Al principio En la década de 2000, la mayor parte del software crítico para la empresa se alojaba en centros de datos privados. Pero con el tiempo, las empresas superaron su escepticismo y trasladaron las aplicaciones de misión crítica a la nube.

DevOps impulsó este cambio a la nube porque les dio a los tomadores de decisiones una sensación de control sobre las aplicaciones críticas alojadas fuera de sus propios centros de datos.

Hoy en día, las empresas se encuentran en una fase similar de prueba y aceptación del aprendizaje automático (ML) en sus entornos de producción, y uno de los factores que acelera este cambio son los MLOps.

Al igual que las startups nativas de la nube, muchas startups ahora son nativas de ML y ofrecen productos diferenciados a sus clientes. Pero una gran mayoría de empresas grandes y medianas solo prueban aplicaciones de aprendizaje automático o tienen dificultades para poner en producción modelos que funcionen.

LEER  Lo que todos nos perdimos en la última presentación del mercado de valores de UiPath - TechCrunch

Estos son algunos desafíos clave con los que MLOps puede ayudarlo:

Es difícil hacer que la colaboración ML funcione entre equipos

Un modelo ML puede ser tan simple como uno que predice la tasa de abandono, o tan complejo como uno que determina los precios de Uber o Lyft entre San José y San Francisco. Construir un modelo y capacitar a los equipos para que lo aprovechen es una tarea increíblemente compleja.

El espacio MLOps todavía está dando sus primeros pasos en la actualidad, pero tiene un enorme potencial, ya que permite a las organizaciones llevar la IA a los entornos de producción en una fracción del tiempo que tardan en la actualidad.

Además de requerir una gran cantidad de datos históricos etiquetados para entrenar estos modelos, varios equipos deben coordinarse para monitorear continuamente los modelos para detectar cualquier degradación en el rendimiento.

LEER  Un vicepresidente ejecutivo de Oracle adoptó hoy un enfoque valiente con un periodista; ahora está suspendido de Twitter - TechCrunch

Hay tres roles principales involucrados en el modelado de ML, pero cada uno tiene diferentes motivaciones e incentivos:

Ingenieros de datos: Los ingenieros expertos se destacan por recopilar datos de múltiples fuentes, limpiarlos y almacenarlos en los formatos correctos para que se pueda realizar el análisis. Los ingenieros de datos juegan con herramientas como ETL / ELT, almacenes de datos y lagos de datos, y están bien versados ​​en el manejo de conjuntos de datos estáticos y de transmisión. Una canalización de datos de alto nivel creada por un ingeniero de datos podría tener este aspecto:

canalización de datos

Créditos de imagen: Ashish Kakran, Thomvest Ventures

Científicos de datos: Estos son los expertos que pueden realizar regresiones complejas mientras duermen. Utilizando herramientas populares como el lenguaje Python, Jupyter Notebooks y Tensorflow, los científicos de datos toman los datos proporcionados por los ingenieros de datos y los analizan, lo que da como resultado un modelo muy preciso. A los científicos de datos les encanta probar diferentes algoritmos y comparar la precisión de estos modelos, pero después de eso, alguien tiene que hacer el trabajo para llevar los modelos a producción.

Ingenieros de IA / Ingenieros de DevOps: Son especialistas que entienden la infraestructura, pueden poner en producción los modelos y, si algo sale mal, detectan rápidamente el problema e inician el proceso de resolución.

LEER  Deskimo respaldado por YC, una aplicación de espacio de coworking bajo demanda, se lanza en Singapur y Hong Kong - TechCrunch

MLOps permite que estas tres personalidades esenciales colaboren continuamente para lograr implementaciones exitosas de IA.

La proliferación de herramientas de aprendizaje automático

En el mundo nuevo, ascendente y liderado por desarrolladores, los equipos pueden elegir entre una gran cantidad de herramientas para resolver sus problemas.

¡Haz clic para puntuar esta entrada!
(Votos: Promedio: )