Операции машинного обучения (MLOps)

Операции машинного обучения (MLOps) представляют собой пересечение машинного обучения, инженерии данных и практики DevOps. практик. Это набор стандартизированных процессов и инструментов, предназначенных для оптимизации жизненного цикла моделей машинного обучения (ML), доводя их от экспериментальных исследований до масштабируемых и надежных производственных систем. В то время как традиционная разработка программного обеспечения опирается на принципы DevOps для управления изменениями кода, MLOps добавляет два критических аспекта: данные и модели. Этот целостный подход обеспечивает искусственный интеллект (ИИ) приложения искусственного интеллекта (ИИ) остаются точными и эффективными с течением времени, решая такие уникальные проблемы, как распад моделей и изменение распределение данных.

Основные компоненты жизненного цикла MLOps

Надежная система MLOps автоматизирует весь рабочий процесс, обеспечивая воспроизводимость и ускоряя выход на рынок. Жизненный цикл жизненный цикл, как правило, состоит из нескольких интегрированных этапов:

• Управление данными: Это включает в себя сбор, очистку и версионирование наборов данных. Эффективная предварительная обработка данных гарантирует, что чтобы информация, поступающая в модель, была качественной и последовательной. Команды часто используют такие инструменты, как Apache Airflow для организации этих сложных конвейеров данных.
• Разработка моделей: Ученые, изучающие данные, занимаются обучением и экспериментированием с моделями. Этот этап включает настройку гиперпараметров для оптимизации производительности. Отслеживание экспериментов с помощью таких инструментов, как MLflow, очень важно для того, чтобы чтобы можно было выявить и воспроизвести наиболее эффективные модели.
• Развертывание и обслуживание: После того как модель подтверждена, она проходит процедуру развертывание модели в производственной среде. Это часто включает в себя контейнеризацию с помощью Docker для чтобы обеспечить согласованность в различных вычислительных средах, или экспорт в совместимые форматы, такие как ONNX для обеспечения кросс-платформенной совместимости.
• Мониторинг и обслуживание: После развертывания системы необходимо наблюдать за тем, как дрейфа данных, когда реальные данные расходятся с обучающих данных. Непрерывный мониторинг непрерывный мониторинг моделей позволяет командам detect и автоматически запускать циклы переобучения.

MLOps в сравнении со смежными понятиями

Понимание того, чем MLOps отличается от аналогичных терминов, крайне важно для реализации правильной стратегии:

• MLOps против DevOps: В то время как DevOps фокусируется на непрерывной поставке программного кода, MLOps охватывает код, данные и артефакты модели. В MLOps "ошибка" может быть не это не сломанный код, а скорее снижение точности из-за из-за изменения факторов окружающей среды.
• MLOps против Model Serving: Обслуживание моделей - это специфическое подмножество MLOps, ориентированное строго на инфраструктуре, необходимой для размещения модели и обработки запросов на вывод. MLOps - это более широкий MLOps - это более широкое понятие, которое управляет инфраструктурой обслуживания, а также обучением и управлением.
• MLOps против AutoML: Автоматизированное машинное обучение (AutoML) автоматизирует процесс выбора и обучения модели. MLOps управляет жизненным циклом модели после ее создания. после ее создания.

Применение в реальном мире

MLOps преобразует теоретические модели в практические бизнес-решения в различных отраслях.

1. Интеллектуальная инвентаризация в розничной торговле: Крупная розничная компания использует YOLO11 для обнаружения объектов для контроля запасов на полках. На сайте MLOps автоматически обновляет набор данных по мере добавления новых продуктов. Когда система обнаруживает, что что оценка достоверности падает ниже порогового значения, запускается конвейер переобучения на платформеUltralytics Platform, проверяет новую модель и без простоя рассылает обновления на тысячи пограничных устройств.
2. Предиктивное обслуживание в производстве: Фабрики используют компьютерное зрение для detect дефектов на сборочных линиях. Чтобы справиться с высокоскоростным производством, модели оптимизируются для низкой задержки вывода с использованием TensorRT. MLOps гарантирует, что при изменении производственных допусков, модели обновляются и контролируются по версиям для поддержания строгого стандарты проверки качества стандартов.

Реализация MLOps с помощью Ultralytics

Основополагающим шагом в MLOps является обеспечение воспроизводимости и регистрации процесса обучения модели. Приведенный ниже код демонстрирует как запустить тренировку, которая автоматически создает версионные артефакты и метрики, что является ключевым требованием для любого MLOps.

from ultralytics import YOLO

# Load the YOLO11 model (recommended for state-of-the-art performance)
model = YOLO("yolo11n.pt")

# Train the model on a dataset
# This step generates logs, saves model weights, and records metrics
# essential for the experiment tracking phase of MLOps.
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

По мере развития этой области новые архитектуры, такие как YOLO26, разрабатываются таким образом, чтобы еще более легко интегрироваться в эти автоматизированные конвейеры. еще более легкой интеграции в эти автоматизированные конвейеры, предлагая собственные сквозные возможности, которые упрощают переход от обучения к развертыванию. от обучения до развертывания. MLOps остается основой, позволяющей этим передовым моделям надежно функционировать в реальном мире. мире, используя облачные вычисления масштаба и эффективности краевого ИИ.