MLOps تلاش میکند همان کاری را که DevOps برای توسعه نرمافزار معمولی انجام میدهد برای محصولات مبتنی بر هوش مصنوعی ارائه دهد. با این حال، ارائه محصول AI مبتنی بر بهترین شیوههای MLOps کار آسانی نیست.در واقع MLops را میتوان Devops در محصول مبتنی بر هوش مصنوعی تعریف کرد.
در حالی که امروزه ابزارهای مبتنی بر MLOps بسیار بالغ است، اما ناکارآمدی های زیادی در ساختار تیمی پیاده سازی کارآمد MLOps ؛ به دلیل ساختارهای سازمانی معیوب مشاهده میشود.
ارزشی که پذیرش شیوه های MLOps برای یک سازمان به ارمغان می آورد، اکنون به طور گسترده درک و پذیرفته شده است. با این حال، شرکت ها برای پذیرش MLO ها نه تنها به دلیل مشکلات فنی بلکه به دلیل ساختارهای سازمانی که در یک مقطع زمانی مشخص وجود دارد، با مشکل مواجه هستند.
ساختار تیمی پیاده سازی کارآمد MLops
ساختار پروژه AI
قبل از کاوش عمیق تر، باید بفهمیم که چرخه حیات یک پروژه معمولی هوش مصنوعی چگونه به نظر می رسد.
مرحله ایده پردازی ( Ideation)
همه چیز از مرحله ایده پردازی شروع می شود، جایی که تیم کسب و کار با متخصصان داده ملاقات می کند تا مشکلی را مطرح کنند.
آیا برای حل مشکل به هوش مصنوعی نیاز داریم؟
آیا داده مورد نیاز برای ساخت مدل هوش مصنوعی داریم؟
آیا دستیابی به چنین داده هایی در نهایت منجر به بازگشت سرمایه میشود؟
آیا سیستمهای هوش مصنوعی که در حال حاضر در دسترس هستند، میتوانند هنگام پیادهسازی، از پس موارد استفاده تجاری برآیند؟
نکته حرفه ای: اگر برای حل مشکل مطرح شده به یک مدل ML نیاز ندارید، آن را بدون آن حل کنید که به سرمایه گذاری بسیار کمتری نیاز دارند.
تیم درگیر این مرحله :کارشناسان کسب و کار موضوع، دانشمندان داده، مهندسان داده، مدیران پروژه و غیره.
مرحله آزمایش ( Experimentation)
هنگامی که توافق شد که شما می خواهید و مهمتر از آن – نیاز به ساخت مدل دارید – دانشمندان داده با دارایی های داده موجود و چندین معماری مدل ML آزمایش می کنند تا PoC مدل را بسازند که به مرحله بعدی تحویل داده می شود.
تیم های علم داده در نزدیک ماندن به کسب و کار، یافتن و مقابله با چالش های تجاری با راه حل های مبتنی بر داده عالی هستند.
تیم درگیر این مرحله :دانشمندان داده
مرحله استقرار ( Deployment)
این مدل با تبدیل آن به یک سیستم یادگیری ماشینی تولید می شود و امکان آموزش مداوم مدل را فراهم می کند.
تیم درگیر این مرحله :مهندسان ML و مهندسان نرم افزار
مرحله مانیتورینگ ( Monitoring)
مرحله مانیتورینگ جایی است که شما عملکرد مدل های خود را که در مرحله قبل اجرا می شوند پیگیری می کنید. این همان جایی است که بازخورد به مراحل قبلی وارد می شود
و حلقه بازخوردی را ایجاد می کند .
تیم درگیر این مرحله :مهندسان ML و مهندسان نرم افزار
در ادامه ساختار تیمی MLops مبتنی بر تخصص و مهارت مورد نیاز پیشنهاد شده است