मशीन लर्निंग ऑपरेशन - Machine Learning Operations (MLOps)

मशीन लर्निंग ऑपरेशन (एमएलओपी) प्रथाओं का एक समूह है जो मशीन लर्निंग (एमएल) को मूल रूप से विकसित करने और बनाए रखने को जोड़ती है। एक कृत्रिम बुद्धिमत्ता (AI) उत्पाद के जीवनचक्र को ठीक से प्रबंधित करने और छोटा करने के लिए डेटा वैज्ञानिकों और मशीन सीखने के संचालन पेशेवरों के बीच विश्वसनीय संचार और सहयोग स्थापित करना लक्ष्य है। MLOps के तीन मुख्य घटक मशीन लर्निंग, DevOps (IT), और डेटा इंजीनियरिंग हैं।

यह प्राप्त करता है कि स्वचालन को जितनी बार संभव हो लागू करना, उत्पाद की गुणवत्ता में सुधार और व्यापार और बाजार की आवश्यकताओं को पूरा करने के बीच संतुलन पर समझौता करना।

MLOps उन्हीं सिद्धांतों पर काम करता है जो DevOps चलाते हैं। सॉफ्टवेयर डेवलपर्स (देव) और आईटी ऑपरेशन टीमों के अलावा, MLOps में डेटा वैज्ञानिक और एमएल इंजीनियर शामिल हैं। परिणाम एक निरंतर उत्पादन लूप है जो एमएलओपीएस सेगमेंट में डेटा एकत्र करने और मॉडलिंग के साथ शुरू होता है।

वर्कफ़्लो तब देवों के लिए आगे बढ़ता है, जहाँ वे उत्पाद के सत्यापन और पैकेजिंग को संभालने से पहले उसे जारी करने, कॉन्फ़िगर करने और परिणाम की निगरानी करने के लिए आईटी ऑपरेशंस टीम को भेजते हैं। लूप जारी रहता है क्योंकि फीडबैक का उपयोग मशीन में एक नया अपडेट बनाने और डेटा विशेषज्ञों के पास वापस जाने के लिए किया जाता है।

MLOps ध्यान देने योग्य परिणाम उत्पन्न करने में सक्षम है क्योंकि यह डेटा वैज्ञानिकों और एमएल इंजीनियरों, और devs और IT टीमों के बीच अंतर को पाटता है। MLOps को इस ज्ञान के साथ विकसित किया गया था कि सभी डेटा वैज्ञानिक और ML इंजीनियर प्रोग्रामिंग भाषाओं और IT कार्यों में अनुभव नहीं करते हैं। लेकिन पुराने मॉडल के बजाय, जहां एमएल विकास में हर वर्ग स्वतंत्र है, MLOps तीन विभागों के बीच एक निरंतर प्रतिक्रिया लूप बनाता है, जिससे तेजी से विकास चक्र और उच्च उत्पाद की गुणवत्ता को सक्षम किया जाता है, जबकि सभी पेशेवरों को केवल इस बात पर ध्यान केंद्रित करने की अनुमति मिलती है कि वे पुराने के बजाय सबसे अच्छा क्या जानते हैं स्पेक्ट्रम के विपरीत छोर पर कौशल सीखना।

एआई-सापेक्ष अनुप्रयोगों को विकसित करने में एमएल एक आवश्यक भूमिका निभाता है। जैसे ही ML का उचित उपयोग AI अनुप्रयोगों को बढ़ने और अर्ध-स्वचालित रूप से विकसित करने में मदद करता है, MLOps शुरू से अंत तक पूरी प्रक्रिया को स्वचालित करने का एक अनिवार्य हिस्सा बन गया, जिससे कंपनियां अपने संसाधनों का अधिकतम उपयोग कर सकें। वास्तविक रूप से, विकास और परिनियोजन प्रक्रिया को स्वचालित करने की क्षमता के बिना, AI का उपयोग नहीं किया जा सकता है।

MLOps में पाँच मानक अभ्यास हैं जो एक सफल कार्यान्वयन के लिए आवश्यक हैं:

1. एमएल पाइपलाइन: पाइपलाइन वह संरचना है जहां डेटा को निकाला जाता है, रूपांतरित किया जाता है, और लोड किया जाता है। वे MLOps में आवश्यक हैं क्योंकि डेटा को लगातार विभिन्न आकृतियों और प्रारूपों में बदलना पड़ता है।

2. निगरानी: क्योंकि मशीन लर्निंग गणितीय कार्यों का उपयोग करता है और निर्देशों का स्पष्ट सेट नहीं, निरंतर निगरानी सुनिश्चित करता है कि सब कुछ योजना के अनुसार हो रहा है।

3. सह-टीम संचालन: डेटा वैज्ञानिकों और DevOps टीमों के बीच ज्ञान और कौशल के अंतराल को पाटने के लिए, परस्पर टीमों की आवश्यकता होती है। एक ही टीम या सह-टीमों में काम करने से डेटा वैज्ञानिकों और डेवलपर्स को बेहतर संवाद करने और अपने सामान्य लक्ष्यों को प्राप्त करने की अनुमति मिलती है।

4. वर्जनिंग: एमएल में, वर्जनिंग कोड के अलावा, अन्य तत्वों को भी ट्रैक करने और बदलने की आवश्यकता होती है, जैसे कि प्रशिक्षण डेटा, मेटा-सूचना और मॉडल संस्करण।

5. मान्यता: विकास के दौरान परीक्षण को अंतिम उत्पाद और इसके अलग-अलग तत्वों दोनों पर प्रदर्शन करने की आवश्यकता होती है। MLOps में, अधिकांश परीक्षणों को लक्ष्य-उन्मुख के बजाय प्रकृति में सांख्यिकीय होने की आवश्यकता होती है, क्योंकि MLOps जीवनचक्र के अधिकांश व्यक्तिगत तत्व पूर्ण परिणाम नहीं दे सकते हैं।

अभी भी, लगभग 15% व्यवसायों ने 2020 में अपने नियमित संचालन में MLOps और AI का उपयोग करने की सूचना दी है। MLOps की उच्च विफलता दर है जब इसे ठीक से लागू नहीं किया जाता है, सबसे आम कारण है खराब स्टाफ संचार और विभागों के बीच संगतता की कमी। । अन्य कारकों में स्केल, जटिल निगरानी और प्रबंधन प्रक्रियाओं, स्वचालन और डायग्नोस्टिक्स के मुद्दों और मॉडल और परिणामों की कम प्रतिलिपि प्रस्तुत करने की कठिनाई शामिल है। इनमें से कुछ समस्याओं से निपटने के लिए MLOps के सफल कार्यान्वयन को सुनिश्चित करने के लिए नए व्यवसाय विकसित हो रहे हैं।

लेकिन एक ठीक से डिजाइन और कार्यान्वित MLOps संरचना उत्पादन चक्र को निगरानी और स्वचालन प्रणाली के रूप में अनुप्रयोग विकास के शुरुआती चरणों से लेकर अनुपालन और अद्यतनों तक ले सकती है। यह कैसे लागू हो जाता है इसके आधार पर, MLOps का उपयोग डेटा वैज्ञानिकों, सॉफ्टवेयर डेवलपर्स, अनुपालन टीमों, डेटा इंजीनियरों, एमएल शोधकर्ताओं, और व्यावसायिक नेताओं के लिए किया जा सकता है।