کسایی که با فرایند های یادگیری ماشین در محیط واقعی کار کردن یا اصلا برای دل خودشون مدلی آموزش دادند حتما با این چالش ها برخورد کردند. که مثلا هایپرپارامترهایی رو تغییر دادن و بعد یادشون رفته کدوم مدل با کدوم هایپرپارامتر چه درصدی بهشون داده یا اون هایپرپارامتر های چی بودن. یا برای دیتاست هاشون ورژنی نداشتن و نمیدونستن دیتای جدید که اضافه کردن رو جدا کنن یا مجبور بودن چندین کپی از دیتا های تکراری نگهدارن. یا وقتی با کس دیگه کار میکردن داده هاشون با هم سینک نبوده و هزاران مشکل دیگه.
درواقع Machine Learning operation برای این مشکلات راه حل میده و میگه همونجوری که ما در گذشته مهندسی نرم افزار نداشتم و با اومدن مهندسی نرم افزار و راه حل هاش مثل version control کلی از مشکلات برنامه نویس ها حل کرد. Mlops و داشتن یه چرخه اتوماتیک باعث حل کلی از مشکلات میشه.
به صورت کلی MLOps داشتن یک Lifecycle منظم برای مراحل مختلف لرنینگ هست.
میشه گفت که از ترکیب ۳ حوزه پایین ایجاد شده:
فاکتور هایی که باید در نظر داشته باشیم در مسیر آموزش یک مدل و منتشر کردنش:
قابل تکرار بودن (Reproducible)
به این معنی که تمام مسیر قابل تکرار کردن باشه, یعنی اگه ۹ ماه بعد خودت برگردی بهش یا یه فرد دیگه هم بتونه train کنه و به همون درصد و درستی که گزارش شده برسه.
پاسخگو! (Accountable)
ورژن های مختلف از داده ها مشخص باشه.
ماندگار! (Continuous)
به صورت اتوماتیک بشه deploy و monitor بشه.
مبتنی بر همکاری! (Collaborative)
ویژن کنترلی مثل گیت داشته باشیم که بشه چندین نفر روی پروژه کارکنیم. البته اینجا یه فضایی هم برای داده ها نیاز داریم.
یه سری ابزارها هستن که این مشکلات را حل می کنند:
خودم تجربه خوبی در استفاده از google cloud داشتم و در حال امتحان کرد بقیه ابزار ها هستم و باهاتون تجربه استفاده ازشون به اشتراک می‌ذارم.
این مطلب خلاصه از مطالبی است در کورس Machine Learning Fundamentals
