Chez Edge Analytics , nous nous efforçons de développer des applications d'apprentissage automatique transparentes et reproductibles. Les projets d'apprentissage automatique sont souvent composés de plusieurs parties, et les solutions logicielles rapidement disponibles pour gérer ces parties sont collectivement appelées Machine Learning Operations (MLOps).

Nous avons constaté qu'investir dans l'infrastructure MLOps accélère notre capacité à extraire des informations significatives pour les problèmes que nous résolvons. Une infrastructure MLOps robuste optimise notre temps d'itération et augmente notre confiance dans les modèles que nous développons pour nos clients. Dans cette série de blogs, nous discuterons d'un exemple de pipeline MLOps utilisant certains de nos outils préférés.

Comment nous utilisons les MLOps chez Edge Analytics

Notre équipe développe et déploie des modèles ML sur les appareils périphériques et le cloud. Le suivi du développement et du déploiement des modèles est essentiel pour garantir que les algorithmes se comportent comme prévu dans la nature. Nous allons montrer un exemple de pipeline complet utilisant des outils qui ont bien fonctionné pour notre équipe. L'exemple est une architecture modulaire avec des fonctionnalités divisées en cinq étapes principales. Ces étapes comprennent :

1. Stockage de données et E/S
2. Traitement de l'information
3. Développement d'un modèle
4. Suivi du modèle
5. Déploiement du modèle

Considérations pour le développement du pipeline

La construction d'un pipeline MLOps s'accompagne d'innombrables compromis pour équilibrer la structure et la flexibilité. Dans la sélection des meilleurs outils pour nos clients, nous sommes guidés par deux grands principes :

1. Les abstractions de code pour les outils tiers doivent être simples, cohérentes et bien documentées.
2. Aucune plate-forme n'a la meilleure de toutes les solutions, et de nouvelles fonctionnalités sont fréquemment disponibles. Nous devons maintenir un pipeline flexible capable d'échanger des plates-formes tierces.

Enfin, il faut reconnaître qu'il n'y a pas qu'une seule façon de construire un pipeline MLOps. Il existe de nombreux outils incroyables qui peuvent aider à développer et à suivre les modèles ML. Nous espérons que cet exemple de pipeline vous donne un bon point de départ et vous encourage à rechercher les méthodes qui servent le mieux votre projet !

Une série de blogs pour présenter notre processus

Au cours de cette série d'articles de blog, nous examinerons de plus près chacun des cinq piliers centraux du pipeline MLOps dans le contexte d'un exemple de projet classant les images de globules blancs par type de cellule. Et sur ce, intéressons-nous au stockage des données …

Apprentissage automatique chez Edge Analytics

Edge Analytics aide les entreprises à créer des solutions MLOps pour leurs cas d'utilisation spécifiques. Plus largement, nous nous spécialisons dans la science des données, l'apprentissage automatique et le développement d'algorithmes à la fois en périphérie et dans le cloud. Nous fournissons une assistance de bout en bout tout au long du cycle de vie d'un produit, des prototypes exploratoires rapides aux algorithmes d'IA/ML au niveau de la production. Nous travaillons en partenariat avec nos clients, qui vont des entreprises du Fortune 500 aux startups innovantes, pour concrétiser leurs idées. Vous avez un problème difficile à l'esprit? Contactez-nous à [email protected] .