Wat is moeilijkste machine learning probleem?
Nee, het zijn niet zelfrijdende auto’s. Hoewel dat ook een interessante uitdaging is.
Het is hoe je je experimenten in productie brengt!
Stel je voor: jij en je team hebben alle research gedaan, alle data verzameld, alle modellen getraind en je ML-model werkt! Met een 98% precisie, daar waar je gehoopt had op 95%. Je exporteert het model en maakt de API beschikbaar en je bent klaar.
Geweldig, toch?
Nee!
Dit is waar de laatste jaren software engineers mee worstelen. Iets bouwen is makkelijk, maar iets onderhouden is hard werken!
- Hoe ga je om met veranderingen in de code?
- Wat doen we met onderliggende veranderingen in het datamodel?
- Hoe regelen we updates en nieuwe releases?
We kunnen het onderhoud voor Machine Learning oplossen door te kijken naar moderne software engineers. DevOps is een populaire manier voor het ontwerpen en onderhouden van grote, complexe softwaresystemen die steeds vaker wordt gebruikt in de afgelopen jaren. En we kunnen de best practices van DevOps toepassen op onze Machine Learning projecten om de snelheid, stabiliteit en beveiliging te verbeteren: MLOps!
MLOps
Google definieert drie MLOps maturity levels. Deze levels omschrijven hoe je omgaat met automatisering in je Machine Learning projecten. Denk eraan: niet ieder project is rijp voor maturity level 2 – sommige projecten komen beter tot zijn recht in level 0 dan level 2!
