MLOps คืออะไร
การดำเนินงานแมชชีนเลิร์นนิง (MLOps) เป็นชุดของแนวทางปฏิบัติที่ทำให้เวิร์กโฟลว์และการนำแมชชีนเลิร์นนิง (ML) ไปใช้งานจริง เป็นไปโดยอัตโนมัติและลดความยุ่งยากลง แมชชีนเลิร์นนิงและปัญญาประดิษฐ์ (AI) เป็นความสามารถหลักที่คุณสามารถปรับใช้เพื่อแก้ปัญหาที่ซับซ้อนในโลกความเป็นจริงและสร้างคุณค่าให้กับลูกค้าของคุณ MLOps เป็นวัฒนธรรม ML และแนวทางปฏิบัติที่รวมการพัฒนาแอปพลิเคชัน ML (Dev) เข้ากับการนำระบบ ML ไปใช้งานจริงและการดำเนินงาน (Ops) องค์กรของคุณสามารถใช้ MLOps เพื่อทำให้กระบวนการทำงานเป็นอัตโนมัติและเป็นมาตรฐานเดียวกันตลอดวงจรของ ML กระบวนการเหล่านี้รวมถึงการพัฒนาโมเดล การทดสอบ การผสานรวม การเปิดตัว และการจัดการโครงสร้างพื้นฐาน
เหตุใดจึงต้องใช้ MLOps
ในระดับสูง ในการเริ่มต้นวงจรของแมชชีนเลิร์นนิงนั้น โดยทั่วไปแล้ว องค์กรของคุณจะต้องเริ่มต้นด้วยการเตรียมข้อมูล คุณจะดึงข้อมูลหลากหลายประเภทจากแหล่งที่มาต่างๆ และดำเนินกิจกรรมต่างๆ เช่น การรวมกลุ่ม การล้างข้อมูลซ้ำ และกระบวนการสร้างฟีเจอร์ใหม่
หลังจากนั้น คุณจะใช้ข้อมูลเพื่อฝึกและตรวจสอบโมเดล ML จากนั้น คุณสามารถนำโมเดลที่ผ่านการฝึกและตรวจสอบแล้วไปใช้งานจริงโดยเป็นบริการคาดการณ์ที่แอปพลิเคชันอื่นๆ สามารถเข้าถึงได้ผ่าน API
การวิเคราะห์ข้อมูลเชิงสำรวจมักกำหนดให้คุณต้องทดลองใช้โมเดลต่างๆ จนกว่าโมเดลในเวอร์ชันที่ดีที่สุดจะพร้อมสำหรับการนำไปใช้จริง ซึ่งทำให้ต้องมีการนำเวอร์ชันของโมเดลไปใช้งานบ่อยครั้งและมีการกำหนดเวอร์ชันข้อมูลบ่อยครั้ง การติดตามการทดลองและการจัดการไปป์ไลน์การฝึก ML ถือว่าเป็นสิ่งสำคัญก่อนที่แอปพลิเคชันของคุณจะสามารถผสานรวมหรือใช้โมเดลในโค้ดได้
MLOps มีความสำคัญอย่างยิ่งต่อการจัดการการเปิดตัวโมเดล ML ใหม่พร้อมกันอย่างเป็นระบบซึ่งมีการเปลี่ยนแปลงโค้ดแอปพลิเคชันและข้อมูล การใช้งาน MLOps ที่เหมาะสมที่สุดจะดำเนินการกับแอสเซทของ ML ในลักษณะเดียวกันกับแอสเซทของซอฟต์แวร์สภาพแวดล้อมการผสานรวมและการส่งมอบอย่างต่อเนื่อง (CI/CD) อื่นๆ คุณนำโมเดล ML ไปใช้งานจริงควบคู่ไปกับแอปพลิเคชันและบริการที่โมเดลดังกล่าวใช้ รวมถึงโมเดลที่ใช้งานโดยเป็นส่วนหนึ่งของกระบวนการเผยแพร่แบบรวมศูนย์
MLOps มีหลักการอย่างไร
ในลำดับต่อไป เราจะอธิบายหลักการสำคัญ 4 ประการของ MLOps
การควบคุมเวอร์ชัน
กระบวนการนี้เกี่ยวข้องกับการติดตามการเปลี่ยนแปลงในแอสเซทของแมชชีนเลิร์นนิง เพื่อให้คุณสามารถสร้างผลลัพธ์และย้อนกลับเป็นเวอร์ชันก่อนหน้าได้หากจำเป็น โค้ดการฝึกอบรม ML หรือข้อกำหนดเฉพาะของโมเดลทุกรายการจะต้องผ่านขั้นตอนการตรวจสอบโค้ด แต่ละขั้นตอนจะได้รับการกำหนดเวอร์ชันเพื่อให้การฝึกโมเดล ML สามารถทำซ้ำและตรวจสอบได้
ความสามารถในการทำซ้ำในเวิร์กโฟลว์ ML มีความสำคัญในทุกขั้นตอน ตั้งแต่การประมวลผลข้อมูลไปจนถึงการนำโมเดล ML ไปใช้จริง ซึ่งหมายความว่าแต่ละขั้นตอนควรให้ผลลัพธ์ที่เหมือนกันหากใช้อินพุตเดียวกัน
ระบบอัตโนมัติ
ทำให้ขั้นตอนต่างๆ ในไปป์ไลน์แมชชีนเลิร์นนิงเป็นไปโดยอัตโนมัติเพื่อให้มั่นใจถึงความสามารถในการทำซ้ำ ความสม่ำเสมอ และความสามารถในการปรับขนาด ซึ่งรวมถึงขั้นตอนตั้งแต่การนำเข้าข้อมูล การประมวลผลล่วงหน้า การฝึกโมเดล และการตรวจสอบความถูกต้องไปจนถึงการนำไปใช้จริง
ต่อไปนี้ปัจจัยบางส่วนที่สามารถทริกเกอร์การฝึกโมเดลอัตโนมัติและการนำไปใช้จริง:
- การส่งข้อความ
- การตรวจติดตามหรือเหตุการณ์ในปฏิทิน
- การเปลี่ยนแปลงข้อมูล
- การเปลี่ยนแปลงโค้ดในการฝึกโมเดล
- การเปลี่ยนแปลงโค้ดของแอปพลิเคชัน
การทดสอบอัตโนมัติช่วยให้คุณค้นพบปัญหาตั้งแต่เนิ่นๆ เพื่อให้สามารถแก้ไขข้อผิดพลาดและเรียนรู้ได้อย่างรวดเร็ว ระบบอัตโนมัติจะมีประสิทธิภาพมากขึ้นด้วย Infrastructure as Code (IaC) คุณสามารถใช้เครื่องมือต่างๆ เพื่อกำหนดและจัดการโครงสร้างพื้นฐานได้ ซึ่งช่วยให้แน่ใจว่าสามารถทำซ้ำได้และนำไปใช้จริงได้อย่างสม่ำเสมอในสภาพแวดล้อมต่างๆ
X อย่างต่อเนื่อง
ระบบอัตโนมัติช่วยให้คุณสามารถรันการทดสอบและนำโค้ดไปใช้งานจริงในไปป์ไลน์ ML ของคุณได้อย่างต่อเนื่อง
ใน MLOps ต่อเนื่องหมายถึง 4 กิจกรรมที่เกิดขึ้นอย่างต่อเนื่องหากมีการเปลี่ยนแปลงใดๆ ก็ตามในระบบ ได้แก่
- การผสานรวมอย่างต่อเนื่องจะขยายการตรวจสอบและการทดสอบโค้ดไปยังข้อมูลและโมเดลในไปป์ไลน์
- การส่งมอบอย่างต่อเนื่องจะนำโมเดลที่ได้รับการฝึกใหม่หรือบริการคาดการณ์โมเดลไปใช้งานจริงโดยอัตโนมัติ
- การฝึกอย่างต่อเนื่องจะฝึกโมเดล ML ซ้ำโดยอัตโนมัติเพื่อนำไปใช้งานจริงอีกครั้ง
- การตรวจติดตามอย่างต่อเนื่องจะเกี่ยวข้องกับการตรวจติดตามข้อมูลและการตรวจติดตามโมเดลโดยใช้ตัวชี้วัดที่เกี่ยวข้องกับธุรกิจ
รูปแบบการกำกับดูแล
การกำกับดูแลเกี่ยวข้องกับการจัดการทุกแง่มุมของระบบ ML ให้มีประสิทธิภาพ คุณควรดำเนินการต่างๆ เพื่อการกำกับดูแล ได้แก่
- ส่งเสริมการทำงานร่วมกันอย่างใกล้ชิดระหว่างนักวิทยาศาสตร์ข้อมูล วิศวกร และผู้มีส่วนร่วมทางธุรกิจ
- ใช้เอกสารที่ชัดเจนและช่องทางการสื่อสารที่มีประสิทธิภาพเพื่อให้แน่ใจว่าทุกคนไปในทิศทางเดียวกัน
- สร้างกลไกเพื่อรวบรวมความคิดเห็นเกี่ยวกับการคาดการณ์โมเดลและฝึกโมเดลซ้ำเพิ่มเติม
- ตรวจสอบว่าข้อมูลที่ละเอียดอ่อนได้รับการปกป้อง การเข้าถึงโมเดลและโครงสร้างพื้นฐานมีความปลอดภัย และปฏิบัติตามข้อกำหนด
นอกจากนี้ยังจำเป็นต้องมีกระบวนการที่มีโครงสร้างเพื่อตรวจสอบ ยืนยัน และอนุมัติโมเดลก่อนที่จะเผยแพร่ด้วย ซึ่งอาจเกี่ยวข้องกับการตรวจสอบเรื่องความเป็นธรรม อคติ และการพิจารณาด้านจริยธรรม
MLOps มีประโยชน์อย่างไรบ้าง
แมชชีนเลิร์นนิงช่วยให้องค์กรวิเคราะห์ข้อมูลและต่อยอดข้อมูลเชิงลึกเพื่อใช้ในการตัดสินใจ อย่างไรก็ตาม แมชชีนเลิร์นนิงเป็นนวัตกรรมและการทดลองแขนงหนึ่งที่มาพร้อมกับความท้าทายในตัวเอง การปกป้องข้อมูลที่ละเอียดอ่อน การมีงบประมาณเพียงเล็กน้อย การขาดแคลนทักษะ และเทคโนโลยีที่พัฒนาอย่างต่อเนื่องเป็นข้อจำกัดที่ทำให้โปรเจ็กต์ไม่สำเร็จ หากไม่มีการควบคุมและคำแนะนำ ค่าใช้จ่ายอาจพุ่งสูงขึ้นอย่างรวดเร็ว และทีมวิทยาศาสตร์ข้อมูลอาจไม่บรรลุผลตามที่ต้องการ
MLOps จัดทำแผนที่เพื่อเป็นแนวทางให้โปรเจ็กต์ ML ประสบความสำเร็จ ไม่ว่าจะมีข้อจำกัดใดก็ตาม ต่อไปนี้ประโยชน์ที่สำคัญส่วนหนึ่งของ MLOps
ออกสู่ตลาดได้เร็วขึ้น
MLOps มอบเฟรมเวิร์กให้กับองค์กรของคุณเพื่อให้บรรลุเป้าหมายด้านวิทยาศาสตร์ข้อมูลอย่างรวดเร็วและมีประสิทธิภาพยิ่งขึ้น นักพัฒนาและผู้จัดการของคุณจะสามารถจัดการโมเดลได้อย่างมีกลยุทธ์และมีความคล่องตัวมากขึ้น วิศวกร ML สามารถจัดเตรียมโครงสร้างพื้นฐานผ่านไฟล์การกำหนดค่าที่เปิดเผยเพื่อให้เริ่มต้นโปรเจ็กต์ได้อย่างราบรื่นยิ่งขึ้น
การสร้างโมเดลและการนำโมเดลไปใช้งานจริงโดยอัตโนมัติส่งผลให้เวลาในการออกสู่ตลาดเร็วขึ้น โดยที่ต้นทุนการดำเนินงานลดลง นักวิทยาศาสตร์ข้อมูลสามารถสำรวจข้อมูลขององค์กรได้อย่างรวดเร็วเพื่อสร้างมูลค่าทางธุรกิจให้กับทุกคนได้มากขึ้น
ประสิทธิภาพการทำงานที่ดียิ่งขึ้น
แนวทางปฏิบัติของ MLOps ช่วยเพิ่มกำลังผลิตและเร่งการพัฒนาโมเดล ML ให้เร็วขึ้น ตัวอย่างเช่น คุณสามารถกำหนดมาตรฐานให้กับสภาพแวดล้อมการพัฒนาหรือการทดสอบได้ จากนั้น วิศวกร ML ของคุณจะสามารถเปิดตัวโปรเจ็กต์ใหม่ๆ หมุนเวียนระหว่างโปรเจ็กต์ และนำโมเดล ML มาใช้ซ้ำในแอปพลิเคชันต่างๆ ได้ โดยสามารถสร้างกระบวนการที่ทำซ้ำได้สำหรับการทดลองและการฝึกโมเดลอย่างรวดเร็ว ทีมวิศวกรรมซอฟต์แวร์สามารถทำงานร่วมกันและประสานงานผ่านวงจรการพัฒนาซอฟต์แวร์ ML เพื่อประสิทธิภาพที่มากยิ่งขึ้น
การนำโมเดลไปใช้งานจริงอย่างมีประสิทธิภาพ
MLOps ช่วยปรับปรุงการแก้ไขปัญหาและการจัดการโมเดลในการใช้งานจริง ตัวอย่างเช่น วิศวกรซอฟต์แวร์สามารถตรวจติดตามประสิทธิภาพของโมเดลและจำลองพฤติกรรมเพื่อการแก้ไขปัญหาได้ โดยสามารถติดตามและจัดการของเวอร์ชันโมเดลได้จากส่วนกลาง และเลือกเวอร์ชันที่เหมาะสมสำหรับกรณีการใช้งานทางธุรกิจที่แตกต่างกัน
เมื่อคุณผสานรวมเวิร์กโฟลว์ของโมเดลเข้ากับไปป์ไลน์การผสานรวมอย่างต่อเนื่องและการส่งมอบอย่างต่อเนื่อง (CI/CD) ก็จะเป็นการจำกัดการลดประสิทธิภาพและเป็นการรักษาคุณภาพของโมเดลไว้ ซึ่งจะเป็นเช่นนี้แม้หลังจากการอัปเกรดและการปรับแต่งโมเดลก็ตาม
วิธีการใช้ MLOps ในองค์กร
การใช้งาน MLOps มี 3 ระดับ โดยขึ้นอยู่กับความพร้อมของระบบอัตโนมัติภายในองค์กรของคุณ
MLOps ระดับ 0
เวิร์กโฟลว์ ML แบบดำเนินการด้วยตนเองและกระบวนการที่ขับเคลื่อนโดยนักวิทยาศาสตร์ข้อมูลจะถือว่าเป็นระดับ 0 สำหรับองค์กรที่เพิ่งเริ่มต้นใช้งานระบบแมชชีนเลิร์นนิง
ทุกขั้นตอนต้องดำเนินการด้วยตนเอง รวมถึงการเตรียมข้อมูล การฝึก ML ตลอดจนประสิทธิภาพและการตรวจสอบโมเดล โดยจำเป็นต้องดำเนินการเปลี่ยนผ่านระหว่างขั้นตอนต่างๆ ด้วยตนเอง และแต่ละขั้นตอนจะมีการรันและจัดการแบบอินเทอร์แอคทีฟ นักวิทยาศาสตร์ข้อมูลมักจะมอบโมเดลที่ได้รับการฝึกแล้วโดยเป็นอาร์ทิแฟกต์ที่ทีมวิศวกรสามารถนำไปใช้บนโครงสร้างพื้นฐาน API ได้
กระบวนการนี้จะแยกนักวิทยาศาสตร์ข้อมูลที่สร้างโมเดลกับวิศวกรที่นำโมเดลไปใช้งานออกจากกัน การเผยแพร่ไม่บ่อยนักหมายความว่าทีมวิทยาศาสตร์ข้อมูลอาจฝึกโมเดลซ้ำเพียงไม่กี่ครั้งต่อปี ไม่มีข้อควรพิจารณาเกี่ยวกับ CI/CD สำหรับโมเดล ML พร้อมด้วยโค้ดแอปพลิเคชันส่วนที่เหลือ ในทำนองเดียวกัน ไม่มีการตรวจติดตามประสิทธิภาพในเชิงรุก
MLOps ระดับ 1
องค์กรที่ต้องการฝึกโมเดลเดิมด้วยข้อมูลใหม่ มักจำเป็นต้องดำเนินการในระดับ 1 MLOps ระดับ 1 มีเป้าหมายเพื่อฝึกโมเดลอย่างต่อเนื่องโดยทำให้ไปป์ไลน์ ML เป็นไปโดยอัตโนมัติ
ในระดับ 0 คุณจะนำโมเดลที่ผ่านการฝึกแล้วไปใช้งานจริง ในทางตรงกันข้าม สำหรับระดับ 1 คุณจะนำไปป์ไลน์การฝึกที่ทำงานซ้ำๆ ไปใช้งานจริง เพื่อนำโมเดลที่ผ่านการฝึกแล้วไปใช้กับแอปอื่นๆ ของคุณ อย่างน้อยที่สุด คุณจะสามารถมอบบริการคาดการณ์โมเดลได้อย่างต่อเนื่อง
ระดับ 1 มีลักษณะต่อไปนี้
- ขั้นตอนการทดสอบ ML อย่างรวดเร็วซึ่งเกี่ยวข้องกับระบบอัตโนมัติที่สำคัญ
- การฝึกโมเดลในการใช้งานจริงอย่างต่อเนื่องด้วยข้อมูลใหม่โดยเป็นตัวทริกเกอร์ไปป์ไลน์แบบเรียลไทม์
- การใช้งานไปป์ไลน์เดียวกันทั่วทั้งสภาพแวดล้อมการพัฒนา ขั้นตอนการก่อนใช้งานจริง และการใช้งานจริง
ทีมวิศวกรของคุณทำงานร่วมกับนักวิทยาศาสตร์ข้อมูลเพื่อสร้างส่วนประกอบโค้ดแบบโมดูลาร์ที่สามารถนำมาใช้ซ้ำได้ ประกอบเข้าด้วยได้ และอาจแชร์ทั่วทั้งไปป์ไลน์ ML ได้ด้วย นอกจากนี้ คุณยังสามารถสร้างแหล่งเก็บคุณสมบัติแบบรวมศูนย์ที่เป็นมาตรฐานสำหรับพื้นที่จัดเก็บ การเข้าถึง และการกำหนดคุณสมบัติต่างๆ สำหรับการฝึกและการให้บริการ ML อีกทั้งคุณยังสามารถจัดการข้อมูลเมตาได้อีกด้วย เช่น การรันไปป์ไลน์แต่ละครั้งและข้อมูลความสามารถในการทำซ้ำ
MLOps ระดับ 2
MLOps ระดับ 2 เหมาะสำหรับองค์กรที่ต้องการทดลองสร้างโมเดลใหม่ๆ เพิ่มเติมและสร้างบ่อยๆ ซึ่งต้องมีการฝึกอย่างต่อเนื่อง โดยเหมาะสำหรับบริษัทที่ขับเคลื่อนด้วยเทคโนโลยีซึ่งอัปเดตโมเดลของตนเองภายในไม่กี่นาที ฝึกซ้ำทุกชั่วโมงหรือทุกวัน และนำไปใช้งานซ้ำพร้อมกันบนเซิร์ฟเวอร์นับพันเครื่อง
เนื่องจากมีไปป์ไลน์ ML หลายรายการที่ทำงานอยู่ การตั้งค่า MLOps ระดับ 2 จึงต้องอาศัยการตั้งค่า MLOps ระดับ 1 ทั้งหมด นอกจากนั้นยังต้องใช้รายการเหล่านี้ด้วย
- เครื่องมือควบคุมระบบไปป์ไลน์ ML
- รีจิสทรีโมเดลสำหรับติดตามหลายโมเดล
3 ขั้นตอนต่อไปนี้จะทำซ้ำในวงกว้างในกรณีที่มีหลายไปป์ไลน์ ML เพื่อให้มั่นใจว่ามีการส่งโมเดลอย่างต่อเนื่อง
สร้างไปป์ไลน์
คุณลองใช้โมเดลใหม่และอัลกอริธึม ML ใหม่ซ้ำๆ ในขณะเดียวกันก็ตรวจสอบว่าขั้นตอนการทดสอบได้รับการควบคุม ขั้นตอนนี้จะแสดงซอร์สโค้ดสำหรับไปป์ไลน์ ML ของคุณ ให้คุณเก็บโค้ดนี้ไว้ในคลังเก็บข้อมูลต้นทาง
นำไปป์ไลน์ไปใช้งานจริง
ถัดไป คุณจะสร้างซอร์สโค้ดและรันการทดสอบเพื่อให้ได้ส่วนประกอบของไปป์ไลน์สำหรับการนำไปใช้จริง เอาต์พุตเป็นไปป์ไลน์ที่นำไปใช้งานจริงพร้อมกับการนำโมเดลใหม่ไปใช้
นำไปป์ไลน์ให้บริการ
ขั้นตอนสุดท้าย คุณจะนำไปป์ไลน์ไปให้บริการโดยเป็นบริการคาดการณ์สำหรับแอปพลิเคชันของคุณ คุณรวบรวมสถิติเกี่ยวกับบริการคาดการณ์ของโมเดลที่นำไปใช้งานจริงจากข้อมูลสด เอาต์พุตขั้นตอนนี้เป็นตัวทริกเกอร์เพื่อรันไปป์ไลน์หรือรอบการทดลองใหม่
MLOps และ DevOps แตกต่างกันอย่างไร
MLOps และ DevOps ต่างเป็นแนวทางปฏิบัติที่มีจุดมุ่งหมายเพื่อปรับปรุงกระบวนการที่คุณพัฒนา ปรับใช้ และตรวจติดตามแอปพลิเคชันซอฟต์แวร์
DevOps มีเป้าหมายเพื่อลดช่องว่างระหว่างทีมพัฒนาและทีมปฏิบัติงาน DevOps ช่วยให้มั่นใจว่าการเปลี่ยนแปลงโค้ดได้รับการทดสอบ ผสานรวม และนำไปใช้จริงโดยอัตโนมัติอย่างมีประสิทธิภาพและเชื่อถือได้ โดยส่งเสริมวัฒนธรรมการทำงานร่วมกันเพื่อให้วงจรการเปิดตัวผลิตภัณฑ์เป็นไปอย่างรวดเร็วขึ้น ปรับปรุงคุณภาพของแอปพลิเคชัน และใช้ทรัพยากรอย่างมีประสิทธิภาพมากขึ้น
ในทางกลับกัน MLOps คือชุดแนวทางปฏิบัติที่ดีที่สุดที่ออกแบบมาโดยเฉพาะสำหรับโปรเจ็กต์แมชชีนเลิร์นนิง แม้ว่าการนำไปใช้จริงและการผสานรวมซอฟต์แวร์แบบเดิมจะค่อนข้างตรงไปตรงมา แต่โมเดล ML ก็มีความท้าทายที่ไม่เหมือนใคร ซึ่งเกี่ยวข้องกับการรวบรวมข้อมูล การฝึกโมเดล การตรวจสอบ การนำไปใช้จริง ตลอดจนการตรวจติดตามและการฝึกซ้ำอย่างต่อเนื่อง
MLOps มุ่งเน้นไปที่การทำให้วงจร ML เป็นไปโดยอัตโนมัติ ซึ่งช่วยให้มั่นใจได้ว่าโมเดลไม่เพียงแต่ได้รับการพัฒนาเท่านั้น แต่ยังนำไปใช้จริง ได้รับการตรวจสอบ และฝึกซ้ำอย่างเป็นระบบและซ้ำแล้วซ้ำอีก ซึ่งเป็นการนำหลักการ DevOps มาใช้กับ ML MLOps ส่งผลให้นำ ML ไปใช้จริงได้เร็วขึ้น มีความแม่นยำมากขึ้นเมื่อเวลาผ่านไป และรับประกันได้มากขึ้นว่าโมเดลเหล่านี้จะช่วยสร้างมูลค่าทางธุรกิจได้อย่างแท้จริง
AWS รองรับข้อกำหนด MLOps ของคุณได้อย่างไร
Amazon SageMaker เป็นบริการที่มีการจัดการเต็มรูปแบบที่คุณสามารถใช้เพื่อเตรียมข้อมูล ตลอดจนสร้าง ฝึก และนำโมเดล ML ไปใช้จริง โดยเหมาะสำหรับทุกกรณีการใช้งานที่มีโครงสร้างพื้นฐาน เครื่องมือ และเวิร์กโฟลว์ที่มีการจัดการเต็มรูปแบบ
SageMaker มีเครื่องมือที่สร้างขึ้นเพื่อวัตถุประสงค์สำหรับ MLOps เพื่อทำให้กระบวนการต่างๆ เป็นไปโดยอัตโนมัติตลอดวงจรของ ML ด้วยการใช้ Sagemaker สำหรับเครื่องมือ MLOps คุณจะสามารถสำเร็จ MLOps ระดับ 2 ได้ในวงกว้าง
ต่อไปนี้คือคุณสมบัติที่สำคัญของ SageMaker ที่คุณสามารถใช้ได้
- ใช้ SageMaker Experiments เพื่อติดตามอาร์ทิแฟกต์ที่เกี่ยวข้องกับงานการฝึกโมเดลของคุณ เช่น พารามิเตอร์ ตัวชี้วัด และชุดข้อมูล
- กำหนดค่า SageMaker Pipelines ให้ทำงานโดยอัตโนมัติในช่วงเวลาที่สม่ำเสมอหรือเมื่อมีการทริกเกอร์เหตุการณ์บางอย่าง
- ใช้ SageMaker Model Registry เพื่อติดตามเวอร์ชันของโมเดล นอกจากนี้ คุณยังสามารถติดตามข้อมูลเมตาได้ เช่น การจัดกลุ่มกรณีการใช้งาน และเกณฑ์ตัวชี้วัดประสิทธิภาพของโมเดลในคลังเก็บข้อมูลส่วนกลาง คุณสามารถใช้ข้อมูลนี้เพื่อเลือกโมเดลที่ดีที่สุดตามความต้องการทางธุรกิจของคุณ
เริ่มต้นใช้งาน MLOps บน Amazon Web Services (AWS) โดยสร้างบัญชีวันนี้
ขั้นตอนต่อไปบน AWS
