Scribd
Carregar
5 visualizações17 páginas

Fundamentos e Fases de MLOps

O documento aborda os fundamentos de MLOps, destacando a importância de práticas e ferramentas para gerenciar modelos de aprendizado de máquina em produção. Ele descreve as fases de MLOps, que incluem Design, Desenvolvimento do Modelo e Operação, enfatizando a interconexão entre elas. Além disso, apresenta princípios essenciais como automação, versionamento e rastreio de experimentos.

Enviado por

Otoniel
Direitos autorais
© All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd
5 visualizações17 páginas

Fundamentos e Fases de MLOps

O documento aborda os fundamentos de MLOps, destacando a importância de práticas e ferramentas para gerenciar modelos de aprendizado de máquina em produção. Ele descreve as fases de MLOps, que incluem Design, Desenvolvimento do Modelo e Operação, enfatizando a interconexão entre elas. Além disso, apresenta princípios essenciais como automação, versionamento e rastreio de experimentos.

Enviado por

Otoniel
Direitos autorais
© All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato PDF, TXT ou leia on-line no Scribd

Fundamentos de MLOps

Renan Santos Mendes


Introdução
Fundamentos de MLOps

● Aprendizado de máquina e a IA se propagam em produtos e


serviços de software,
● Necessidade de estabelecer as melhores práticas e
ferramentas para testar, implantar, gerenciar e monitorar
modelos de ML em produção;
Fundamentos de MLOps

● Em MLOps, o foco é evitar “débito técnico” em aplicações


de ML;
● Uma experiência de MLOps ideal é aquela em que os ativos
de Machine Learning são tratados de forma consistente
com todos os outros ativos de software em um ambiente de
CI/CD.
Fundamentos de MLOps

● Os modelos de ML podem ser implantados juntamente com


os serviços que os envolvem e os serviços que os consomem
como parte de um processo de lançamento unificado.
● Ao codificar essas práticas, esperamos acelerar a adoção de
ML/AI em sistemas de software e entrega rápida de software
inteligente.
Fases de MLOps
Fundamentos de MLOps

Imagem via [Link]


Fase 1 - Design
Fundamentos de MLOps

A fase é dedicada ao entendimento do negócio, dados e software.


● Identifica-se o usuário em potencial, projetamos a solução de
aprendizado de máquina para resolver seu problema e
avaliamos o desenvolvimento do projeto;
● Atua-se dentro de duas categorias de problemas:
○ Aumentando a produtividade do usuário;
○ Aumentando a interatividade de nossa aplicação.
Fundamentos de MLOps

● Inicialmente, define-se os casos de uso de ML e os


priorizamos. A melhor prática é trabalhar em um caso de
uso de ML por vez.
● A fase visa inspecionar os dados disponíveis que serão
necessários para treinar o modelo e especificar os requisitos
funcionais e não funcionais.
● Deve-se usar esses requisitos para projetar a arquitetura do
aplicativo de ML e criar um conjunto de testes.
Fase 2 - Desenvolvimento
do Modelo
Fundamentos de MLOps

● Esta fase é dedicada a verificar a aplicabilidade do ML para


o problema, POCs de ML;
● Executa-se, etapas iterativamente diferentes, como
identificar ou melhorar o algoritmo de ML adequado,
engenharia de dados e/ou modelos;
● O objetivo principal nesta fase é fornecer um modelo de ML
de qualidade estável que será executado em produção.
Fase 3 - Operação
Fundamentos de MLOps

● O foco: entregar o modelo de ML em produção usando


práticas de DevOps;
● Todas as três fases estão interligadas e influenciam umas às
outras;
● Uma decisão de design se propaga para a fase de
experimentação e, finalmente, influenciará as opções de
implantação durante a fase final;
● Exemplo: escolha de framework para desenvolvimento.
Princípios de MLOps
Fundamentos de MLOps

Princípios de MLOps:
● Automação;
● Continuous X;
● Versionamento;
● Rastreio de Experimentos;
● Teste;
● Reprodutibilidade;

Você também pode gostar