Skip to the content ForoHackers
Log inJoin

MLOps: por dónde empezar

MLOps
#2854 · · Quote · Report

MLOps es la ingeniería que saca un modelo de aprendizaje automático de un cuaderno y lo mantiene funcionando en producción: entrenamiento reproducible, datos y modelos versionados, despliegue, monitorización y reentrenamiento. Un modelo es código más datos más configuración, y se degrada a medida que el mundo cambia, así que el flujo que lo rodea importa más que cualquier ejecución aislada.

Conceptos clave

  • Reproducibilidad: semillas fijas, dependencias fijadas, configuración registrada y datos versionados, para poder repetir una ejecución.
  • Pipelines: validación de datos, cálculo de características, entrenamiento, evaluación y empaquetado como pasos automáticos.
  • Patrones de despliegue: puntuación por lotes, servicio en línea, lanzamientos en sombra y canarios, con una vuelta atrás rápida.
  • Monitorización: latencia y errores, pero también deriva de las entradas, deriva de las predicciones y calidad frente a etiquetas que llegan tarde.
  • Desajuste entre entrenamiento y servicio: las características calculadas de distinta forma fuera de línea y en línea producen fallos silenciosos.

Vocabulario

  • Feature store: un sistema compartido que sirve las mismas definiciones de características para entrenar y para servir.
  • Registro de modelos: un catálogo de versiones de modelos con sus métricas y su estado.
  • Deriva de datos: la distribución de entrada en producción se aleja de la de entrenamiento.
  • Deriva de concepto: la relación entre las entradas y la respuesta correcta cambia con el tiempo.

Qué estudiar, en orden

  1. Git, contenedores y un pipeline de CI, en lo que se apoya todo lo demás.
  2. Toma un modelo pequeño, automatiza su entrenamiento de punta a punta y consigue que dos ejecuciones den resultados idénticos.
  3. Versiona los datos y registra cada experimento con sus parámetros y métricas.
  4. Sirve el modelo tras una API HTTP con validación de entradas, pruebas y una medición de latencia.
  5. Añade monitorización de deriva, simula un cambio en las entradas y escribe el procedimiento de reentrenamiento y vuelta atrás.

Etiquetas relacionadas

#machine-learning #devops #ci-cd #observability #data-engineering

You are not logged in, so this goes up anonymously: no account, no name and no address is stored with it, and it may carry no link and no image. Log in or join to post under your name. Our web server's logs keep the address and time of every request for up to 14 days; to keep yours out of them, use Tor. To reach the staff in confidence, use the drop. Sign as a returning source (a key kept only in this browser)

Sending takes a few seconds here: your browser first works out a proof of work against spam.

Reply