. MLOps ஐ ModelOps மற்றும் AIOps ஆகியவற்றிலிருந்து வேறுபடுத்துவது எது?
- 4. MLOps-ன் சில நன்மைகளை என்னிடம் கூற முடியுமா?
- 5. MLOps இன் கூறுகளை என்னிடம் கூற முடியுமா?
- 6. தரவு அறிவியலைப் பயன்படுத்துவதால் என்ன ஆபத்துகள் வரும்?
- 7. மாதிரி சறுக்கல் என்றால் என்ன என்பதை விளக்க முடியுமா?
- 8. உங்கள் கருத்துப்படி MLOps எத்தனை வெவ்வேறு வழிகளில் பயன்படுத்தப்படலாம்?
- 9. நிலையான வரிசைப்படுத்தலை டைனமிக் வரிசைப்படுத்தலில் இருந்து வேறுபடுத்துவது எது?
- 10. என்ன உற்பத்தி சோதனை நுட்பங்கள் உங்களுக்குத் தெரியும்?
- 11. ஸ்ட்ரீம் செயலாக்கத்தை தொகுதி செயலாக்கத்திலிருந்து வேறுபடுத்துவது எது?
- 12. பயிற்சி சேவை வளைவு என்றால் என்ன?
- 13. மாடல் ரெஜிஸ்ட்ரி என்றால் என்ன?
- 14. மாடல் ரெஜிஸ்ட்ரியின் நன்மைகளைப் பற்றி விரிவாகக் கூற முடியுமா?
- 15. சாம்பியன்-சேலஞ்சர் நுட்பம் எவ்வாறு செயல்படுகிறது என்பதை விளக்க முடியுமா?
- 16. MLOps வாழ்க்கைச் சுழற்சியின் நிறுவன அளவிலான பயன்பாடுகளை விவரிக்கவும்?
- தீர்மானம்
தகவல் மற்றும் சேவைகளுக்கான பொதுமக்களின் அணுகலை அதிகரிக்க, செயற்கை நுண்ணறிவு (AI) மற்றும் இயந்திர கற்றல் (ML) போன்ற வளர்ந்து வரும் தொழில்நுட்பங்களை நிறுவனங்கள் அடிக்கடி பயன்படுத்துகின்றன.
இந்த தொழில்நுட்பங்கள் வங்கி, நிதி, சில்லறை வணிகம், உற்பத்தி மற்றும் சுகாதாரம் உட்பட பல்வேறு துறைகளில் அதிகளவில் பயன்படுத்தப்படுகின்றன.
தரவு விஞ்ஞானிகள், இயந்திர கற்றல் பொறியாளர்கள் மற்றும் செயற்கை நுண்ணறிவில் பொறியாளர்கள் அதிகரித்து வரும் எண்ணிக்கையிலான நிறுவனங்களில் இருந்து தேவைப்படுகிறார்கள்.
சாத்தியம் தெரிந்தது இயந்திர கற்றல் நீங்கள் ML அல்லது MLOps துறைகளில் பணிபுரிய விரும்பினால், மேலாளர்கள் மற்றும் ஆட்சேர்ப்பு செய்பவர்களை பணியமர்த்தக்கூடிய செயல்பாட்டு நேர்காணல் கேள்விகள் உங்களுக்கு மிகவும் அவசியம்.
உங்கள் கனவு வேலையைப் பெறுவதற்கு நீங்கள் உழைக்கும்போது, சில MLOps நேர்காணல் கேள்விகளுக்கு எவ்வாறு பதிலளிப்பது என்பதை இந்த இடுகையில் நீங்கள் அறிந்து கொள்ளலாம்.
1. MLOps என்றால் என்ன?
ML மாதிரிகளை இயக்குவது என்பது MLOps இன் மையமாகும், இது மெஷின் லேர்னிங் ஆபரேஷன்ஸ் என்றும் அழைக்கப்படுகிறது, இது மிகவும் பெரிய AI/DS/ML அரங்கில் வளரும் துறையாகும்.
MLOps எனப்படும் மென்பொருள் பொறியியல் அணுகுமுறை மற்றும் கலாச்சாரத்தின் முக்கிய குறிக்கோள், இயந்திர கற்றல்/தரவு அறிவியல் மாதிரிகள் மற்றும் அவற்றின் அடுத்தடுத்த செயல்பாட்டு (Ops) உருவாக்கம் ஆகியவற்றை ஒருங்கிணைப்பதாகும்.
வழக்கமான DevOps மற்றும் MLOps சில ஒற்றுமைகளைப் பகிர்ந்து கொள்கின்றன, இருப்பினும், MLOps பாரம்பரிய DevOps இலிருந்து பெரிதும் வேறுபடுகின்றன.
MLOps தரவின் மீது கவனம் செலுத்துவதன் மூலம் சிக்கலான ஒரு புதிய அடுக்கைச் சேர்க்கிறது, அதேசமயம் DevOps முதன்மையாக செயல்படும் குறியீடு மற்றும் மென்பொருள் வெளியீடுகளில் கவனம் செலுத்துகிறது.
ML, Data மற்றும் Ops ஆகியவற்றின் கலவையானது MLOps க்கு அதன் பொதுவான பெயரை (இயந்திர கற்றல், தரவு பொறியியல் மற்றும் DevOps) வழங்குகிறது.
2. தரவு விஞ்ஞானிகள், தரவுப் பொறியாளர்கள் மற்றும் ML பொறியாளர்கள் ஒருவருக்கொருவர் எவ்வாறு வேறுபடுகிறார்கள்?
இது நிறுவனத்தைப் பொறுத்து மாறுபடும், என் கருத்து. தரவுகளின் போக்குவரத்து மற்றும் மாற்றத்திற்கான சூழல், அத்துடன் அதன் சேமிப்பகம், தரவு பொறியாளர்களால் கட்டமைக்கப்பட்டுள்ளது.
தரவு விஞ்ஞானிகள் அறிவியல் மற்றும் புள்ளியியல் நுட்பங்களைப் பயன்படுத்தி தரவை பகுப்பாய்வு செய்து முடிவுகளை எடுப்பதில் வல்லுநர்கள்.
மென்பொருள் பொறியாளர்கள் சில ஆண்டுகளுக்கு முன்பு செயல்பாடுகள் மற்றும் வரிசைப்படுத்தல் உள்கட்டமைப்பை நிர்வகித்து வந்தனர். Ops குழுக்கள், மறுபுறம், உள்கட்டமைப்பை ஒரு குறியீடாகப் பயன்படுத்தும் போது மேம்பாட்டைப் படிக்கின்றன. ஒரு DevOps நிலை இந்த இரண்டு ஸ்ட்ரீம்களால் உருவாக்கப்பட்டது.
MLOps அதே வகையைச் சேர்ந்தது தரவு விஞ்ஞானி மற்றும் தரவு பொறியாளர். தரவுப் பொறியாளர்கள் மாதிரி வாழ்க்கைச் சுழற்சிகளை ஆதரிக்கவும், தொடர்ந்து பயிற்சிக்கான குழாய்களை உருவாக்கவும் தேவையான உள்கட்டமைப்பு பற்றிய அறிவைப் பெறுகின்றனர்.
தரவு விஞ்ஞானிகள் தங்கள் மாதிரி வரிசைப்படுத்தல் மற்றும் மதிப்பெண் திறன்களை மேம்படுத்த முயல்கின்றனர்.
ML பொறியாளர்களால் ஒரு உற்பத்தி-தர தரவுக் குழாய் கட்டமைக்கப்படுகிறது, இது உள்கட்டமைப்பைப் பயன்படுத்தி, மூலத் தரவை தரவு அறிவியல் மாதிரிக்குத் தேவையான உள்ளீடாக மாற்றுகிறது, மாதிரியை ஹோஸ்ட் செய்து இயக்குகிறது, மேலும் மதிப்பெண் தரவுத்தொகுப்பை கீழ்நிலை அமைப்புகளுக்கு வெளியிடுகிறது.
தரவு பொறியாளர்கள் மற்றும் தரவு விஞ்ஞானிகள் இருவரும் ML பொறியாளர்களாக மாறக்கூடிய திறன் கொண்டவர்கள்.
3. MLOps ஐ ModelOps மற்றும் AIOps ஆகியவற்றிலிருந்து வேறுபடுத்துவது எது?
முடிவில் இருந்து இறுதி வரை கட்டும் போது இயந்திர கற்றல் வழிமுறைகள், MLOps என்பது ஒரு DevOps பயன்பாடாகும், இதில் தரவு சேகரிப்பு, தரவு முன் செயலாக்கம், மாதிரி உருவாக்கம், உற்பத்தியில் மாதிரி வரிசைப்படுத்தல், உற்பத்தியில் மாதிரி கண்காணிப்பு மற்றும் மாதிரி காலமுறை மேம்படுத்தல் ஆகியவை அடங்கும்.
விதி-அடிப்படையிலான மாதிரிகள் போன்ற எந்த அல்காரிதம்களின் முழு செயலாக்கத்தையும் கையாளுவதில் DevOps இன் பயன்பாடு ModelOps என அழைக்கப்படுகிறது.
AI Ops புதிதாக AI பயன்பாடுகளை உருவாக்க DevOps கொள்கைகளை மேம்படுத்துகிறது.
4. MLOps-ன் சில நன்மைகளை என்னிடம் கூற முடியுமா?
- தரவு விஞ்ஞானிகள் மற்றும் MLOps டெவலப்பர்கள், MDLC (மாடல் டெவலப்மெண்ட் லைஃப்சைக்கிள்) இல் உள்ள அனைத்து அல்லது பெரும்பாலான பணிகள்/படிகளை தானியக்கமாக்குவதற்கு MLOps உதவுவதால், மாதிரிகள் பயிற்சியளிக்கப்பட்டு சரியான முறையில் மதிப்பிடப்படுவதை உறுதிசெய்யும் சோதனைகளை விரைவாக மீண்டும் இயக்க முடியும். கூடுதலாக அனுமதியளிக்கிறது தரவு மற்றும் மாதிரி பதிப்பு.
- MLOps யோசனைகளை நடைமுறைப்படுத்துவது, தரவுப் பொறியாளர்கள் மற்றும் தரவு விஞ்ஞானிகளுக்கு பயிரிடப்பட்ட மற்றும் நிர்வகிக்கப்பட்ட தரவுத்தொகுப்புகளுக்கு கட்டுப்பாடற்ற அணுகலைப் பெற உதவுகிறது, இது மாதிரிகளின் வளர்ச்சியை அதிவேகமாக துரிதப்படுத்துகிறது.
- மாதிரிகள் மற்றும் தரவுத்தொகுப்புகளைப் பதிப்பிக்கும் திறனுக்கு நன்றி, தற்போதைய மறு செய்கை எதிர்பார்ப்புகளுக்கு ஏற்ப வாழவில்லை என்றால், தரவு விஞ்ஞானிகள் சிறப்பாகச் செயல்பட்ட மாதிரியில் பின்வாங்க முடியும், இது மாதிரி தணிக்கை பாதையை கணிசமாக மேம்படுத்தும்.
- MLOps முறைகள் DevOps மீது வலுவாக நம்பியிருப்பதால், அவை பல CI/CD கான்செப்ட்களையும் இணைத்துக் கொள்கின்றன. குறியீட்டின் தரம் மற்றும் நம்பகத்தன்மை.
5. MLOps இன் கூறுகளை என்னிடம் கூற முடியுமா?
வடிவமைப்பு: MLOக்கள் வடிவமைப்பு சிந்தனையை பெரிதும் உள்ளடக்கியது. சிக்கலின் தன்மையில் தொடங்கி, கருதுகோள்கள், கட்டிடக்கலை மற்றும் வரிசைப்படுத்தல் ஆகியவற்றை சோதிக்கிறது
மாதிரி கட்டிடம்: சிறந்த இயந்திர கற்றல் அமைப்புகளை அமைப்பதற்கான தரவு பொறியியல் குழாய்கள் மற்றும் பரிசோதனையுடன், மாதிரி சோதனை மற்றும் சரிபார்ப்பு இந்த படிநிலையின் ஒரு பகுதியாகும்.
ஆபரேஷன்ஸ்: மாதிரியானது செயல்பாடுகளின் ஒரு பகுதியாக செயல்படுத்தப்பட வேண்டும் மற்றும் தொடர்ந்து சரிபார்க்கப்பட்டு மதிப்பீடு செய்யப்பட வேண்டும். CI/CD செயல்முறைகள் பின்னர் கண்காணிக்கப்பட்டு ஆர்கெஸ்ட்ரேஷன் கருவியைப் பயன்படுத்தத் தொடங்கும்.
6. தரவு அறிவியலைப் பயன்படுத்துவதால் என்ன ஆபத்துகள் வரும்?
- நிறுவனம் முழுவதும் மாதிரியை அளவிடுவது கடினம்.
- முன்னறிவிப்பு இல்லாமல், மாதிரி மூடப்பட்டு செயல்படுவதை நிறுத்துகிறது.
- பெரும்பாலும், மாதிரிகளின் துல்லியம் காலப்போக்கில் மோசமாகிறது.
- மேலும் ஆய்வு செய்ய முடியாத ஒரு குறிப்பிட்ட அவதானிப்பின் அடிப்படையில் மாதிரியானது தவறான கணிப்புகளைச் செய்கிறது.
- தரவு விஞ்ஞானிகளும் மாதிரிகளை பராமரிக்க வேண்டும், ஆனால் அவை விலை உயர்ந்தவை.
- இந்த அபாயங்களைக் குறைக்க MLOps பயன்படுத்தப்படலாம்.
7. மாதிரி சறுக்கல் என்றால் என்ன என்பதை விளக்க முடியுமா?
ஒரு மாதிரியின் அனுமான கட்ட செயல்திறன் (நிஜ உலகத் தரவைப் பயன்படுத்தி) அதன் பயிற்சி கட்ட செயல்திறனில் இருந்து மோசமடையும் போது, இது மாதிரி சறுக்கல் என அழைக்கப்படுகிறது, இது யோசனை சறுக்கல் (வரலாற்று, பெயரிடப்பட்ட தரவைப் பயன்படுத்தி) என்றும் அழைக்கப்படுகிறது.
பயிற்சி மற்றும் சேவையின் கட்டங்களுடன் ஒப்பிடுகையில் மாடலின் செயல்திறன் வளைந்துள்ளது, எனவே "ரயில்/சேவை வளைவு" என்று பெயர்.
உட்பட பல காரணிகள்:
- தரவு விநியோகிக்கப்படும் அடிப்படை வழி மாற்றப்பட்டுள்ளது.
- பயிற்சியானது குறைந்த எண்ணிக்கையிலான வகைகளில் கவனம் செலுத்தியது, இருப்பினும், இப்போது நடந்த சுற்றுச்சூழல் மாற்றம் மற்றொரு பகுதியைச் சேர்த்தது.
- NLP சிரமங்களில், பயிற்சி தரவை விட நிஜ-உலகத் தரவு விகிதாசாரத்தில் அதிக எண்ணிக்கையிலான டோக்கன்களைக் கொண்டுள்ளது.
- கோவிட்-19 தொற்றுநோய்களின் போது சேகரிக்கப்பட்ட தரவுகளில் கணிசமான அளவு மோசமாகச் செயல்படும் என்று கணிக்கப்படுவது போன்ற எதிர்பாராத நிகழ்வுகள், கோவிட்-க்கு முந்தைய தரவைக் கொண்டு உருவாக்கப்பட்ட மாதிரி.
மாடல் சறுக்கலை அடையாளம் காண, மாதிரியின் செயல்திறனைத் தொடர்ந்து கண்காணித்தல் அவசியம்.
மாதிரி செயல்திறனில் தொடர்ந்து சரிவு ஏற்படும் போது, மாதிரி மறுபயிற்சி எப்போதும் ஒரு தீர்வாக தேவைப்படுகிறது; சரிவுக்கான காரணம் கண்டறியப்பட வேண்டும் மற்றும் பொருத்தமான சிகிச்சை முறைகளைப் பயன்படுத்த வேண்டும்.
8. உங்கள் கருத்துப்படி MLOps எத்தனை வெவ்வேறு வழிகளில் பயன்படுத்தப்படலாம்?
MLOps நடைமுறைக்கு வருவதற்கு மூன்று முறைகள் உள்ளன:
MLOps நிலை 0 (கைமுறை செயல்முறை): இந்த நிலையில், தரவுத் தயாரிப்பு, பகுப்பாய்வு மற்றும் பயிற்சி உட்பட அனைத்துப் படிகளும் கைமுறையாகச் செய்யப்படுகின்றன. ஒவ்வொரு கட்டமும் கைமுறையாக மேற்கொள்ளப்பட வேண்டும், அதே போல் ஒன்றிலிருந்து அடுத்த நிலைக்கு மாற வேண்டும்.
உங்கள் தரவு அறிவியல் குழு அடிக்கடி புதுப்பிக்கப்படாத ஒரு சிறிய எண்ணிக்கையிலான மாடல்களை மட்டுமே நிர்வகிக்கிறது என்பது அடிப்படைக் கருத்தாகும்.
இதன் விளைவாக, தொடர்ச்சியான ஒருங்கிணைப்பு (CI) அல்லது தொடர்ச்சியான வரிசைப்படுத்தல் (CD) இல்லை, மேலும் குறியீட்டைச் சோதிப்பது பொதுவாக ஸ்கிரிப்ட் செயலாக்கம் அல்லது நோட்புக் செயலாக்கத்தில் ஒருங்கிணைக்கப்படுகிறது, ஒரு மைக்ரோ சர்வீஸில் வரிசைப்படுத்தல் நடைபெறுகிறது REST API.
MLOps நிலை 1 (ML பைப்லைனின் ஆட்டோமேஷன்): ML செயல்முறையை தானியக்கமாக்குவதன் மூலம், மாடலை (CT) தொடர்ந்து பயிற்றுவிப்பதே நோக்கமாகும். இந்த வழியில் நீங்கள் தொடர்ச்சியான மாதிரி முன்கணிப்பு சேவையை வழங்க முடியும்.
முழு பயிற்சி பைப்லைனையும் எங்கள் வரிசைப்படுத்தல், செயலில் உள்ள பைப்லைன் தூண்டுதல்களின் அடிப்படையில் புதிய தரவைப் பயன்படுத்தி மாடல் தானாகவே உற்பத்தியில் பயிற்சி பெறுவதை உறுதி செய்கிறது.
MLOps நிலை 2 (CI/CD பைப்லைனின் ஆட்டோமேஷன்): இது MLOps மட்டத்திற்கு ஒரு படி மேலே செல்கிறது. உற்பத்தியில் குழாய்களை விரைவாகவும் நம்பகத்தன்மையுடனும் புதுப்பிக்க விரும்பினால், வலுவான தானியங்கு சிஐ/சிடி அமைப்பு தேவை:
- நீங்கள் மூலக் குறியீட்டை உருவாக்கி, CI நிலை முழுவதும் பல சோதனைகளைச் செய்கிறீர்கள். பேக்கேஜ்கள், எக்ஸிகியூட்டபிள்கள் மற்றும் கலைப்பொருட்கள் ஆகியவை மேடையின் வெளியீடுகளாகும், அவை பின்னர் பயன்படுத்தப்படும்.
- CI நிலையால் உருவாக்கப்பட்ட கலைப்பொருட்கள் CD படியின் போது இலக்கு சூழலுக்கு பயன்படுத்தப்படுகின்றன. திருத்தப்பட்ட மாதிரி செயல்படுத்தலுடன் பயன்படுத்தப்பட்ட பைப்லைன் மேடையின் வெளியீடு ஆகும்.
- பைப்லைன் சோதனையின் புதிய மறு செய்கையைத் தொடங்குவதற்கு முன், தரவு விஞ்ஞானிகள் இன்னும் தரவு மற்றும் மாதிரி பகுப்பாய்வு கட்டத்தை கைமுறையாக செய்ய வேண்டும்.
9. நிலையான வரிசைப்படுத்தலை டைனமிக் வரிசைப்படுத்தலில் இருந்து வேறுபடுத்துவது எது?
மாடல் ஆஃப்லைனில் பயிற்சியளிக்கப்படுகிறது நிலையான வரிசைப்படுத்தல். வேறு வார்த்தைகளில் கூறுவதானால், மாதிரியை ஒரு முறை துல்லியமாகப் பயிற்றுவிப்போம், பின்னர் அதை சிறிது நேரம் பயன்படுத்துகிறோம். மாதிரியானது உள்நாட்டில் பயிற்சியளிக்கப்பட்ட பிறகு, அது சேமிக்கப்பட்டு, நிகழ்நேர கணிப்புகளை உருவாக்கப் பயன்படும் வகையில் சேவையகத்திற்கு அனுப்பப்படும்.
மாடல் பின்னர் நிறுவக்கூடிய பயன்பாட்டு மென்பொருளாக விநியோகிக்கப்படுகிறது. ஒரு விளக்கமாக, கோரிக்கைகளின் தொகுதி மதிப்பெண்களை அனுமதிக்கும் ஒரு நிரல்.
மாடல் ஆன்லைனில் பயிற்சியளிக்கப்படுகிறது டைனமிக் வரிசைப்படுத்தல். அதாவது, கணினியில் புதிய தரவு தொடர்ந்து சேர்க்கப்படுகிறது, மேலும் மாடல் அதைக் கணக்கிட தொடர்ந்து புதுப்பிக்கப்படுகிறது.
இதன் விளைவாக, தேவைக்கேற்ப சேவையகத்தைப் பயன்படுத்தி கணிப்புகளைச் செய்யலாம். அதன் பிறகு, பயனர் வினவல்களுக்கு எதிர்வினையாற்றும் ஒரு API இறுதிப்புள்ளியாக வழங்கப்படுவதன் மூலம் மாதிரியானது பயன்பாட்டிற்கு வந்தது, இது போன்ற வலை கட்டமைப்பைப் பயன்படுத்துகிறது. பிளாஸ்க் அல்லது FastAPI.
10. என்ன உற்பத்தி சோதனை நுட்பங்கள் உங்களுக்குத் தெரியும்?
தொகுதி சோதனை: அதன் பயிற்சி சூழலில் இருந்து வேறுபட்ட அமைப்பில் சோதனை நடத்துவதன் மூலம், அது மாதிரியை சரிபார்க்கிறது. துல்லியம், RMSE போன்ற தேர்வு அளவீடுகளைப் பயன்படுத்தி, மாதிரி அனுமானத்தை சரிபார்க்க தரவு மாதிரிகளின் குழுவில் தொகுதி சோதனை செய்யப்படுகிறது.
சோதனை சேவையகம், தொலை சேவையகம் அல்லது கிளவுட் போன்ற பல்வேறு கணினி தளங்களில் தொகுதி சோதனை மேற்கொள்ளப்படலாம். பொதுவாக, மாதிரியானது வரிசைப்படுத்தப்பட்ட கோப்பாக வழங்கப்படுகிறது, இது ஒரு பொருளாக ஏற்றப்பட்டு சோதனைத் தரவிலிருந்து ஊகிக்கப்படுகிறது.
A / B சோதனை: இது சந்தைப்படுத்தல் பிரச்சாரங்களை பகுப்பாய்வு செய்வதற்கும் சேவைகளின் வடிவமைப்பிற்கும் (இணையதளங்கள், மொபைல் பயன்பாடுகள் போன்றவை) அடிக்கடி பயன்படுத்தப்படுகிறது.
நிறுவனம் அல்லது செயல்பாடுகளின் அடிப்படையில், உற்பத்தியில் எந்த மாதிரி சிறப்பாகச் செயல்படும் என்பதைத் தீர்மானிக்க, A/B சோதனையின் முடிவுகளை பகுப்பாய்வு செய்ய புள்ளிவிவர அணுகுமுறைகள் பயன்படுத்தப்படுகின்றன. வழக்கமாக, A/B சோதனை பின்வரும் வழிகளில் செய்யப்படுகிறது:
- நேரலை அல்லது நிகழ் நேர தரவு செட் ஏ மற்றும் செட் பி என இரண்டு செட்களாக பிரிக்கப்பட்டுள்ளது அல்லது பிரிக்கப்பட்டுள்ளது.
- செட் A தரவு காலாவதியான மாதிரிக்கு அனுப்பப்படும், அதே நேரத்தில் செட் B தரவு புதுப்பிக்கப்பட்ட மாதிரிக்கு அனுப்பப்படும்.
- வணிக பயன்பாட்டு வழக்கு அல்லது செயல்முறைகளைப் பொறுத்து, புதிய மாடல் (மாடல் பி) பழைய மாடலை (மாடல் ஏ) விடச் சிறப்பாகச் செயல்படுகிறதா என்பதைத் தீர்மானிக்க மாதிரி செயல்திறனை மதிப்பிடுவதற்கு (உதாரணமாக, துல்லியம், துல்லியம் போன்றவை) பல புள்ளிவிவர அணுகுமுறைகளைப் பயன்படுத்தலாம்.
- நாங்கள் பின்னர் புள்ளியியல் கருதுகோள் சோதனை செய்கிறோம்: புதிய மாடல் வணிகக் குறிகாட்டிகளின் சராசரி மதிப்பில் எந்த விளைவையும் ஏற்படுத்தாது என்று பூஜ்ய கருதுகோள் கூறுகிறது. மாற்று கருதுகோளின் படி, புதிய மாதிரியானது கண்காணிப்பு வணிக குறிகாட்டிகளின் சராசரி மதிப்பை அதிகரிக்கிறது.
- இறுதியாக, சில வணிக KPIகளில் புதிய மாடல் குறிப்பிடத்தக்க முன்னேற்றத்தை ஏற்படுத்துமா என்பதை நாங்கள் மதிப்பிடுகிறோம்.
ஒரு நிழல் அல்லது மேடை சோதனை: ஒரு மாதிரியானது உற்பத்தியில் (நிலைப்படுத்தல் சூழல்) பயன்படுத்தப்படுவதற்கு முன், உற்பத்தி சூழலின் நகலில் மதிப்பிடப்படுகிறது.
நிகழ்நேர தரவுகளுடன் மாடலின் செயல்திறனைத் தீர்மானிப்பதற்கும் மாடலின் பின்னடைவைச் சரிபார்க்கவும் இது முக்கியமானது. உற்பத்தி பைப்லைன் போன்ற அதே தரவை ஊகித்து, வளர்ந்த கிளையை வழங்குவதன் மூலம் அல்லது ஸ்டேஜிங் சர்வரில் சோதிக்கப்படும் மாதிரியை வழங்குவதன் மூலம் மேற்கொள்ளப்படுகிறது.
ஒரே குறை என்னவென்றால், ஸ்டேஜிங் சர்வரில் வணிகத் தேர்வுகள் செய்யப்படாது அல்லது டெவலப்மென்ட் கிளையின் விளைவாக இறுதிப் பயனர்களுக்குத் தெரியும்.
மாதிரியின் மீள்தன்மை மற்றும் செயல்திறன் பொருத்தமான அளவீடுகளைப் பயன்படுத்தி ஸ்டேஜிங் சூழலின் முடிவுகளைப் பயன்படுத்தி புள்ளிவிவர ரீதியாக மதிப்பிடப்படும்.
11. ஸ்ட்ரீம் செயலாக்கத்தை தொகுதி செயலாக்கத்திலிருந்து வேறுபடுத்துவது எது?
இரண்டு செயலாக்க முறைகளைப் பயன்படுத்தி நிகழ்நேர முன்னறிவிப்புகளை உருவாக்க நாம் பயன்படுத்தும் பண்புகளை நாம் கையாளலாம்: தொகுதி மற்றும் ஸ்ட்ரீம்.
தொகுதி செயல்முறை ஒரு குறிப்பிட்ட பொருளுக்கான முந்தைய புள்ளியில் இருந்து அம்சங்கள், பின்னர் நிகழ் நேர கணிப்புகளை உருவாக்க பயன்படுகிறது.
- இங்கே, எங்களால் தீவிரமான அம்சக் கணக்கீடுகளை ஆஃப்லைனில் செய்ய முடியும் மற்றும் விரைவான அனுமானத்திற்காகத் தரவைத் தயார்படுத்துகிறோம்.
- இருப்பினும், அம்சங்கள் கடந்த காலத்தில் முன்னரே தீர்மானிக்கப்பட்ட ஒரு வயது. உங்கள் முன்கணிப்பு சமீபத்திய நிகழ்வுகளின் அடிப்படையில் இருந்தால் இது ஒரு பெரிய குறைபாடாக இருக்கலாம். (உதாரணமாக, சாத்தியமான விரைவில் மோசடி பரிவர்த்தனைகளை அடையாளம் காணுதல்.)
ஒரு குறிப்பிட்ட நிறுவனத்திற்கான நிகழ்நேர, ஸ்ட்ரீமிங் அம்சங்களுடன், கொடுக்கப்பட்ட உள்ளீடுகளின் தொகுப்பில் ஸ்ட்ரீம் செயலாக்கத்தில் அனுமானம் மேற்கொள்ளப்படுகிறது.
- இங்கே, மாதிரிக்கு நிகழ்நேர, ஸ்ட்ரீமிங் அம்சங்களை வழங்குவதன் மூலம், நாம் மிகவும் துல்லியமான கணிப்புகளைப் பெறலாம்.
- இருப்பினும், ஸ்ட்ரீம் செயலாக்கம் மற்றும் தரவு ஸ்ட்ரீம்களை (காஃப்கா, கினேசிஸ் போன்றவை) பராமரிக்க கூடுதல் உள்கட்டமைப்பு தேவைப்படுகிறது. (அப்பாச்சி ஃபிளிங்க், பீம் போன்றவை)
12. பயிற்சி சேவை வளைவு என்றால் என்ன?
சேவை செய்யும் போது செயல்திறன் மற்றும் பயிற்சியின் போது செயல்திறன் ஆகியவற்றுக்கு இடையே உள்ள வேறுபாடு பயிற்சி-சேவை வளைவு என அழைக்கப்படுகிறது. இந்த வளைவு பின்வரும் காரணிகளால் தூண்டப்படலாம்:
- சேவை மற்றும் பயிற்சிக்கான பைப்லைன்களுக்கு இடையில் நீங்கள் தரவை எவ்வாறு கையாளுகிறீர்கள் என்பதில் வேறுபாடு.
- உங்கள் பயிற்சியிலிருந்து உங்கள் சேவைக்கு தரவு மாற்றம்.
- உங்கள் அல்காரிதம் மற்றும் மாடலுக்கு இடையேயான பின்னூட்ட சேனல்.
13. மாடல் ரெஜிஸ்ட்ரி என்றால் என்ன?
மாடல் ரெஜிஸ்ட்ரி என்பது ஒரு மைய களஞ்சியமாகும், அங்கு மாதிரி உருவாக்குபவர்கள் உற்பத்தியில் பயன்படுத்த ஏற்ற மாதிரிகளை வெளியிடலாம்.
பதிவேட்டைப் பயன்படுத்தி வணிகத்திற்குள் உள்ள அனைத்து மாடல்களின் ஆயுட்காலத்தையும் நிர்வகிக்க டெவலப்பர்கள் மற்ற குழுக்கள் மற்றும் பங்குதாரர்களுடன் ஒத்துழைக்க முடியும். பயிற்சி பெற்ற மாதிரிகளை தரவு விஞ்ஞானி மூலம் மாதிரி பதிவேட்டில் பதிவேற்றலாம்.
மாதிரிகள் பதிவு செய்யப்பட்டவுடன், சோதனை, சரிபார்ப்பு மற்றும் உற்பத்திக்கு வரிசைப்படுத்துவதற்குத் தயார் செய்யப்படுகின்றன. கூடுதலாக, பயிற்சியளிக்கப்பட்ட மாதிரிகள் எந்தவொரு ஒருங்கிணைந்த பயன்பாடு அல்லது சேவையின் விரைவான அணுகலுக்காக மாதிரி பதிவுகளில் சேமிக்கப்படும்.
சோதனை, மதிப்பீடு மற்றும் உற்பத்திக்கு மாதிரியை வரிசைப்படுத்த, மென்பொருள் உருவாக்குநர்கள் மற்றும் மதிப்பாய்வு செய்பவர்கள், பயிற்சியளிக்கப்பட்ட மாடல்களின் சிறந்த பதிப்பை (மதிப்பீட்டு அளவுகோலின் அடிப்படையில்) விரைவாக அடையாளம் கண்டு தேர்வு செய்யலாம்.
14. மாடல் ரெஜிஸ்ட்ரியின் நன்மைகளைப் பற்றி விரிவாகக் கூற முடியுமா?
மாதிரிப் பதிவேட்டில் மாதிரி வாழ்க்கைச் சுழற்சி நிர்வாகத்தை ஒழுங்குபடுத்தும் சில வழிகள் பின்வருமாறு:
- வரிசைப்படுத்தலை எளிதாக்க, உங்கள் பயிற்சி பெற்ற மாடல்களுக்கான இயக்க நேரத் தேவைகள் மற்றும் மெட்டாடேட்டாவைச் சேமிக்கவும்.
- உங்கள் பயிற்சியளிக்கப்பட்ட, வரிசைப்படுத்தப்பட்ட மற்றும் ஓய்வுபெற்ற மாதிரிகள் ஒரு மையப்படுத்தப்பட்ட, தேடக்கூடிய களஞ்சியத்தில் பதிவு செய்யப்பட்டு, கண்காணிக்கப்பட்டு, பதிப்பு செய்யப்பட வேண்டும்.
- உங்கள் உற்பத்தி மாதிரியின் தொடர்ச்சியான விநியோகம், பயிற்சி மற்றும் ஒருங்கிணைப்பை செயல்படுத்தும் தானியங்கு குழாய்களை உருவாக்கவும்.
- ஸ்டேஜிங் சூழலில் புதிதாகப் பயிற்றுவிக்கப்பட்ட மாடல்களை (அல்லது சேலஞ்சர் மாதிரிகள்) தற்போது உற்பத்தியில் செயல்படும் மாடல்களுடன் (சாம்பியன் மாதிரிகள்) ஒப்பிடவும்.
15. சாம்பியன்-சேலஞ்சர் நுட்பம் எவ்வாறு செயல்படுகிறது என்பதை விளக்க முடியுமா?
ஒரு சாம்பியன் சேலஞ்சர் நுட்பத்தைப் பயன்படுத்தி உற்பத்தியில் பல்வேறு செயல்பாட்டு முடிவுகளைச் சோதிக்க முடியும். மார்க்கெட்டிங் சூழலில் ஏ/பி சோதனை பற்றி நீங்கள் கேள்விப்பட்டிருக்கலாம்.
எடுத்துக்காட்டாக, மின்னஞ்சல் பிரச்சாரத்திற்கான திறந்த விகிதத்தை அதிகரிக்க, நீங்கள் இரண்டு தனித்துவமான தலைப்பு வரிகளை எழுதலாம் மற்றும் அவற்றை உங்கள் இலக்கு மக்கள்தொகைக்கு சீரற்ற முறையில் விநியோகிக்கலாம்.
கணினி ஒரு மின்னஞ்சலின் செயல்திறனை (அதாவது, மின்னஞ்சல் திறந்த செயல்) அதன் பொருள் வரியுடன் பதிவுசெய்கிறது, இது ஒவ்வொரு பாடத்தின் திறந்த விகிதத்தையும் ஒப்பிட்டு, எது மிகவும் பயனுள்ளதாக இருக்கும் என்பதைத் தீர்மானிக்க உங்களை அனுமதிக்கிறது.
சாம்பியன்-சேலஞ்சர் இந்த விஷயத்தில் A/B சோதனையுடன் ஒப்பிடத்தக்கது. ஒவ்வொரு முடிவையும் மதிப்பிடுவதற்கு நீங்கள் முடிவெடுக்கும் தர்க்கத்தைப் பயன்படுத்தலாம் மற்றும் ஒரு தேர்வுக்கு வர பல்வேறு முறைகளை நீங்கள் பரிசோதிக்கும்போது மிகவும் பயனுள்ள ஒன்றைத் தேர்ந்தெடுக்கலாம்.
மிகவும் வெற்றிகரமான மாடல் சாம்பியனுடன் தொடர்புடையது. முதல் சேலஞ்சர் மற்றும் சேலஞ்சர்களின் பொருத்தப்பட்ட பட்டியல் இப்போது சாம்பியனுக்குப் பதிலாக முதல் செயல்படுத்தல் கட்டத்தில் உள்ளது.
சாம்பியனை மேலும் வேலை படிச் செயல்படுத்தல் அமைப்பால் தேர்வு செய்யப்படுகிறது.
சவால் செய்பவர்கள் ஒருவருக்கொருவர் முரண்படுகிறார்கள். புதிய சாம்பியன் பின்னர் சிறந்த முடிவுகளை உருவாக்கும் சவாலால் தீர்மானிக்கப்படுகிறது.
சாம்பியன்-சேலஞ்சர் ஒப்பீட்டு செயல்பாட்டில் உள்ள பணிகள் இன்னும் விரிவாக கீழே பட்டியலிடப்பட்டுள்ளன:
- போட்டி மாதிரிகள் ஒவ்வொன்றையும் மதிப்பீடு செய்தல்.
- இறுதி மதிப்பெண்களை மதிப்பீடு செய்தல்.
- வெற்றிகரமான சவாலை நிறுவுவதற்கு மதிப்பீட்டு முடிவுகளை ஒப்பிடுதல்.
- புதிய சாம்பியனை காப்பகத்தில் சேர்த்தல்
16. MLOps வாழ்க்கைச் சுழற்சியின் நிறுவன அளவிலான பயன்பாடுகளை விவரிக்கவும்?
இயந்திரக் கற்றல் மாதிரிகள் உற்பத்தியில் நுழைவதற்கு இயந்திரக் கற்றலை ஒரு செயல்பாட்டு பரிசோதனையாக மட்டுமே கருதுவதை நிறுத்த வேண்டும். MLOps என்பது இயந்திர கற்றலுடன் மென்பொருள் பொறியியலின் ஒன்றியமாகும்.
முடிக்கப்பட்ட முடிவை அப்படியே கற்பனை செய்ய வேண்டும். எனவே, ஒரு தொழில்நுட்ப தயாரிப்புக்கான குறியீடு சோதிக்கப்பட வேண்டும், செயல்பட வேண்டும் மற்றும் மட்டுப்படுத்தப்பட வேண்டும்.
MLOps ஒரு வழக்கமான இயந்திர கற்றல் ஓட்டத்துடன் ஒப்பிடக்கூடிய ஆயுட்காலம் உள்ளது, தவிர, மாதிரியானது உற்பத்தி வரை செயல்பாட்டில் வைக்கப்படுகிறது.
MLOps இன்ஜினியர்கள், உற்பத்தியில் மாதிரித் தரத்தை நோக்கமாகக் கொண்டதா என்பதை உறுதிசெய்ய, இதைக் கண்காணிக்கிறார்கள்.
பல MLOps தொழில்நுட்பங்களுக்கான சில பயன்பாட்டு நிகழ்வுகள் இங்கே:
- மாதிரிப் பதிவுகள்: அது தோன்றுவதுதான். பெரிய அணிகள் மாடல் பதிவேடுகளில் பதிப்பு மாடல்களை சேமித்து பராமரிக்கின்றன. முந்தைய பதிப்பிற்குச் செல்வது கூட ஒரு விருப்பமாகும்.
- அம்ச அங்காடி: பெரிய தரவுத் தொகுப்புகளைக் கையாளும் போது, குறிப்பிட்ட பணிகளுக்கான பகுப்பாய்வு தரவுத்தொகுப்புகள் மற்றும் துணைக்குழுக்களின் தனித்துவமான பதிப்புகள் இருக்கலாம். ஒரு அம்ச அங்காடி என்பது, முந்தைய ரன்களில் இருந்தோ அல்லது பிற அணிகளில் இருந்தும் தரவுத் தயாரிப்புப் பணிகளைப் பயன்படுத்துவதற்கான அதிநவீன, சுவையான வழியாகும்.
- மெட்டாடேட்டாவுக்கான ஸ்டோர்கள்: படம் மற்றும் உரைத் தரவு போன்ற கட்டமைக்கப்படாத தரவு வெற்றிகரமாகப் பயன்படுத்தப்பட வேண்டுமானால், உற்பத்தி முழுவதும் மெட்டாடேட்டாவைச் சரியாகக் கண்காணிப்பது முக்கியம்.
தீர்மானம்
பெரும்பாலான சந்தர்ப்பங்களில், நேர்காணல் செய்பவர் ஒரு அமைப்பைத் தேடுகிறார், அதே சமயம் வேட்பாளர் ஒரு தீர்வைத் தேடுகிறார் என்பதை நினைவில் கொள்வது அவசியம்.
முதலாவது உங்கள் தொழில்நுட்பத் திறன்களை அடிப்படையாகக் கொண்டது, இரண்டாவது உங்கள் திறமையை நிரூபிக்க நீங்கள் பயன்படுத்தும் முறையைப் பற்றியது.
MLOps நேர்காணல் கேள்விகளுக்கு நீங்கள் பதிலளிக்கும் போது நீங்கள் எடுக்க வேண்டிய பல நடைமுறைகள் உள்ளன, நேர்காணல் செய்பவருக்கு நீங்கள் எவ்வாறு சிக்கலை மதிப்பிட விரும்புகிறீர்கள் மற்றும் தீர்க்க விரும்புகிறீர்கள் என்பதை நன்கு புரிந்துகொள்ள உதவுகிறது.
அவற்றின் செறிவு சரியானதை விட தவறான எதிர்வினையில் அதிகம். ஒரு தீர்வு ஒரு கதையைச் சொல்கிறது, மேலும் உங்கள் அறிவு மற்றும் தகவல் தொடர்புத் திறனைப் பற்றிய சிறந்த எடுத்துக்காட்டு உங்கள் அமைப்பு.
ஒரு பதில் விடவும்