In Edge Analytics , ci sforziamo di sviluppare applicazioni di machine learning che siano trasparenti e riproducibili. I progetti di machine learning sono spesso composti da molte parti e le soluzioni software rapidamente disponibili per la gestione di queste parti sono chiamate collettivamente Machine Learning Operations (MLOps).

Abbiamo scoperto che investire nell'infrastruttura MLOps accelera la nostra capacità di estrarre informazioni significative per i problemi che risolviamo. Una solida infrastruttura MLOps ottimizza i nostri tempi di iterazione e aumenta la nostra fiducia nei modelli che sviluppiamo per i clienti. In questa serie di blog, discuteremo un esempio di pipeline MLOps utilizzando alcuni dei nostri strumenti preferiti.

Come utilizziamo MLOps in Edge Analytics

Il nostro team sviluppa e distribuisce modelli ML sia sui dispositivi edge che sul cloud. Il monitoraggio dello sviluppo e della distribuzione del modello è fondamentale per garantire che gli algoritmi si comportino come previsto in natura. Dimostreremo un esempio di una pipeline completa utilizzando strumenti che hanno funzionato bene per il nostro team. L'esempio è un'architettura modulare con funzionalità suddivise in cinque fasi principali. Questi passaggi includono:

1. Archiviazione dati e I/O
2. Elaborazione dati
3. Sviluppo del modello
4. Monitoraggio del modello
5. Modello di distribuzione

Considerazioni per lo sviluppo della pipeline

La creazione di una pipeline MLOps comporta innumerevoli compromessi per bilanciare struttura e flessibilità. Nella selezione degli strumenti migliori per i nostri clienti, siamo guidati da due principi fondamentali:

1. Le astrazioni del codice per gli strumenti di terze parti devono essere semplici, coerenti e ben documentate.
2. Nessuna singola piattaforma offre la migliore di tutte le soluzioni e sono spesso disponibili nuove funzionalità. Dovremmo mantenere una pipeline flessibile in grado di scambiare piattaforme di terze parti.

Infine, va riconosciuto che non esiste un modo per creare una pipeline MLOps. Esistono molti strumenti incredibili che possono aiutare a sviluppare e monitorare i modelli ML. Ci auguriamo che questa pipeline di esempio ti offra un buon punto di partenza e ti incoraggi a cercare i metodi più adatti al tuo progetto!

Una serie di blog per mostrare il nostro processo

In questa serie di post del blog, esamineremo più da vicino ciascuno dei cinque pilastri centrali della pipeline MLOps nel contesto di un progetto di esempio che classifica le immagini dei globuli bianchi per tipo di cellula. E con questo, diamo un'occhiata all'archiviazione dei dati ...

Apprendimento automatico presso Edge Analytics

Edge Analytics aiuta le aziende a creare soluzioni MLOps per i loro casi d'uso specifici. Più in generale, siamo specializzati in data science, machine learning e sviluppo di algoritmi sia nell'edge che nel cloud. Forniamo supporto end-to-end per tutto il ciclo di vita di un prodotto, dai prototipi esplorativi rapidi agli algoritmi AI/ML a livello di produzione. Collaboriamo con i nostri clienti, che vanno dalle aziende Fortune 500 alle startup innovative, per trasformare le loro idee in realtà. Hai in mente un problema difficile? Mettiti in contatto con [email protected] .