Le operazioni di apprendimento automatico (MLOps) sono l'uso di modelli di apprendimento automatico da parte dei team di sviluppo / operazioni (DevOps). MLOps cerca di aggiungere disciplina allo sviluppo e all'implementazione di modelli di machine learning definendo processi per rendere lo sviluppo ML più affidabile e produttivo.
Lo sviluppo di modelli di machine learning è intrinsecamente sperimentale e spesso gli errori fanno parte del processo. La disciplina è ancora in evoluzione ed è chiaro che a volte anche un modello di ML di successo potrebbe non funzionare allo stesso modo il giorno successivo. Documentare processi affidabili e creare misure di salvaguardia per ridurre i tempi di sviluppo può creare modelli migliori.
La filosofia di sviluppo MLOps è utilizzata da chi sviluppa modelli di machine learning, da chi li distribuisce e da chi gestisce l'infrastruttura che li supporta. Le pratiche standard per MLOps includono:
- A partire dall'API del prodotto esistente dai servizi AI esistenti.
- Adottare un approccio modulare.
- Esecuzione dello sviluppo di modelli paralleli, dimezzando i problemi se un singolo modello fallisce.
- Avere modelli pre-addestrati pronti per mostrare la prova del concetto.
- Gli algoritmi generalizzati che mostrano un certo successo possono essere ulteriormente addestrati per il loro compito specifico.
- Colmare le lacune nei dati di addestramento con origini dati pubblicamente disponibili.
- Prendersi del tempo per sviluppare un'IA generalizzata al fine di ampliare le opportunità.
Il personale è una parte importante e stimolante dello sviluppo di MLOps. Questo perché gli stessi data scientist responsabili dello sviluppo di algoritmi di apprendimento automatico potrebbero non essere i più efficaci nel distribuirli o nel spiegare agli sviluppatori software come utilizzarli. Alcuni dei migliori team MLOps abbracciano l'idea della diversità cognitiva, l'inclusione di persone che hanno diversi stili di risoluzione dei problemi e possono offrire prospettive uniche perché pensano in modo diverso.