Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Pianificazione di MLOPs di successo
Bruno Klein, Amazon Web Services (AWS)
Dicembre 2021 (cronologia dei documenti)
L'implementazione di soluzioni di machine learning (ML) in produzione introduce molte sfide che non si presentano nei progetti di sviluppo software standard. Le soluzioni ML sono prima di tutto più complesse e difficili da realizzare. Esistono anche in ambienti generalmente volatili, in cui la distribuzione dei dati varia notevolmente nel tempo per una serie di motivi previsti e inaspettati.
Questi problemi sono ulteriormente aggravati dal fatto che molti professionisti del machine learning non provengono da un background di ingegneria del software, quindi potrebbero non avere familiarità con le migliori pratiche di questo settore, come la scrittura di codice testabile, la modularizzazione dei componenti e l'uso efficace del controllo delle versioni. Queste sfide creano un debito tecnico e le soluzioni diventano più complesse e difficili da mantenere nel tempo, grazie a un effetto di composizione, per i team ML.
Questa guida elenca le best practice delle operazioni ML (MLOP) che aiutano a mitigare queste sfide nei progetti e nei carichi di lavoro di ML.
Poiché gli MLOPS sono una preoccupazione trasversale
Risultati di business mirati
L'implementazione di modelli ML in produzione è un'attività che richiede uno sforzo continuo e un team dedicato per mantenere queste risorse per tutta la loro durata (in alcuni casi, anche anni). I modelli ML possono sfruttare un valore considerevole dai dati aziendali, ma hanno costi elevati. Per ridurre al minimo i costi, le aziende dovrebbero seguire le buone pratiche nello sviluppo di software e nella scienza dei dati. Dovrebbero essere consapevoli delle sfumature dei sistemi ML, come la deriva dei dati, che fa sì che i modelli funzionino in modo inaspettato dopo un po' di tempo. Essendo consapevoli di queste preoccupazioni, le aziende possono raggiungere i propri obiettivi aziendali in modo sicuro e agile a breve e lungo termine.
Esistono diversi tipi di modelli di ML e i settori a cui si rivolgono presentano diversi tipi di attività di ML e problemi aziendali, quindi è necessario considerare una serie diversa di preoccupazioni per ciascun modello e settore. Le pratiche illustrate in questa guida non sono specifiche per un modello o un'azienda, ma si applicano a un'ampia gamma di modelli e settori per migliorare i tempi di implementazione, generare maggiore produttività e rafforzare la governance e la sicurezza.
Mettere i modelli in produzione è un'attività multidisciplinare che richiede data scientist, ingegneri di apprendimento automatico, ingegneri dei dati e ingegneri del software. Quando crei il tuo team di ML, ti consigliamo di concentrarti su queste competenze e background.
