Makine Öğrenimi Operasyonları (MLOps)

Makine Öğrenimi Operasyonları (MLOps), makine öğrenimi (ML) modellerini deneysel geliştirmeden güvenilir üretim dağıtımına taşıma sürecini kolaylaştıran bir dizi uygulama, ilke ve teknolojidir. Deneysel geliştirmeden güvenilir üretim dağıtımına Veri biliminin keşifsel doğasını DevOps'un titiz disipliniyle birleştiren MLOps, Yapay Zeka (AI) uygulamalarının sürüm döngüsünü birleştirmeyi amaçlamaktadır. Geleneksel yazılım geliştirme öncelikle kod sürümlerine odaklanırken, MLOps büyük ölçekli verileri yönetme ve model davranışlarını geliştirme gibi ek karmaşıklıklar getirir. Bu bütünsel yaklaşım, AI sistemlerinin tüm yaşam döngüsü boyunca ölçeklenebilir, doğru ve yönetilebilir olmasını sağlar.

MLOps'un Temelleri

Başarılı MLOps uygulamaları, üç farklı disiplin arasındaki boşluğu doldurmaya dayanır: veri mühendisliği, makine öğrenimi ve DevOps.

• Sürekli Entegrasyon ve Teslimat (CI/CD): Standart yazılımların CI/CD boru hatlarını kullanarak test ve dağıtımı otomatikleştirdiği gibi, MLOps boru hatları da model eğitimi ve doğrulamayı otomatikleştirir. Bu, kod veya verilerdeki değişikliklerin, güncellemeler üretime ulaşmadan önce model performansını doğrulamak için otomatik olarak adımları tetiklemesini sağlar.
• Veri ve Model Sürümleme: Geleneksel kodlamada, yalnızca kaynak kodun sürümünü alırsınız. MLOps'ta ise ekipler, model hiperparametrelerinin yanı sıra eğitim verilerindeki track için DVC (Veri Sürüm Kontrolü) gibi araçlar kullanmalıdır. Bu, tekrar üretilebilirliği garanti eder ve mühendislerin geçmişteki herhangi bir model sürümünü yeniden oluşturabilmelerini sağlar.
• Sürekli İzleme: Dağıtıldıktan sonra modeller, hedef değişkenin istatistiksel özelliklerinin zamanla değiştiği kavram kayması nedeniyle bozulabilir. MLOps, çıkarım gecikmesi ve doğruluğu gibi track için gözlemlenebilirlik sistemleri kurmayı ve yeniden eğitim gerektiğinde ekiplere otomatik olarak uyarı vermeyi içerir.

Gerçek Dünya Uygulamaları

MLOps, modern kurumsal yapay backbone kemiğidir ve şirketlerin tek bir modelden binlerce dağıtılmış uç noktaya güvenilir bir şekilde ölçeklendirme yapmasını sağlar.

1. Üretimde Öngörücü Bakım: Fabrikalar, montaj hatlarındaki kusurları tespit etmek için bilgisayar görüşünü kullanır. MLOps boru hattı, yeni ürün hatları piyasaya sürüldükçe, nesne algılama modellerinin yeni görüntülerle yeniden eğitilmesini, sürümlenmesini ve kesintiye uğramadan fabrika kenar cihazlarına otomatik olarak dağıtılmasını sağlar. Bu, üretim koşulları değişse bile kalite kontrolünün tutarlı kalmasını sağlar.
2. Akıllı Perakende Envanteri: Perakendeciler, track stoklarını track için kameralar kullanıyor. Mağaza aydınlatması ve ürün ambalajları sık sık değiştiği için, model sapması sürekli bir risk oluşturuyor. MLOps sistemleri güven puanlarını izliyor; güven düşerse, sistem görüntüleri açıklama için işaretliyor ve bulutta yeniden eğitim döngüsü başlatarak, otomatik envanter yönetimini sürdürmek için mağazalara güncellenmiş bir model gönderiyor .

Ultralytics ile MLOps Uygulama

Herhangi bir MLOps iş akışında kritik bir adım deney takibidir. Bu, her eğitim çalışmasının belirli yapılandırmasıyla kaydedilmesini sağlar ve ekiplerin sonuçları yeniden üretmesine veya gerekirse önceki sürümlerine geri dönmesine olanak tanır.

Aşağıdaki örnek, proje takibi özelliğini etkinleştirirken YOLO26 modelini ( Ultralytics tüm yeni projeler için Ultralytics en son teknoloji ürünü model) nasıl eğiteceğinizi göstermektedir. Bu, doğal olarak üretim boru hattı için gerekli olan yapay nesneleri oluşturur.

from ultralytics import YOLO

# Load the YOLO26 model (recommended for superior speed and accuracy)
model = YOLO("yolo26n.pt")

# Train the model while specifying project and name for organized logging
# This creates a structured directory of artifacts (weights, charts, args)
# which is essential for reproducibility in MLOps pipelines.
results = model.train(data="coco8.yaml", epochs=10, project="mlops_experiments", name="run_v1")

Eğitim çalışmalarını belirli projeler halinde organize ederek, ekipler MLflow veya TensorBoard gibi araçları kolayca entegre ederek zaman içindeki performans metriklerini görselleştirebilirler. Kuruluşlar büyüdükçe, bu iş akışlarını genellikle Ultralytics taşırlar. Bu Ultralytics , veri kümelerini yönetmek, uzaktan eğitim vermek ve modelleri TensorRT gibi çeşitli formatlara dağıtmak için birleşik bir arayüz sunan Ultralytics Platformuna taşırlar.

MLOps ve İlgili Kavramlar

Bu uygulamaları etkili bir şekilde hayata geçirmek için, MLOps'u ekosistemdeki ilgili terimlerden ayırmak önemlidir.

• MLOps ve DevOps: DevOps, yazılım uygulamalarının sürekli teslimatına odaklanır. MLOps, "Veri" ve "Model"i birinci sınıf unsurlar olarak ekleyerek bu ilkeleri genişletir. DevOps'ta, bir kod değişikliği bir derlemeyi tetikler; MLOps'ta ise veri dağılımlarındaki bir değişiklik veya hassasiyetteki bir düşüş de yeni bir ardışık düzen yürütmesini tetikleyebilir.
• MLOps ve Model Sunumu: Model sunumu, özellikle bir modeli barındırmak ve çıkarım isteklerini işlemek için kullanılan altyapıyı ifade eder. MLOps ise, sunumu da kapsayan daha geniş bir kavramdır, ancak aynı zamanda eğitim, yönetişim ve izleme aşamalarını da içerir. MLOps veModel Sunumu:
• MLOps ve AutoML: Otomatik Makine Öğrenimi (AutoML) model oluşturma sürecini (örneğin, algoritma seçimi) otomatikleştirmeye odaklanır. MLOps, model oluşturulduktan sonra modelin yaşam döngüsünü yönetir ve AutoML araçlarını çalıştıran boru hattını işlevsel hale getirir.