Operações de aprendizagem automática (MLOps)

As Operações de Aprendizagem Automática (MLOps) são um conjunto de práticas que visam implementar e manter modelos de Aprendizagem Automática (ML) em produção de forma fiável e eficiente. Inspirando-se nos princípios do DevOps, o MLOps aplica conceitos semelhantes a todo o ciclo de vida do modelo de IA, desde a recolha de dados e formação de modelos até à implementação e monitorização. O principal objetivo é automatizar e simplificar os processos envolvidos na passagem de um modelo de ML de um protótipo de investigação para uma aplicação de produção robusta e escalável. Isto garante que os modelos não só tenham um bom desempenho inicial, como também se mantenham eficazes ao longo do tempo, à medida que novos dados ficam disponíveis.

MLOps Vs. conceitos relacionados

É importante distinguir os MLOps de conceitos relacionados mas distintos:

• MLOps vs. AutoML: Embora possam trabalhar em conjunto, o seu objetivo é diferente. A aprendizagem automática de máquinas (AutoML) centra-se na automatização do processo de criação de modelos, como o pré-processamento de dados, a engenharia de caraterísticas e a afinação de hiperparâmetros. O MLOps, por outro lado, abrange todo o ciclo de vida, incluindo o que vem depois da criação do modelo, como a implantação, o monitoramento e a governança do modelo. O AutoML pode ser considerado uma ferramenta dentro de uma estrutura maior de MLOps que acelera o estágio de desenvolvimento.
• MLOps vs. DevOps: MLOps é uma especialização do DevOps adaptada às necessidades exclusivas do aprendizado de máquina. Enquanto o DevOps se concentra na automatização da entrega de software por meio da Integração Contínua e da Implantação Contínua (CI/CD), o MLOps estende esse paradigma para incluir os pipelines de dados e modelos. Aborda desafios que não se encontram normalmente no desenvolvimento de software tradicional, como a deriva de dados, o controlo de versões de modelos e a necessidade de reciclagem contínua.

Aplicações no mundo real

As práticas de MLOps são essenciais para a gestão de sistemas complexos de ML em ambientes de produção.

1. Sistemas de recomendação: Empresas como a Netflix ou a Spotify utilizam os MLOps para treinar continuamente os seus modelos de sistemas de recomendação com base em novos dados de interação do utilizador. Os pipelines de MLOps permitem-lhes testar A/B diferentes versões de modelos, monitorizar métricas de envolvimento e reverter rapidamente modelos com fraco desempenho, garantindo que as recomendações se mantêm actualizadas e personalizadas.
2. Deteção de fraudes: As instituições financeiras utilizam MLOps para gerir modelos de deteção de fraude. Isso envolve o monitoramento de dados de transações para novos padrões de atividade fraudulenta, retreinamento automático de modelos com novos dados, garantia de baixa latência de inferência para deteção em tempo real e manutenção de trilhas de auditoria para conformidade regulamentar. Os modelos YOLO da Ultralytics utilizados nos sistemas de inspeção visual, que podem alimentar a deteção de fraudes, também beneficiam dos MLOps para implementação e monitorização em dispositivos de ponta.

Ferramentas e plataformas

Uma variedade de ferramentas suporta diferentes fases do ciclo de vida dos MLOps, permitindo que as equipas criem fluxos de trabalho eficientes e expansíveis.

• Acompanhamento e controlo de versões de experiências: O MLflow, o Weights & Biases e o Data Version Control (DVC) são populares para o acompanhamento de experiências e o controlo de versões de dados e modelos. O Ultralytics oferece integração nativa com muitas dessas ferramentas, incluindo o Weights & Biases.
• Orquestração do fluxo de trabalho: Ferramentas como o Kubeflow Pipelines e o Apache Airflow ajudam a automatizar e gerir fluxos de trabalho de ML complexos.
• Servidor de modelos: Para a implementação de modelos em escala, plataformas como KServe, BentoML e NVIDIA Triton Inference Server são amplamente utilizadas. Os modelos Ultralytics podem ser exportados para formatos como ONNX para compatibilidade com estes servidores.
• Monitoramento: O Grafana e o Prometheus são frequentemente usados para criar painéis para monitorar o desempenho do modelo e a integridade do sistema.
• Plataformas de ponta a ponta: Plataformas abrangentes como o Amazon SageMaker, o Google Cloud AI Platform, o Microsoft Azure Machine Learning e o Ultralytics HUB fornecem ambientes integrados que abrangem a maioria, se não todas, as fases do MLOps, desde a gestão de dados até à implementação e monitorização de modelos. Essas plataformas aproveitam a computação em nuvem para fornecer recursos escalonáveis para o treinamento de modelos personalizados.