Uczenie maszynowe (machine learning) znalazło zastosowanie w wielu dziedzinach, takich jak medycyna, finanse, marketing czy logistyka. Dzięki niemu możliwe jest przetwarzanie ogromnych ilości danych i identyfikowanie wzorców, które byłyby trudne do wykrycia przez człowieka. Algorytmy uczenia maszynowego mogą na przykład pomóc w diagnozowaniu chorób, dostarczaniu spersonalizowanych rekomendacji produktów, identyfikowaniu oszustw, czy optymalizacji strategii inwestycyjnych. Jednak sam proces trenowania modeli to tylko początek. Aby wykorzystać pełny potencjał machine learningu, firmy potrzebują MLOps.
MLOps (Machine Learning Operations), czyli DevOps dla machine learningu, to praktyka łączenia metodologii DevOps - zestawu procesów i narzędzi wspomagających wytwarzanie oprogramowania - z wyzwaniami specyficznymi dla wdrażania i zarządzania modelami uczenia maszynowego. Dzięki MLOps możliwe jest stworzenie kompleksowego ekosystemu, który umożliwia ciągłą integrację, wdrażanie i monitorowanie modeli, co prowadzi do skutecznego wykorzystania sztucznej inteligencji w działalności biznesowej i szybszego dostarczania finalnego produktu na rynek. Badanie firmy ClearML “MLOps in 2023: What Does the Future Hold?”, przeprowadzone na grupie dwustu amerykańskich decydentów związanych z ML, wskazuje że 42% firm zwiększy w tym roku wydatki na MLOps o 11-25%.
Polecamy na Geekweek: NASA wybrała samochody do misji Artemis. W nich astronauci rozpoczną podróż na Księżyc
Firmy będą potrzebować MLOps z kilku powodów. Po pierwsze, wdrażanie modeli uczenia maszynowego to proces skomplikowany i dynamiczny, który wymaga stałej aktualizacji. MLOps zapewnia automatyzację procesu wdrażania, co znacznie zwiększa wydajność i skraca czas potrzebny na uruchomienie nowych wersji modeli. Ponadto, MLOps umożliwia monitorowanie modeli na bieżąco, co pozwala na wykrywanie ewentualnych problemów i szybką interwencję.
Po drugie, MLOps pomaga w zarządzaniu cyklem życia modelu. Często modele uczenia maszynowego wymagają modyfikacji, optymalizacji i rozbudowy w praktyce. Dzięki zastosowaniu MLOps możliwe jest śledzenie zmian w modelach, kontrolowanie wersji i zapewnienie spójności w środowiskach produkcyjnych i testowych.
Jedną z firm, która korzysta na co dzień z dobrodziejstw MLOps jest QuarticOn, spółka technologiczna, która dostarcza sklepom online nowoczesne rozwiązania do automatyzacji marketingu i personalizacji oferty w modelu software as a service (SaaS), bazując na sztucznej inteligencji i machine learning.
– W projekcie „AI Stylista Modowy” tworzymy technologię, która ma posiadać kompetencje stylisty. Dzięki temu będzie w stanie automatycznie budować zestawy ubioru w postaci dopasowanych do preferencji odbiorcy stylizacji modowych, a także doradzać, jak należy się ubrać na daną okazję. Stylizacje generowane są w oparciu o zaawansowane algorytmy sztucznej inteligencji i głębokiego uczenia maszynowego, które analizują i modelują style i wzorce modowe w oparciu o miliony obrazów z ubraniami – tłumaczy Paweł Wyborski z firmy QuarticOn SA.
W tym wszystkim ogromną rolę odgrywa również chmura, której dostawcy prześcigają się w dostarczaniu kolejnych usług i narzędzi, dedykowanych właśnie MLOps.
– Na potrzeby projektu „AI Stylista Modowy”, skonfigurowaliśmy w Amazon Web Services instancje EC2 P4, które są wyposażone w procesory graficzne NVIDIA A100 Tensor Core. Obsługują one połączenia sieciowe instancji o przepustowości 400 Gb/s, dlatego idealnie nadają się do zastosowań uczenia maszynowego. Badacze, analitycy danych i programiści mogą je wykorzystywać do trenowania modeli uczenia maszynowego pod kątem takich przypadków użycia, jak przetwarzanie języka naturalnego, wykrywania i klasyfikacji obiektów, silników rekomendacji, czy modelowania finansowego. Takich rozwiązań dla ML i MLOps jest w Amazon Web Services naprawdę sporo – dodaje Hubert Majchrzak z firmy Hostersi Sp. z o.o., partnera Amazon Web Services o statusie Premier Tier Services.
Wydaje się, że MLOps otwiera zupełnie nową erę w wykorzystywaniu sztucznej inteligencji w biznesie. Dzięki temu podejściu możliwe jest skrócenie czasu wdrażania modeli, automatyzacja procesów i ciągłe monitorowanie, co przekłada się na większą efektywność i potencjalnie lepsze wyniki operacyjne. Firmy, które będą potrafiły wykorzystać możliwości machine learningu i odpowiednio zaimplementować MLOps, mogą zyskać znaczącą przewagę konkurencyjną. Jednak sukces w tym obszarze wymaga odpowiedniej strategii, inwestycji i działania.
