Vemos a como um bom ponto de partida para qualquer solu??o de aprendizado de m¨¢quina que esteja sendo implantada em produ??o. Muitas organiza??es est?o se tornando mais dependentes de solu??es de aprendizado de m¨¢quina tanto para ofertas para clientes quanto para opera??es internas. Portanto, faz sentido que os neg¨®cios apliquem as li??es e boas pr¨¢ticas capturadas pela entrega cont¨ªnua (CD) para solu??es de aprendizado de m¨¢quina (ML).
Cerca de uma d¨¦cada atr¨¢s, apresentamos a entrega cont¨ªnua (CD), nossa maneira padr?o de fornecer solu??es de software. As solu??es de hoje incluem cada vez mais modelos de aprendizado de m¨¢quina e n?o os consideramos exce??o para ado??o de pr¨¢ticas de entrega cont¨ªnua. Chamamos isso de . Embora os princ¨ªpios de CD permane?am os mesmos, as pr¨¢ticas e ferramentas para implementar o processo de treinamento, teste, implanta??o e monitoramento de modelos de ponta a ponta demandam algumas modifica??es. Por exemplo: o controle de vers?o n?o deve incluir apenas o c¨®digo, mas tamb¨¦m os dados, os modelos e seus par?metros; a pir?mide de testes se estende para incluir a valida??o de vieses, imparcialidade e dados e recursos do modelo; o processo de implanta??o deve considerar como promover e avaliar o desempenho de novos modelos em rela??o aos modelos de refer¨ºncia atuais. Embora o setor esteja entusiasmado com a nova palavra da moda, MLOps, sentimos que CD4ML ¨¦ nossa abordagem hol¨ªstica para implementa??o de um processo de ponta a ponta para liberar de forma confi¨¢vel e melhorar continuamente os modelos de aprendizado de m¨¢quina, da ideia ¨¤ produ??o.
Aplicar aprendizado de m¨¢quina para tornar servi?os e aplica??es de neg¨®cios inteligentes ¨¦ mais do que apenas treinar servir modelos. Requer a implementa??o de ciclos completos e repet¨ªveis de treinamento, testes, implanta??o, monitoramento e opera??o dos modelos. ¨¦ uma t¨¦cnica que permite ciclos de desenvolvimento de ponta-a-ponta confi¨¢veis, implanta??o e monitoramento de modelos de aprendizado de m¨¢quina. A stack tecnol¨®gica subjacente para ativar CD4ML inclui ferramentas para acessar e descobrir dados, controle de vers?o de artefatos (como dados, modelo e c¨®digo), pipelines de entrega cont¨ªnua, provisionamento de ambiente automatizado para v¨¢rias implanta??es e experimentos, avalia??o e rastreamento de desempenho e modelo, e observabilidade de modelo operacional. As empresas podem escolher seu pr¨®prio conjunto de ferramentas, dependendo da stack tecnol¨®gica existente. CD4ML enfatiza a automa??o e a remo??o de transfer¨ºncias manuais. CD4ML ¨¦ a nossa abordagem de escolha para o desenvolvimento de modelos de aprendizado de m¨¢quina.
Com a popularidade crescente das aplica??es baseadas em aprendizado de m¨¢quina e a complexidade t¨¦cnica envolvida na sua constru??o, nossos times dependem fortemente de para entregar tais aplica??es com seguran?a, rapidez e de maneira sustent¨¢vel. CD4ML ¨¦ a disciplina de trazer princ¨ªpios e pr¨¢ticas da entrega cont¨ªnua para aplica??es de aprendizado de m¨¢quina. Ela remove ciclos longos entre treinar modelos e coloc¨¢-los em produ??o. A CD4ML remove as entregas manuais entre diferentes times, pessoas engenheiras de dados, cientistas de dados e engenheiras de aprendizado de m¨¢quina no processo ponta-a-ponta de construir e implantar um modelo atendido por um aplicativo. Usando CD4ML, nossos times t¨ºm implementado com sucesso versionamento, testes e implanta??o automatizados de todos os componentes de aplicativos baseados em aprendizado de m¨¢quina: dados, modelo e c¨®digo.
A entrega cont¨ªnua para modelos de aprendizado de m¨¢quina (CD4ML) aplica as pr¨¢ticas de entrega cont¨ªnua ao desenvolvimento de modelos de aprendizado de m¨¢quina para que estejam sempre prontos para produ??o. Essa t¨¦cnica soluciona dois problemas principais do modelo tradicional de aprendizado de m¨¢quina: um tempo longo de ciclo entre treinar modelos e implement¨¢-los em produ??o, o que muitas vezes inclui converter manualmente o modelo para c¨®digo pronto para produ??o, e usar modelos de produ??o que foram treinados com dados obsoletos. Uma pipeline de entrega cont¨ªnua de um modelo de aprendizado de m¨¢quina tem dois gatilhos: (1) mudan?as na estrutura do modelo; (2) mudan?as no conjunto de dados de treinamento e testes. Para isso funcionar, ¨¦ preciso versionar tanto os conjuntos de dados quanto o c¨®digo-fonte do modelo. A pipeline frequentemente inclui passos como testar o modelo usando conjunto de dados de teste, usando a convers?o autom¨¢tica do modelo (se necess¨¢rio) com ferramentas como , e implementar o modelo em produ??o para entregar valor.
