En Edge Analytics , nos esforzamos por desarrollar aplicaciones de aprendizaje automático que sean transparentes y reproducibles. Los proyectos de aprendizaje automático a menudo se componen de muchas partes, y las soluciones de software rápidamente disponibles para administrar estas partes se denominan colectivamente Operaciones de aprendizaje automático (MLOps).

Descubrimos que invertir en infraestructura MLOps acelera nuestra capacidad de extraer información significativa para los problemas que resolvemos. Una infraestructura sólida de MLOps optimiza nuestro tiempo de iteración y aumenta nuestra confianza en los modelos que desarrollamos para los clientes. En esta serie de blogs, analizaremos un ejemplo de canalización de MLOps utilizando algunas de nuestras herramientas favoritas.

Cómo usamos MLOps en Edge Analytics

Nuestro equipo desarrolla e implementa modelos ML tanto en dispositivos perimetrales como en la nube. El desarrollo y la implementación del modelo de seguimiento es fundamental para garantizar que los algoritmos se comporten como se espera en la naturaleza. Demostraremos un ejemplo de una canalización completa utilizando herramientas que han funcionado bien para nuestro equipo. El ejemplo es una arquitectura modular con funcionalidad dividida en cinco pasos principales. Estos pasos incluyen:

1. Almacenamiento de datos y E/S
2. Procesamiento de datos
3. Modelo de desarrollo
4. Seguimiento de modelos
5. Implementación del modelo

Consideraciones para el desarrollo de tuberías

La construcción de una canalización de MLOps conlleva innumerables compensaciones para equilibrar la estructura y la flexibilidad. Al seleccionar las mejores herramientas para nuestros clientes, nos guiamos por dos principios fundamentales:

1. Las abstracciones de código para herramientas de terceros deben ser simples, consistentes y bien documentadas.
2. Ninguna plataforma única tiene la mejor de todas las soluciones, y las nuevas funciones están disponibles con frecuencia. Debemos mantener una canalización flexible capaz de intercambiar plataformas de terceros.

Por último, se debe reconocer que no hay una sola forma de construir una canalización de MLOps. Hay muchas herramientas increíbles que pueden ayudar a desarrollar y rastrear modelos ML. ¡Esperamos que este canal de ejemplo le brinde un buen lugar para comenzar y lo aliente a buscar los métodos que mejor se adapten a su proyecto!

Una serie de blogs para mostrar nuestro proceso

En esta serie de publicaciones de blog, examinaremos más de cerca cada uno de los cinco pilares centrales de la canalización de MLOps en el contexto de un proyecto de ejemplo que clasifica imágenes de glóbulos blancos por tipo de célula. Y con eso, echemos un vistazo al almacenamiento de datos ...

Aprendizaje automático en Edge Analytics

Edge Analytics ayuda a las empresas a crear soluciones MLOps para sus casos de uso específicos. En términos más generales, nos especializamos en ciencia de datos, aprendizaje automático y desarrollo de algoritmos tanto en el perímetro como en la nube. Brindamos soporte de extremo a extremo a lo largo del ciclo de vida de un producto, desde prototipos exploratorios rápidos hasta algoritmos de inteligencia artificial/aprendizaje automático a nivel de producción. Nos asociamos con nuestros clientes, que van desde compañías Fortune 500 hasta nuevas empresas innovadoras, para convertir sus ideas en realidad. ¿Tienes un problema difícil en mente? Póngase en contacto en [email protected] .