עטלעכע גלאבאלע סעקטאָרס אָנהייבן צו ינוועסטירן מער סאַבסטאַנשאַלי אין מאַשין לערנען (ML).
ML מאָדעלס קענען זיין טכילעס לאָנטשט און אַפּערייטאַד דורך טימז פון ספּעשאַלאַסץ, אָבער איינער פון די ביגאַסט מניעות איז טראַנספערינג די וויסן פארדינט צו דער ווייַטער מאָדעל אַזוי אַז פּראַסעסאַז קענען זיין יקספּאַנדיד.
צו פֿאַרבעסערן און סטאַנדערדייז די פּראַסעסאַז ינוואַלווד אין מאָדעל לייפסייקאַל פאַרוואַלטונג, MLOps טעקניקס זענען ינקריסינגלי געניצט דורך די טימז וואָס מאַכן מאַשין לערנען מאָדעלס.
פאָרזעצן לייענען צו געפֿינען מער וועגן עטלעכע פון די בעסטער MLOps מכשירים און פּלאַטפאָרמס בנימצא הייַנט און ווי זיי קענען מאַכן מאַשין לערנען גרינגער פֿון אַ געצייַג, דעוועלאָפּער און פּראַסידזשעראַל סטאַנדפּוינט.
וואָס איז MLOps?
א טעכניק פֿאַר קריייטינג פּאַלאַסיז, נאָרמז און בעסטער פּראַקטיסיז פֿאַר מאַשין לערנען מאָדעלס איז באקאנט ווי "מאַשין לערנען אַפּעריישאַנז," אָדער "MLOps."
MLOps יימז צו גאַראַנטירן די גאנצע לעבן ציקל פון ML אַנטוויקלונג - פון פאָרשטעלונג צו דיפּלוימאַנט - איז מאַטיקיאַלאַסלי דאַקיומענטאַד און געראטן פֿאַר די בעסטער רעזולטאַטן אלא ווי ינוועסטינג אַ פּלאַץ פון צייט און רעסורסן אין עס אָן אַ סטראַטעגיע.
דער ציל פון MLOps איז צו קאָדיפיצירן בעסטער פּראַקטיסיז אין אַ וועג וואָס מאכט מאַשין לערנען אַנטוויקלונג מער סקאַלאַבלע פֿאַר ML אָפּערייטערז און דעוועלאָפּערס, ווי געזונט ווי צו פאַרבעסערן די קוואַליטעט און זיכערהייט פון ML מאָדעלס.
עטלעכע אָפּשיקן צו MLOps ווי "DevOps פֿאַר מאַשין לערנען" זינט עס הצלחה אַפּלייז DevOps פּרינסאַפּאַלז צו אַ מער ספּעשאַלייזד פעלד פון טעקנאַלאַדזשיקאַל אַנטוויקלונג.
דאָס איז אַ נוציק וועג צו טראַכטן וועגן MLOps ווייַל, ווי DevOps, עס עמפאַסייזיז וויסן ייַנטיילונג, מיטאַרבעט און בעסטער פּראַקטיסיז צווישן טימז און מכשירים.
MLOps גיט דעוועלאָפּערס, דאַטן סייאַנטיס און אַפּעריישאַנז טימז מיט אַ פריימווערק פֿאַר קאָואַפּערייטינג און, ווי אַ רעזולטאַט, פּראָדוצירן די מערסט שטאַרק ML מאָדעלס.
פארוואס נוצן MLOps מכשירים?
MLOps מכשירים קענען דורכפירן אַ ברייט קייט פון דוטיז פֿאַר אַ ML מאַנשאַפֿט, אָבער, זיי זענען אָפט שפּאַלטן אין צוויי גרופּעס: פּלאַטפאָרמע אַדמיניסטראַציע און יחיד קאָמפּאָנענט פאַרוואַלטונג.
בשעת עטלעכע MLOps פּראָדוקטן פאָקוס בלויז אויף אַ איין האַרץ פונקציע, אַזאַ ווי דאַטן אָדער מעטאַדאַטאַ פאַרוואַלטונג, אנדערע מכשירים אַדאַפּט אַ מער אַלע-ענקאַמפּאַסינג סטראַטעגיע און צושטעלן אַ MLOps פּלאַטפאָרמע צו קאָנטראָלירן עטלעכע אַספּעקץ פון די ML לייפסייקאַל.
קוק פֿאַר MLOps סאַלושאַנז וואָס אַרוישעלפן דיין מאַנשאַפֿט אין אָנפירונג די ML אַנטוויקלונג געביטן, צי איר זוכט פֿאַר אַ מומכע אָדער אַ מער ברייט געצייַג:
- האַנדלינג פון דאַטן
- פּלאַן און מאָדעלינג
- פאַרוואַלטונג פון פּראַדזשעקס און ווערקפּלייס
- ML מאָדעל דיפּלוימאַנט און קעסיידערדיק וישאַלט
- ליפעסיקלע פאַרוואַלטונג פון אָנהייב צו סוף, וואָס איז טיפּיקלי געפֿינט דורך פול-דינסט MLOps פּלאַטפאָרמס.
MLOps מכשירים
1. MLFlow
די לייפסייק פון מאַשין לערנען איז קאַנטראָולד דורך די אָפֿן-מקור פּלאַטפאָרמע MLflow און כולל אַ צענטראל מאָדעל רעגיסטראַציע, דיפּלוימאַנט און יקספּעראַמאַנטיישאַן.
MLflow קענען זיין געוויינט דורך קיין נומער מאַנשאַפֿט, ינדיווידזשואַלי און קאַלעקטיוולי. ביבליאָטעק האָבן קיין שייכות מיט די געצייַג.
קיין פּראָגראַממינג שפּראַך און מאַשין לערנען ביבליאָטעק קענען נוצן עס.
צו מאַכן עס סימפּלער צו באַן, צעוויקלען און פירן מאַשין לערנען אַפּלאַקיישאַנז, MLFlow ינטעראַקץ מיט אַ נומער פון מאַשין לערנען פראַמעוואָרקס, אַרייַנגערעכנט TensorFlow און פּיטאָרטש.
אַדדיטיאָנאַללי, MLflow גיט גרינג-צו-נוצן אַפּיס וואָס קענען זיין אַרייַנגערעכנט אין קיין יגזיסטינג מאַשין לערנען מגילה אָדער לייברעריז.
MLflow האט פיר שליסל פֿעיִקייטן וואָס פאַסילאַטייט טראַקינג און פּלאַנירונג יקספּעראַמאַנץ:
- MLflow טראַקינג - אַן אַפּי און וי פֿאַר לאָגינג מאַשין לערנען קאָד פּאַראַמעטערס, ווערסיעס, מעטריקס און אַרטאַפאַקץ, ווי געזונט ווי פֿאַר דערנאָך ווייַז און קאַנטראַסט די אַוטקאַמז
- MLflow פּראַדזשעקס - פּאַקקאַגינג מאַשין לערנען קאָד אין אַ ריוזאַבאַל, רעפּראָדוסיבלע פֿאָרמאַט פֿאַר אַריבערפירן צו פּראָדוקציע אָדער ייַנטיילונג מיט אנדערע דאַטן סייאַנטיס
- MLflow מאָדעלס - מיינטיינינג און דיפּלייינג מאָדעלס צו אַ קייט פון מאָדעל סערווינג און ינפעראַנס סיסטעמען פון פאַרשידן ML לייברעריז
- MLflow מאָדעל רעגיסטרי - אַ הויפט מאָדעל קראָם וואָס ינייבאַלז קאָאָפּעראַטיווע פאַרוואַלטונג פון אַ MLflow מאָדעל ס גאַנץ לעבן, אַרייַנגערעכנט מאָדעל ווערסיע, בינע טראַנזישאַנז און אַנאַטיישאַנז.
2. קובעפלאָוו
די ML מכשירים פֿאַר Kubernetes איז גערופֿן Kubeflow. פּאַקקאַגינג און אָנפירונג דאָקקער קאַנטיינערז, אַידז אין די וישאַלט פון מאַשין לערנען סיסטעמען.
דורך סימפּלאַפייינג לויפן אָרקעסטראַטיאָן און דיפּלוימאַנץ פון מאַשין לערנען וואָרקפלאָוז, עס פּראַמאָוץ די סקאַלאַביליטי פון מאַשין לערנען מאָדעלס.
עס איז אַן אָפֿן-מקור פּרויעקט וואָס ינקלודז אַ קערפאַלי אויסדערוויילט גרופּע פון קאַמפּלאַמענטשי מכשירים און פראַמעוואָרקס טיילערד צו פאַרשידענע ML באדערפענישן.
לאנג ML טריינינג טאַסקס, מאַנואַל יקספּעראַמאַנטיישאַן, ריפּיטאַביליטי און DevOps טשאַלאַנדזשיז קענען זיין כאַנדאַלד מיט Kubeflow Pipelines.
פֿאַר עטלעכע סטאַגעס פון מאַשין לערנען, אַרייַנגערעכנט טריינינג, רערנ - ליניע אַנטוויקלונג און וישאַלט פון דזשופּיטער נאָוטבוקס, Kubeflow אָפפערס ספּעשאַלייזד באַדינונגס און ינאַגריישאַן.
עס מאכט עס פּשוט צו פירן און שפּור די לעבן פון דיין אַי ווערקלאָודז, ווי געזונט ווי צו צעוויקלען מאַשין לערנען (ML) מאָדעלס און דאַטן פּייפּליינז צו Kubernetes קלאַסטערז.
עס אָפפערס:
- נאָוטבוקס פֿאַר ניצן די SDK צו ינטעראַקט מיט די סיסטעם
- אַ באַניצער צובינד (וי) פֿאַר קאַנטראָולינג און מאָניטאָרינג ראַנז, דזשאָבס און יקספּעראַמאַנץ
- צו געשווינד פּלאַן סוף-צו-סוף סאַלושאַנז אָן ריבילד יעדער מאָל, און רייוז קאַמפּאָונאַנץ און פּייפּליינז.
- ווי אַ שליסל קאָמפּאָנענט פון Kubeflow אָדער ווי אַ סטאַנדאַלאָנע ינסטאַלירונג, Kubeflow Pipelines איז געפֿינט.
3. דאַטאַ ווערסיע קאָנטראָל
אַן אָפֿן מקור ווערסיע קאָנטראָל לייזונג פֿאַר מאַשין לערנען פּראַדזשעקס איז גערופֿן DVC, אָדער דאַטאַ ווערסיע קאָנטראָל.
וועלכער שפּראַך איר קלייַבן, עס איז אַן יקספּערמענאַל געצייַג וואָס אַידז אין רערנ - ליניע דעפֿיניציע.
DVC ניצט קאָד, דאַטן ווערסיע און רעפּראָדוסיביליטי צו העלפֿן איר שפּאָרן צייט ווען איר אַנטדעקן אַ פּראָבלעם מיט אַן פריער ווערסיע פון דיין ML מאָדעל.
אַדדיטיאָנאַללי, איר קענען נוצן DVC פּייפּליינז צו באַן דיין מאָדעל און פאַרשפּרייטן עס צו דיין מאַנשאַפֿט מיטגלידער. גרויס דאַטן אָרגאַניזאַציע און ווערסיעס קענען זיין כאַנדאַלד דורך DVC, און די דאַטן קענען זיין סטאָרד אויף אַ לייכט צוטריטלעך שטייגער.
כאָטש עס כולל עטלעכע (לימיטעד) עקספּערימענט טראַקינג פֿעיִקייטן, עס מערסטנס פאָוקיסיז אויף דאַטן און רערנ - ליניע ווערסיע און פאַרוואַלטונג.
עס אָפפערס:
- עס איז סטאָרידזש אַגנאַסטיק, דעריבער עס איז מעגלעך צו נוצן אַ פאַרשיידנקייַט פון סטאָרידזש טייפּס.
- עס אויך גיט טראַקינג סטאַטיסטיק.
- אַ פאַר-געבויט מיטל צו פאַרבינדן ML סטאַגעס אין אַ DAG און לויפן די גאנצע רערנ - ליניע פון אָנהייב צו ענדיקן
- די גאנצע אַנטוויקלונג פון יעדער ML מאָדעל קענען זיין נאכגעגאנגען מיט זיין גאַנץ קאָד און דאַטן פּראָווענאַנס.
- רעפּראָדוסיביליטי דורך געטריי פּראַזערווינג די ערשט קאַנפיגיעריישאַן, אַרייַנשרייַב דאַטן און פּראָגראַם קאָד פֿאַר אַן עקספּערימענט.
4. פּאַטשידערם
Pachyderm איז אַ ווערסיע קאָנטראָל פּראָגראַם פֿאַר מאַשין לערנען און דאַטן וויסנשאַפֿט, ענלעך צו DVC.
אַדדיטיאָנאַללי, ווייַל עס איז געווען באשאפן ניצן דאָקקער און קובערנעטעס, עס קענען ויספירן און צעוויקלען מאַשין לערנען אַפּלאַקיישאַנז אויף קיין וואָלקן פּלאַטפאָרמע.
Pachyderm מאכט געראַנטיז אַז יעדער שטיק פון דאַטן וואָס איז קאַנסומד אין אַ מאַשין לערנען מאָדעל קענען זיין טראַקט צוריק און ווערסיע.
עס איז געניצט צו שאַפֿן, פאַרשפּרייטן, פירן און האַלטן אַן אויג אויף מאַשין לערנען מאָדעלס. א מאָדעל רעגיסטרי, אַ מאָדעל פאַרוואַלטונג סיסטעם און אַ CLI מכשירים זענען אַלע אַרייַנגערעכנט.
דעוועלאָפּערס קענען אָטאַמייט און יקספּאַנד זייער לייפסייק פון מאַשין לערנען ניצן Pachyderm ס דאַטן יסוד, וואָס אויך ינשורז ריפּיטאַביליטי.
עס שטיצט סטרינדזשאַנט דאַטן גאַווערנאַנס סטאַנדאַרדס, לאָווערס דאַטן פּראַסעסינג און סטאָרידזש קאָס, און אַידז געשעפטן צו ברענגען זייער דאַטן וויסנשאַפֿט ינישאַטיווז צו מאַרק מער געשווינד.
5. פּאָליאַקסאָן
ניצן די פּאָליאַקסאָן פּלאַטפאָרמע, מאַשין לערנען פּראַדזשעקס און טיף לערנען אַפּלאַקיישאַנז קענען זיין רעפּליקייטיד און געראטן איבער זייער גאַנץ לעבן ציקל.
פּאָליאַקסאָן איז ביכולת צו באַלעבאָס און פירן די געצייַג, און עס קענען זיין געשטעלט אין קיין דאַטן צענטער אָדער וואָלקן שפּייַזער. אַזאַ ווי טאָרטש, Tensorflow און MXNet, וואָס שטיצן אַלע די מערסט פאָלקס טיף לערנען פראַמעוואָרקס.
ווען עס קומט צו אָרקעסטראַטיאָן, פּאָליאַקסאָן ינייבאַלז איר צו מאַכן די מערסט פון דיין קנויל דורך סקעדזשולינג טאַסקס און טעסץ דורך זייער CLI, דאַשבאָרד, SDKs אָדער REST API.
עס אָפפערס:
- איר קענען נוצן די אָפֿן מקור ווערסיע רעכט איצט, אָבער עס אויך כולל ברירות פֿאַר די פֿירמע.
- כאָטש עס קאָווערס די גאַנץ ליפעסיקלע, אַרייַנגערעכנט לויפן אָרקעסטראַטיאָן, עס איז טויגעוודיק פון פיל מער.
- מיט טעכניש רעפֿערענץ דאָקומענטן, גיידליינז פֿאַר אָנהייב, לערנען מאַטעריאַלס, מאַניואַלז, טוטאָריאַלז, טשאַנגעלאָגס און מער, עס איז אַ זייער געזונט-דאַקיאַמענטאַד פּלאַטפאָרמע.
- מיט די עקספּערימענט ינסייץ דאַשבאָרד, עס איז מעגלעך צו האַלטן אַן אויג אויף, שפּור און אָפּשאַצן יעדער אַפּטאַמאַזיישאַן עקספּערימענט.
6. קאָמעט
קאָמעט איז אַ פּלאַטפאָרמע פֿאַר מעטאַ מאַשין לערנען וואָס טראַקס, קאַנטראַס, דערקלערט און ימפּרוווז יקספּעראַמאַנץ און מאָדעלס.
אַלע דיין יקספּעראַמאַנץ קענען זיין געזען און קאַמפּערד אין איין אָרט.
עס פאַנגקשאַנז פֿאַר קיין מאַשין לערנען אַרבעט, ווו דיין קאָד איז דורכגעקאָכט און מיט קיין מאַשין לערנען ביבליאָטעק.
קאָמעט איז פּאַסיק פֿאַר גרופּעס, מענטשן, אַקאַדעמיק אינסטיטוציעס, געשעפטן און ווער עס יז וואָס וויל צו געשווינד וויזשוואַלייז יקספּעראַמאַנץ, סטרימליין אַרבעט און דורכפירן יקספּעראַמאַנץ.
דאַטאַ סייאַנטיס און טימז קענען שפּור, דערקלערן, פֿאַרבעסערן און פאַרגלייַכן יקספּעראַמאַנץ און מאָדעלס ניצן די זיך-כאָוסטיד און וואָלקן-באזירט מעטאַ-מאַשין לערנען פּלאַטפאָרמע קאָמעט.
עס אָפפערס:
- עס זענען פילע קייפּאַבילאַטיז פֿאַר מאַנשאַפֿט מיטגלידער צו טיילן טאַסקס.
- עס האט עטלעכע ינטאַגריישאַנז וואָס מאַכן עס פּשוט צו פאַרבינדן עס צו אנדערע טעקנאַלאַדזשיז
- פאַנגקשאַנז געזונט מיט קראַנט ML לייברעריז
- נעמט קעיר פון באַניצער פאַרוואַלטונג
- פאַרגלייַך פון יקספּעראַמאַנץ איז ענייבאַלד, אַרייַנגערעכנט אַ פאַרגלייַך פון קאָד, כייפּערפּאַראַמאַטערז, מעטריקס, פֿאָרויסזאָגן, דיפּענדאַנסיז און סיסטעם מעטריקס.
- פּראָווידעס בוילעט מאַדזשולז פֿאַר זעאונג, אַודיאָ, טעקסט און טאַבולאַר דאַטן וואָס לאָזן איר וויזשוואַלייז סאַמפּאַלז.
7. אָפּטונאַ
אָפּטונאַ איז אַ סיסטעם פֿאַר אָטאַנאַמאַס כייפּערפּאַראַמעטער אַפּטאַמאַזיישאַן וואָס קענען זיין געווענדט צו ביידע מאַשין לערנען און טיף לערנען ווי געזונט ווי אנדערע פעלדער.
עס כּולל אַ פאַרשיידנקייַט פון קאַטינג-ברעג אַלגערידאַמז פון וואָס איר קענען אויסקלייַבן (אָדער לינק), מאכט עס זייער פּשוט צו פאַרשפּרייטן טריינינג איבער פילע קאָמפּיוטערס און אָפפערס אַטראַקטיוו רעזולטאַטן וויזשוואַלאַזיישאַן.
פאָלקס מאַשין לערנען לייברעריז ווי PyTorch, TensorFlow, Keras, FastAI, Sci-kit-learn, LightGBM און XGBoost זענען אַלע ינאַגרייטיד מיט עס.
עס גיט קאַטינג-ברעג אַלגערידאַמז אַז געבן קאַסטאַמערז צו באַקומען רעזולטאַטן מער ראַפּאַדלי דורך געשווינד רידוסינג די סאַמפּאַלז וואָס טאָן ניט קוקן פּראַמאַסינג.
ניצן פּיטהאָן-באזירט אַלגערידאַמז, עס אויטאָמאַטיש זוכן פֿאַר די ידעאַל כייפּערפּאַראַמאַטערז. אָפּטונאַ ינקעראַדזשאַז פּאַראַלעליזעד היפּערפּאַראַמעטער אָנפֿרעגן אין פילע פֿעדעם אָן אָלטערינג די אָריגינעל קאָד.
עס אָפפערס:
- עס שטיצט פונאנדערגעטיילט טריינינג אויף אַ קנויל און אַ איין קאָמפּיוטער (מאַלטי-פּראָסעס) (מאַלטי-נאָדע)
- עס שטיצט עטלעכע טרימינג טעקניקס צו פאַרגיכערן קאַנווערדזשאַנס (און נוצן ווייניקער קאַמפּיוט)
- עס האט אַ פאַרשיידנקייַט פון שטאַרק וויזשוואַלאַזיישאַנז, אַזאַ ווי רעפטל פּלאַנעווען, קאַנטור פּלאַנעווען און פּאַראַלעל קאָואָרדאַנאַץ.
8. Kedro
Kedro איז אַ פריי פּיטהאָן פריימווערק פֿאַר שרייבן קאָד וואָס קענען זיין דערהייַנטיקט און מיינטיינד פֿאַר דאַטן וויסנשאַפֿט פּראַדזשעקס.
עס ברענגט יידיאַז פון בעסטער פּראַקטיסיז אין ווייכווארג ינזשעניעריע צו מאַשין לערנען קאָד. פּיטהאָן איז דער יסוד פון דעם וואָרקפלאָוו אָרקעסטראַטיאָן געצייַג.
צו מאַכן דיין ML פּראַסעסאַז סימפּלער און מער גענוי, איר קענען אַנטוויקלען רעפּראָדוסיבלע, מאַינטאַבאַל און מאַדזשאַלער וואָרקפלאָווס.
Kedro ינקאָרפּערייץ ווייכווארג ינזשעניעריע פּרינסאַפּאַלז ווי מאַדזשאַלעראַטי, צעשיידונג פון ריספּאַנסאַבילאַטיז און ווערסיעס אין אַ מאַשין לערנען סוויווע.
אויף יקער פון Cookiecutter Data Science, עס גיט אַ פּראָסט, אַדאַפּטאַבאַל פּרויעקט פריימווערק.
א נומער פון פּשוט דאַטן קאַנעקטערז געניצט צו קראָם און לאָדן דאַטן אין עטלעכע טעקע סיסטעמען און טעקע פֿאָרמאַטירונגען זענען געראטן דורך די דאַטן קאַטאַלאָג. עס מאכט מאַשין לערנען פּראַדזשעקס מער עפעקטיוו און מאכט עס סימפּלער צו בויען אַ דאַטן רערנ - ליניע.
עס אָפפערס:
- Kedro אַלאַוז פֿאַר דיספּערסט אָדער יינזאַם מאַשין דיפּלוימאַנט.
- איר קענען אָטאַמייט דיפּענדאַנסיז צווישן פּיטהאָן קאָד און וואָרקפלאָוו וויזשוואַלאַזיישאַן ניצן רערנ - ליניע אַבסטראַקציע.
- דורך די נוצן פון מאַדזשאַלער, ריוזאַבאַל קאָד, די טעכנאָלאָגיע פאַסילאַטייץ מאַנשאַפֿט מיטאַרבעט אויף אַ פאַרשיידנקייַט פון לעוועלס און ימפּרוווז פּראָודאַקטיוויטי אין די קאָדירונג סוויווע.
- דער ערשטיק ציל איז צו באַקומען די דיסאַדוואַנטידזשיז פון דזשופּיטער נאָוטבוקס, איין-אַוועק סקריפּס און קליי-קאָד דורך שרייבן מאַינטאַבאַל דאַטן וויסנשאַפֿט פּראָגראַממינג.
9. בענטאָמל
בנין מאַשין לערנען אַפּי ענדפּאָינץ איז גרינגער מיט BentoML.
עס גיט אַ טיפּיש נאָך קאַנדענסט ינפראַסטראַקטשער צו אַריבערפירן געלערנט מאַשין לערנען מאָדעלס אין פּראָדוקציע.
עס אַלאַוז איר צו פּעקל געלערנט מאָדעלס פֿאַר נוצן אין אַ פּראָדוקציע באַשטעטיקן, ינטערפּרעטינג זיי מיט קיין ML פריימווערק. ביידע אָפפלינע פּעקל סערווינג און אָנליין אַפּי סערווינג זענען געשטיצט.
א הויך-פאָרשטעלונג מאָדעל סערווער און אַ פלעקסאַבאַל וואָרקפלאָוו זענען פֿעיִקייטן פון BentoML.
אַדדיטיאָנאַללי, דער סערווער אָפפערס אַדאַפּטיוו מיקראָ-באַטשינג. א יונאַפייד צוגאַנג פֿאַר אָרגאַנייזינג מאָדעלס און האַלטן שפּור פון דיפּלוימאַנט פּראָוסידזשערז איז צוגעשטעלט דורך די וי דאַשבאָרד.
עס וועט זיין קיין סערווער דאַונטיים ווייַל די אָפּערייטינג מעקאַניזאַם איז מאַדזשאַלער און די קאַנפיגיעריישאַן איז ריוזאַבאַל. עס איז אַ פלעקסאַבאַל פּלאַטפאָרמע פֿאַר פּראַוויידינג, אָרגאַנייזינג און דיפּלויינג ML מאָדעלס.
עס אָפפערס:
- עס האט אַ מאַדזשאַלער פּלאַן וואָס איז אַדאַפּטאַבאַל.
- עס ינייבאַלז דיפּלוימאַנט אויף עטלעכע פּלאַטפאָרמס.
- עס קען נישט אויטאָמאַטיש שעפּן האָריזאָנטאַל סקיילינג.
- עס ינייבאַלז אַ איין מאָדעל פֿאָרמאַט, מאָדעל פאַרוואַלטונג, מאָדעל פּאַקקאַגינג און הויך-פאָרשטעלונג מאָדעל סערווינג.
קסנומקס. סעלדאָן
דאַטאַ סייאַנטיס קענען שאַפֿן, צעוויקלען און פירן מאַשין לערנען מאָדעלס און יקספּעראַמאַנץ אין וואָג אויף Kubernetes ניצן די אָפֿן-מקור Seldon Core פריימווערק.
TensorFlow, Sci-Kit-Learn, Spark, R, Java און H2O זענען בלויז אַ ביסל פון די מכשירים וואָס זענען געשטיצט דורך עס.
עס אויך ינטערפייסיז מיט Kubeflow און RedHat ס OpenShift. די סעלדאָן האַרץ טראַנספאָרמז מאַשין לערנען מאָדעלס (ML מאָדעלס) אָדער שפּראַך ראַפּערז (שפּראַכן ווי פּיטהאָן, ז'אבא, אאז"ו ו) אין פּראָדוקציע REST / GRPC מיקראָ באַדינונגס.
איינער פון די בעסטער MLOps מכשירים פֿאַר ימפּרוווינג מאַשין לערנען פּראַסעסאַז איז דאָס.
עס איז פּשוט צו קאַנטאַמאַנייז ML מאָדעלס און פּרובירן פֿאַר וסאַביליטי און זיכערהייט ניצן Seldon Core.
עס אָפפערס:
- מאָדעל דיפּלוימאַנט קענען זיין סימפּלער מיט עטלעכע אַלטערנאַטיוועס, אַזאַ ווי קאַנאַרי דיפּלוימאַנט.
- צו פֿאַרשטיין וואָס ספּעציפֿיש פֿאָרויסזאָגן זענען געמאכט, נוצן מאָדעל דערקלערט.
- ווען ישוז שטייען, האַלטן אַן אויג אויף די פּראָדוקציע מאָדעלס ניצן די אַלערטינג סיסטעם.
סאָף
MLOps קענען העלפֿן מאַכן מאַשין לערנען אַפּעריישאַנז בעסער. MLOps קענען פאַרגיכערן דיפּלוימאַנט, מאַכן דאַטן זאַמלונג און דיבאַגינג סימפּלער און פֿאַרבעסערן מיטאַרבעט צווישן ענדזשאַנירז און דאַטן סייאַנטיס.
כּדי איר זאָל קלייַבן די MLOps געצייַג וואָס איז בעסטער פּאַסיק פֿאַר דיין דאַרף, דעם פּאָסטן יגזאַמאַנד 10 פאָלקס MLOps סאַלושאַנז, רובֿ פון וואָס זענען אָפֿן מקור.
לאָזן אַ ענטפֿערן