Makine öğrenimi operasyonları çeviklik sunar, yeniliği teşvik eder
MLOps’un ana işlevi, veri bilimcilerin ve makine öğrenimi mühendislerinin makine öğrenimi iş akışlarındaki model geliştirme ve eğitimden model dağıtımı ve işletimine (model sunma) kadar daha tekrarlanabilir adımları otomatikleştirmektir. Bu adımları otomatikleştirmek, işletmeler için çeviklik, kullanıcılar ve son müşteriler için daha iyi deneyimler yaratarak makine öğreniminin hızını, gücünü ve güvenilirliğini artırır. Bu otomatikleştirilmiş süreçler aynı zamanda riski azaltabilir ve geliştiricileri ezberci görevlerden kurtararak inovasyona daha fazla zaman ayırmalarına olanak tanır. Bunların hepsi sonuca katkıda bulunuyor: McKinsey tarafından 2021 yılında yapılan küresel bir araştırma, AI’yı başarılı bir şekilde ölçeklendiren şirketlerin faiz ve vergi öncesi kazançlarına (EBIT) yüzde 20’ye kadar ekleyebileceğini buldu.
Capital One’da makine öğrenimi kıdemli direktörü Vincent David, “Gelişmiş ML yeteneklerine sahip şirketlerin farklı ML araçlarını işletmenin ayrı ceplerinde kuluçkaya yatırması alışılmadık bir durum değil” diyor. “Ancak genellikle paralellikler görmeye başlıyorsunuz – ML sistemleri benzer şeyler yapıyor, ancak biraz farklı bir bükülme ile. ML’ye yatırımlarından en iyi şekilde nasıl yararlanacaklarını bulmaya çalışan şirketler, herkesin kullanabileceği standartlaştırılmış, temel araçlar ve platformlar oluşturmak ve nihayetinde piyasada farklılaştırılmış değer yaratmak için en iyi ML yeteneklerini birleştiriyor ve güçlendiriyor.”
Pratikte MLOps, ML modellerinin tutarlı bir şekilde yeniden üretilebilirliğini, izlenmesini ve bakımını sağlamak için veri bilimcileri, ML mühendisleri ve site güvenilirlik mühendisleri (SRE’ler) arasında yakın işbirliği gerektirir. Son birkaç yılda Capital One, sektörler arasında geçerli olan en iyi MLOps uygulamalarını geliştirdi: kullanıcı ihtiyaçlarını dengeleme, ortak, bulut tabanlı bir teknoloji yığını ve temel platformları benimseme, açık kaynak araçlarından yararlanma ve doğru düzeyde erişilebilirlik ve yönetişim sağlama Hem veri hem de modeller için.
Farklı kullanıcıların farklı ihtiyaçlarını anlayın
Makine öğrenimi uygulamalarının genellikle iki ana kullanıcı türü vardır: teknik uzmanlar (veri bilimciler ve makine öğrenimi mühendisleri) ve teknik olmayan uzmanlar (iş analistleri) ve farklı ihtiyaçları arasında bir denge kurmak önemlidir. Teknik uzmanlar, genellikle, amaçlanan kullanım durumları için modeller oluşturmak için mevcut tüm araçları kullanma özgürlüğünü tercih eder. Teknik olmayan uzmanlar ise kendi iş akışlarında değer yaratmak için ihtiyaç duydukları verilere erişmelerini sağlayan kullanıcı dostu araçlara ihtiyaç duyar.
David, her iki grubu da tatmin ederken tutarlı süreçler ve iş akışları oluşturmak için uygulama tasarım ekibiyle ve çok çeşitli kullanım durumlarında konu uzmanlarıyla görüşmenizi önerir. “Sorunları anlamak için belirli vakalara bakıyoruz, böylece kullanıcılar işlerine, özellikle de genel olarak şirkete fayda sağlamak için ihtiyaç duydukları şeyi alıyorlar” diyor. “Önemli olan, kuruluş içindeki çeşitli paydaşları ve iş ihtiyaçlarını dengelerken doğru yeteneklerin nasıl yaratılacağını bulmaktır.”
Ortak bir teknoloji yığınını benimseyin
Başarılı MLO’lar için kritik olan geliştirme ekipleri arasındaki işbirliği, bu ekipler aynı teknoloji yığınını kullanmıyorsa zor ve zaman alıcı olabilir. Birleşik bir teknoloji yığını, geliştiricilerin Lego tuğlaları gibi modellerde bileşenleri, özellikleri ve araçları standartlaştırmasına, yeniden kullanmasına olanak tanır. David, “Bu, geliştiricilerin bir modelden veya sistemden diğerine geçmek için zaman kaybetmemeleri için ilgili yetenekleri birleştirmeyi kolaylaştırıyor” diyor.
Dağıtılmış bilgi işlemin bulut modelinden yararlanmak için oluşturulmuş bulutta yerel bir yığın, geliştiricilerin talep üzerine altyapıya self servis vermelerine, sürekli olarak yeni yeteneklerden yararlanmalarına ve yeni hizmetler sunmalarına olanak tanır. Capital One’ın herkese açık buluta geçme kararının geliştirici verimliliği ve hızı üzerinde kayda değer bir etkisi oldu. Üretime yönelik kod sürümleri artık çok daha hızlı gerçekleşiyor ve makine öğrenimi platformları ve modelleri daha geniş kuruluş genelinde yeniden kullanılabilir.
Açık kaynaklı makine öğrenimi araçlarıyla zamandan tasarruf edin
Açık kaynaklı ML araçları (herkesin kullanması ve uyarlaması için ücretsiz olarak sunulan kod ve programlar), güçlü bir bulut temeli ve birleşik teknoloji yığını oluşturmanın temel bileşenleridir. Mevcut açık kaynak araçlarını kullanmak, işletmenin çarkı yeniden icat etmek için değerli teknik kaynaklar ayırmasına gerek olmadığı ve ekiplerin modelleri oluşturup dağıtma hızını artırdığı anlamına gelir.