Estás leyendo la publicación: Modelo de madurez de MLOps: un punto de referencia para modelos efectivos de ML en producción
Los modelos de madurez de MLOps se utilizan para interpretar los modelos que se toman para la producción y analizar su dependencia de confiabilidad para el modelo en uso y su capacidad de escalamiento eficiente. Los modelos de madurez se pueden utilizar como métrica de evaluación o como puntuación para evaluar el modelo MLOps en producción y su capacidad dinámica para adaptarse al entorno de producción. En este artículo, intentemos comprender cómo los modelos de madurez de MLOps juegan un papel clave en los entornos de producción y su capacidad para adaptarse a la producción de modelos.
Tabla de contenido
- Introducción a MLOps
- ¿Qué se entiende por modelo de madurez de MLOps?
- Jerarquía operativa del modelo de madurez de MLOps
- Ventajas de los modelos de madurez de MLOps
- Resumen
Introducción a MLOps
MLOps abrevia para Machine Learning Operations y es una funcionalidad central de Machine Learning que se enfoca en optimizar los modelos desarrollados en producción. MLOps también facilita que los modelos en desarrollo se evalúen fácilmente para varios parámetros de rendimiento y los supervisen en consecuencia. Como se muestra en la imagen de arriba, todo el enfoque de MLOps se puede dividir en tres conjuntos de operaciones. Son los siguientes.
i) Aprendizaje automático (ML) es la etapa que implica la adquisición de datos, la preparación de datos y el modelado inicial. Esta fase de MLOps tiene como objetivo desarrollar un modelo para la declaración del problema.
ii) Desarrollo (DEV) es la etapa de MLOps que se enfoca en probar los modelos para su implementación e integrar el modelo en las canalizaciones. La creación e integración de canalizaciones de CI/CD se abordan en esta fase.
iii) Operaciones (OPS) es la etapa que monitorea la máquina después de pasar por la fase de desarrollo. El modelo se pone en producción y se supervisa continuamente su rendimiento y varios parámetros.
¿Está buscando un repositorio completo de bibliotecas de Python utilizadas en ciencia de datos, echa un vistazo aquí.
Muchas organizaciones utilizan MLOps por su eficiencia operativa y principalmente porque asegura un seguimiento continuo de los modelos en producción. MLOps también facilita la escalabilidad horizontal del modelo fácilmente y el manejo eficiente de las tuberías es posible a través de MLOps. Con esta comprensión de MLOps, ahora intentemos analizar qué son los modelos de madurez de MLOPS.
¿Qué se entiende por modelo de madurez de MLOps?
El modelo de madurez de MLOps en el ciclo de MLOps es el modelo utilizado entre las fases de Desarrollo y Operación. Los modelos de madurez de MLOps se enfocan en manejar los principios y prácticas obligatorias de los modelos de MLOps de manera eficiente. Cuando consideramos la creación de la canalización de CI/CD en la fase de desarrollo, los modelos de madurez muestran su capacidad dinámica para adaptarse a los parámetros de la canalización. Los modelos de madurez también tienen la capacidad de adaptarse sin problemas a los cambios en el modelado y mostrar una mejora continua en la creación y operación de un modelo que está en producción.
La madurez de MLOps también beneficia a la organización para identificar la diferencia significativa en la brecha entre el entorno del modelo actual y el entorno real requerido para el modelo que se desarrolla. Así, utilizando las puntuaciones obtenidas de los modelos de madurez, las organizaciones pueden mejorar adecuadamente los modelos y desarrollarlos de forma adecuada al entorno. Entonces, a medida que aumenta la puntuación del modelo de madurez, aumenta la calidad del modelo desarrollado junto con una mayor eficiencia y confiabilidad del modelo en producción.
Jerarquía operativa del modelo de madurez de MLOps
El modelo de madurez de MLOps opera completamente en 5 niveles con diferentes responsabilidades y funcionalidades para cada capa de operación. Todos los niveles de los modelos de madurez MLOPS operan en 3 principios del ciclo MLOps. Entonces, tratemos de comprender la jerarquía operativa de los modelos de madurez de MLOps y cómo se maneja el principio de MLOPS en cada nivel de operación.
Nivel 0: Sin MLOps
Tratemos de entender cómo este modelo de nivel de madurez maneja los tres principios fundamentales. El primer principio es creación de modelos donde los datos se recogen de forma manual y adecuadamente preprocesada. Una vez que los datos son eficientes, se desarrolla un modelo ficticio para evaluar ciertas predicciones. El segundo principio es el lanzamiento de modelo donde el guión de puntuación del modelo se escribe manualmente después de ciertos experimentos y se usa principalmente para validar los datos disponibles. El tercer principio es integración de aplicaciones donde los modelos se publican manualmente y dependen en gran medida de las interpretaciones de los científicos de datos del modelo desarrollado. Entonces, en general, este nivel implica básicamente la recopilación de datos y el desarrollo del modelo, pero no se toma el control del modelo.
Nivel 1: DevOps sin MLOps
Tratemos de entender este nivel con respecto a tres principios estándar. El primer principio es creación de modelos donde las tuberías tendrán la capacidad de recopilar los datos automáticamente y los parámetros del modelo serán rastreados y monitoreados solo un número menor de veces. El segundo principio es el lanzamiento de modelo donde se evalúan los modelos en proceso y se escriben las puntuaciones y se transmiten al equipo de ingenieros de software. El tercer principio es integración de aplicaciones donde los modelos desarrollados se tomarán para varias pruebas, como integración y pruebas unitarias, y se evaluarán adecuadamente de acuerdo con los principios de prueba de software.
Nivel 2: Entrenamiento Automatizado
Tratemos de entender este nivel con respecto a tres principios estándar. El primer principio es creación de modelos que es responsable de recopilar datos automáticamente de la tubería. Aquí los modelos desarrollados son monitoreados y validados continuamente. El segundo principio es el lanzamiento de modelo donde los modelos se liberan manualmente y los parámetros del modelo se evalúan continuamente con ciertos parámetros de prueba. El tercer principio es integración de aplicaciones donde el modelo desarrollado se tomará para varias pruebas, como integración y pruebas unitarias, y se evaluará adecuadamente de acuerdo con los principios de prueba de software.
Nivel 3: Despliegue Automatizado de Modelos
Tratemos de entender este nivel con respecto a tres principios estándar. El primer principio es creación de modelos que se encarga de modelar y gestionar de forma eficaz los modelos creados. Aquí, tanto el código del modelo de entrenamiento como los parámetros del modelo resultante se manejan de manera eficiente. El segundo principio es el lanzamiento de modelo donde el rendimiento del modelo está programado en función de los resultados de las pruebas y está completamente administrado por las canalizaciones de CI/CD. El tercer principio es integración de aplicaciones donde los modelos son monitoreados y desplegados en forma de una aplicación y el modelo desplegado será monitoreado sobre la base de principios de pruebas de software.
Nivel 4: MLOps completo Reentrenamiento automatizado
Tratemos de entender este nivel con respecto a tres principios estándar. El primer principio es creación de modelos el cual se encarga de disparar el modelo para el reentrenamiento con respecto al feedback recibido luego de monitorear continuamente el modelo que está presente en producción. El segundo principio es el lanzamiento de modelo donde las métricas del modelo se programan después de recibir el monitoreo en la canalización y el modelo se vuelve a entrenar en consecuencia. El tercer principio es integración de aplicaciones donde el modelo solo se evalúa y monitorea continuamente a través de pruebas unitarias y principios de prueba de software.
Así es como el modelo de madurez de MLOps opera en 5 capas diferentes y trata de madurar los modelos desarrollados en producción de manera sensata. Los modelos de madurez de MLOps básicamente arrojan ciertos parámetros después del procesamiento a través de las 5 capas y esos parámetros pueden considerarse como retroalimentación del modelo presente en la producción. Posteriormente, de acuerdo con los comentarios recibidos, los modelos se pueden volver a entrenar en consecuencia para obtener un rendimiento óptimo del modelo y este proceso se monitorea continuamente para garantizar la confiabilidad del modelo en producción.
Ventajas de los modelos de madurez de MLOps
Como se mencionó anteriormente en este artículo, los modelos de madurez de MLOps se enfocan en obtener un modelo eficiente y óptimo en producción que se mejora, integra y desarrolla continuamente en el ciclo de vida para obtener los resultados requeridos en el entorno. Ahora veamos algunas de las principales ventajas de los modelos de madurez de MLOps.
i) Toma de decisiones óptima se puede garantizar mediante el uso de modelos de madurez de MLOps que se supervisan y se vuelven a capacitar continuamente de acuerdo con los comentarios y los entornos. Entonces, a partir de los modelos en producción, es posible una toma de decisiones óptima.
ii) Agilidad asegurada lo que permite que los modelos de madurez se implementen en varias plataformas y entre modelos para validar los parámetros de madurez y obtener un modelo óptimo que se pueda usar en producción.
iii) Mejor análisis predictivo se puede esperar de los modelos de madurez, ya que los modelos de madurez se monitorean y renuevan continuamente de acuerdo con los requisitos del entorno. Por lo tanto, se pueden obtener predicciones mejores y correctas mediante los modelos de madurez.
iv) Monitoreo continuo de modelos de madurez nos ayudan a tener un modelo sensato y completamente confiable en producción. Por lo tanto, la operación continua y la confiabilidad continua del modelo en producción están aseguradas a través de modelos de madurez.
Resumen
MLOps se enfoca principalmente en simplificar el modelo en producción y los modelos de madurez de MLOps facilitan la disponibilidad de modelos confiables y estables en producción. Los modelos de madurez brindan ciertos parámetros que pueden validarse con los modelos desarrollados y usarse en consecuencia para volver a entrenar el modelo en producción y obtener un modelo más robusto. El modelado de madurez también se beneficia en la obtención de modelos eficientes con confiabilidad a largo plazo, ya que tiene la capacidad de adaptarse dinámicamente de acuerdo con los requisitos del entorno.
