В Edge Analytics мы стремимся разрабатывать прозрачные и воспроизводимые приложения машинного обучения. Проекты машинного обучения часто состоят из множества частей, и быстродоступные программные решения для управления этими частями в совокупности называются операциями машинного обучения (MLOPs).

Мы обнаружили, что инвестиции в инфраструктуру MLOps ускоряют нашу способность извлекать ценную информацию для решения проблем, которые мы решаем. Надежная инфраструктура MLOps оптимизирует время итерации и повышает доверие к моделям, которые мы разрабатываем для клиентов. В этой серии блогов мы обсудим пример конвейера MLOps с использованием некоторых из наших любимых инструментов.

Как мы используем MLOps в Edge Analytics

Наша команда разрабатывает и развертывает модели машинного обучения как на периферийных устройствах, так и в облаке. Отслеживание разработки и развертывания модели имеет решающее значение для обеспечения ожидаемого поведения алгоритмов в реальных условиях. Мы продемонстрируем один пример полного конвейера с использованием инструментов, которые хорошо зарекомендовали себя в нашей команде. Пример представляет собой модульную архитектуру, функциональность которой разбита на пять основных этапов. Эти шаги включают в себя:

1. Хранение данных и ввод-вывод
2. Обработка данных
3. Разработка модели
4. Отслеживание модели
5. Развертывание модели

Рекомендации по разработке конвейера

Создание конвейера MLOps сопряжено с бесчисленными компромиссами для балансировки структуры и гибкости. При выборе лучших инструментов для наших клиентов мы руководствуемся двумя основными принципами:

1. Абстракции кода для сторонних инструментов должны быть простыми, последовательными и хорошо документированными.
2. Ни одна платформа не может предложить лучшее из всех решений, и часто доступны новые функции. Мы должны поддерживать гибкий конвейер, способный обмениваться сторонними платформами.

Наконец, следует признать, что нет единого способа построить конвейер MLOps. Существует множество невероятных инструментов, которые могут помочь в разработке и отслеживании моделей машинного обучения. Мы надеемся, что этот пример конвейера послужит вам хорошей отправной точкой и побудит вас искать методы, которые лучше всего подходят для вашего проекта!

Серия блогов для демонстрации нашего процесса

В этой серии сообщений в блоге мы более подробно рассмотрим каждый из пяти основных компонентов конвейера MLOps в контексте примерного проекта, классифицирующего изображения лейкоцитов по типу клеток. И на этом давайте взглянем на хранилище данных …

Машинное обучение в Edge Analytics

Edge Analytics помогает компаниям создавать решения MLOps для конкретных случаев использования. В более широком смысле мы специализируемся на науке о данных, машинном обучении и разработке алгоритмов как на периферии, так и в облаке. Мы предоставляем сквозную поддержку на протяжении всего жизненного цикла продукта, от быстрых исследовательских прототипов до алгоритмов искусственного интеллекта и машинного обучения на уровне производства. Мы сотрудничаем с нашими клиентами, от компаний из списка Fortune 500 до инновационных стартапов, чтобы воплотить их идеи в жизнь. У вас есть сложная проблема? Свяжитесь с нами по адресу [email protected] .