Построить одну модель машинного обучения относительно просто. Создание сотен или тысяч моделей и итерации над существующими моделями — это сложно. В хаосе легко потеряться. Этот хаос усугубляется, когда вы работаете в команде, поскольку вам приходится следить за тем, что делают все. Для наведения порядка в этом хаосе необходимо, чтобы вся команда следовала определенному процессу и документировала свою деятельность. В этом и заключается суть MLOps.
ОБРАБАТЫВАЮЩИЕ ПРОИЗВОДСТВА
Что такое MLOps?
Согласно MLOps.org, операционализация машинного обучения — это попытка построить сквозной процесс разработки машинного обучения для проектирования, создания и управления воспроизводимым, тестируемым и эволюционируемым программным обеспечением на основе ML. По сути, MLOps — это принципы DevOps, примененные к Machine Learning.
Как и в DevOps, ключевой идеей MLOps является автоматизация для сокращения ручных операций и повышения эффективности. Также, как и DevOps, MLOps включает в себя непрерывную интеграцию (CI) и непрерывную доставку (CD). В дополнение к этим двум направлениям, он также включает в себя непрерывное обучение (CT). Дополнительный аспект CT включает в себя переобучение моделей с использованием новых данных и их повторное развертывание.
Таким образом, MLOps — это инженерная культура, которая поощряет методичный подход к разработке моделей машинного обучения и автоматизацию различных этапов этого метода. Процесс включает в себя, прежде всего, извлечение данных, анализ, подготовку, обучение модели, оценку, обслуживание модели и мониторинг.
Преимущества MLOps
В целом, преимущества применения принципов MLOps такие же, как и преимущества наличия стандартных операционных процедур. Преимущества заключаются в следующем:
- Четко определенный процесс обеспечивает дорожную карту всех важнейших шагов, которые необходимо предпринять при разработке модели. Это гарантирует, что ни один критический шаг не будет пропущен.
- Этапы процесса, которые могут быть автоматизированы, могут быть определены и автоматизированы. Это сокращает объем повторяющейся работы и увеличивает скорость разработки. Это также исключает человеческие ошибки и сокращает объем работы, которую необходимо выполнить.
- Становится проще оценивать прогресс в разработке модели, зная, на каком этапе конвейера находится модель.
- Командам легче общаться, поскольку существует общая терминология шагов, которые необходимо предпринять в процессе разработки.
- Этот процесс может применяться многократно при разработке многих моделей, обеспечивая способ управления хаосом.
Таким образом, в конечном итоге роль MLOps в машинном обучении заключается в обеспечении методичного подхода к разработке моделей, который можно максимально автоматизировать.
Платформы для построения конвейеров
Чтобы помочь вам внедрить MLOps в ваши конвейеры, вы можете использовать одну из множества платформ, которые мы здесь рассмотрим. Хотя отдельные функции этих платформ могут быть разными, в основном они помогают вам сделать следующее:
- Хранить все ваши модели вместе с соответствующими метаданными модели — такими как конфигурации, код, точность и эксперименты. Сюда также входят различные версии ваших моделей для контроля версий.
- Хранить метаданные набора данных, например, данные, которые использовались для обучения моделей.
- Мониторинг моделей в производстве для выявления таких проблем, как дрейф модели.
- Развертывание моделей в производство.
- Создавать модели в средах с низким кодом или без кода.
Давайте рассмотрим лучшие платформы MLOps.
MLFlow
MLFlow — это, пожалуй, самая популярная платформа управления жизненным циклом машинного обучения. Она является бесплатной и с открытым исходным кодом. Она предоставляет следующие возможности:
- Отслеживание для записи ваших экспериментов по машинному обучению, кода, данных, конфигураций и конечных результатов;
- Проекты для упаковки кода в формат, который легко воспроизвести;
- Развертывание для развертывания вашего машинного обучения;
- Реестр для хранения всех ваших моделей в центральном хранилище.
MLFlow интегрируется с популярными библиотеками машинного обучения, такими как TensorFlow и PyTorch. Он также интегрируется с такими платформами, как Apache Spark, H20.asi, Google Cloud, Amazon Sage Maker, Azure Machine Learning и Databricks. Он также работает с различными облачными провайдерами, такими как AWS, Google Cloud и Microsoft Azure.
Машинное обучение Azure
Azure Machine Learning — это комплексная платформа машинного обучения. Она управляет различными действиями жизненного цикла машины в вашем конвейере MLOPs. Эти действия включают подготовку данных, построение и обучение моделей, проверку и развертывание моделей, а также управление и мониторинг развертывания. Azure Machine Learning позволяет строить модели, используя предпочитаемую IDE и фреймворк, PyTorch или TensorFlow.
Оно также интегрируется с ONNX Runtime и Deepspeed для оптимизации обучения и выводов. Это повышает производительность. Она использует инфраструктуру ИИ на Microsoft Azure, которая объединяет графические процессоры NVIDIA и сети Mellanox, чтобы помочь вам создать кластеры машинного обучения. С помощью AML вы можете создать центральный реестр для хранения и обмена моделями и наборами данных. Azure Machine Learning интегрируется с Git и GitHub Actions для создания рабочих процессов. Он также поддерживает гибридную или многооблачную установку. Вы также можете интегрировать его с другими службами Azure, такими как Synapse Analytics, Data Lake, Databricks и Security Center.
Google Vertex AI
Google Vertex AI — это единая платформа данных и искусственного интеллекта. Она предоставляет инструменты, необходимые для создания пользовательских и предварительно обученных моделей. Она также служит комплексным решением для реализации MLOps. Для упрощения использования платформа интегрируется с BigQuery, Dataproc и Spark для беспрепятственного доступа к данным во время обучения. В дополнение к API, Google Vertex AI предоставляет инструментальную среду с низким кодом и без кода, чтобы ее могли использовать не разработчики, такие как бизнес-аналитики, аналитики данных и инженеры. API позволяет разработчикам интегрировать его в существующие системы.
Google Vertex AI также позволяет создавать приложения генеративного ИИ с помощью Generative AI Studio. Это делает развертывание и управление инфраструктурой простым и быстрым. Идеальные сценарии использования Google Vertex AI включают обеспечение готовности данных, разработку функций, обучение и настройку гиперпараметров, обслуживание модели, настройку и понимание модели, мониторинг модели и управление моделью.
Databricks
Databricks — это озеро данных, которое позволяет подготавливать и обрабатывать данные. С помощью Databricks вы можете управлять всем жизненным циклом машинного обучения — от экспериментов до производства. По сути, Databricks обеспечивает управляемый MLFlow, предоставляя такие функции, как регистрация данных, ad version of ML models, отслеживание экспериментов, обслуживание моделей, реестр моделей и отслеживание рекламных метрик. Реестр моделей позволяет хранить модели для воспроизводимости, а реестр помогает отслеживать версии и стадии жизненного цикла, на которых они находятся.
Развертывание моделей с помощью Dataricks может быть выполнено одним щелчком мыши, и у вас будут конечные точки REST API, которые можно использовать для прогнозирования. Среди прочих моделей, она хорошо интегрируется с существующими предварительно обученными генеративными и большими языковыми моделями, такими как модели из библиотеки трансформаторов обнимающихся лиц. Dataricks предоставляет совместные блокноты Databricks, поддерживающие Python, R, SQL и Scala. Кроме того, он упрощает управление инфраструктурой, предоставляя предварительно настроенные кластеры, оптимизированные для задач Machine Learning.
AWS SageMaker
AWS SageMaker — это облачный сервис AWS, который предоставляет вам инструменты, необходимые для разработки, обучения и развертывания моделей машинного обучения. Основная цель SageMaker — автоматизировать утомительную и повторяющуюся ручную работу, связанную с созданием модели машинного обучения. В результате он предоставляет вам инструменты для создания производственного конвейера для ваших моделей машинного обучения с использованием различных служб AWS, таких как инстансы Amazon EC2 и хранилище Amazon S3. SageMaker работает с блокнотами Jupyter, установленными на экземпляре EC2, а также со всеми общими пакетами и библиотеками, необходимыми для создания модели машинного обучения.
Что касается данных, SageMaker способен получать данные из Amazon Simple Storage Service. По умолчанию вы получаете реализацию распространенных алгоритмов машинного обучения, таких как линейная регрессия и классификация изображений. SageMaker также поставляется с монитором моделей для обеспечения непрерывной и автоматической настройки, чтобы найти набор параметров, обеспечивающих наилучшую производительность ваших моделей. Развертывание также упрощено, поскольку вы можете легко развернуть свою модель на AWS в виде защищенной конечной точки HTTP, которую можно контролировать с помощью CloudWatch.
DataRobot
DataRobot — это популярная платформа MLOps, которая позволяет управлять различными этапами жизненного цикла Machine Learning, такими как подготовка данных, проведение ML-экспериментов, проверка и управление моделями. Она имеет инструменты для автоматизации проведения экспериментов с различными источниками данных, тестирования тысяч моделей и оценки лучших из них для внедрения в производство. Он поддерживает построение моделей для различных типов моделей ИИ для решения задач в области временных рядов, обработки естественного языка и компьютерного зрения.
С DataRobot вы можете строить модели «из коробки», поэтому вам не придется писать код. В качестве альтернативы вы можете выбрать подход «сначала код» и реализовать модели с помощью пользовательского кода. DataRobot поставляется с блокнотами для написания и редактирования кода. Кроме того, вы можете использовать API, чтобы разрабатывать модели в любой IDE по вашему выбору. Используя графический интерфейс, вы можете отслеживать эксперименты с вашими моделями.
Run AI
Run AI пытается решить проблему недостаточного использования инфраструктуры ИИ, в частности графических процессоров. Она решает эту проблему, обеспечивая видимость всей инфраструктуры и гарантируя ее использование во время обучения. Для этого Run AI располагается между программным обеспечением MLOps и аппаратным обеспечением компании. Занимая этот уровень, все учебные задания запускаются с помощью Run AI.
Платформа, в свою очередь, планирует время выполнения каждого из этих заданий. Нет никаких ограничений на то, должно ли оборудование быть облачным, таким как AWS и Google Cloud, локальным или гибридным. Он обеспечивает уровень абстракции для команд Machine Learning, функционируя как платформа виртуализации GPU. Задачи можно запускать из Jupyter Notebook, терминала bash или удаленного PyCharm.
H2O.ai
H2O — это платформа распределенного машинного обучения с открытым исходным кодом. Она позволяет командам сотрудничать и создавать центральное хранилище моделей, где специалисты по изучению данных могут экспериментировать и сравнивать различные модели. Как платформа MLOps, H20 предоставляет ряд ключевых возможностей. Во-первых, H2O упрощает развертывание моделей на сервере в виде конечной точки REST. Она предоставляет различные темы развертывания, такие как A/B Test, модели Champoion-Challenger и простое развертывание одной модели.
Во время обучения он хранит и управляет данными, артефактами, экспериментами, моделями и развертываниями. Это позволяет воспроизводить модели. Он также позволяет управлять разрешениями на уровне групп и пользователей для управления моделями и данными. Во время работы модели H2O также обеспечивает мониторинг в режиме реального времени для отслеживания дрейфа модели и других операционных показателей.
Paperspace Gradient
Gradient помогает разработчикам на всех этапах цикла разработки Machine Learning. Он предоставляет блокноты на базе Jupyter с открытым исходным кодом для разработки и обучения моделей в облаке с использованием мощных графических процессоров. Это позволяет быстро исследовать и создавать прототипы моделей. Конвейеры развертывания могут быть автоматизированы путем создания рабочих процессов. Эти рабочие процессы определяются путем описания задач в YAML.
Использование рабочих процессов делает создание развертываний и обслуживание моделей легко воспроизводимыми и, как следствие, масштабируемыми. В целом, Gradient предоставляет контейнеры, машины, данные, модели, метрики, журналы и секреты, чтобы помочь вам управлять различными этапами конвейера разработки моделей Machine Learning. Ваши конвейеры работают на кластерах Gradiet. Эти кластеры находятся либо на Paperspace Cloud, AWS, GCP, Azure, либо на любых других серверах. Вы можете взаимодействовать с Gradient с помощью CLI или SDK программно.
Заключительные слова
MLOps — это мощный и универсальный подход к построению, развертыванию и управлению моделями машинного обучения в масштабе. MLOps прост в использовании, масштабируем и безопасен, что делает его хорошим выбором для организаций любого размера. В этой статье мы рассказали о MLOPs, почему их важно внедрять, что для этого нужно, а также о различных популярных платформах MLOps.