Verwenden Sie die ModelOps -Tools, um Ihre KI-Assets von der Entwicklung bis zur Produktion zu verwalten.
Erläuterungen zu ModelOps
MLOps synchronisiert Kadenzen zwischen der Anwendung und Modellpipelines. Es baut auf den folgenden Praktiken auf:
- DevOps für die Einführung eines Modells für maschinelles Lernen von der Erstellung über das Training bis hin zur Bereitstellung und zur Produktion.
- ModelOps für die Verwaltung des Lebenszyklus eines traditionellen Modells für maschinelles Lernen, einschließlich Bewertung und erneutes Training.
MLOps umfasst nicht nur die routinemäßige Implementierung von Modellen für maschinelles Lernen, sondern auch das kontinuierliche erneute Training, die automatisierte Aktualisierung und die synchronisierte Entwicklung und Implementierung komplexerer Modelle für maschinelles Lernen. In den folgenden Ressourcen finden Sie weitere Details zur Entwicklung einer MLOps-Strategie:
- Im Anwendungsfallwatsonx.ai wird beschrieben, wie Modelle für maschinelles Lernen und abgeleitete KI-Lösungen entwickelt und implementiert werden.
- Der Anwendungsfallwatsonx.governance beschreibt, wie maschinelles Lernen und abgeleitete KI-Modelle in der Produktion überwacht, verwaltet, automatisiert und gesteuert werden.
ModelOps -Tools
Abhängig von der verwendeten Plattform und den Services, die Sie aktiviert haben, können Sie Ihren ModelOps -Prozess mit einer Kombination von Tools entwerfen, die Sie bei der Verwaltung von Assets unterstützen.
- Pipelines für die Automatisierung des End-to-End-Ablaufs eines Modells für maschinelles Lernen durch den KI-Lebenszyklus.
- KI-Governance für die Erstellung eines zentralen Repositorys mit Factsheets, die den Lebenszyklus eines Modells verfolgen, einschließlich Anforderung, Erstellung, Implementierung und Auswertung von aAI -Assets
- Das Befehlszeilentool 'cpdctl' für die Verwaltung und Automatisierung Ihrer Machine Learning-Assets, die in Cloud Pak for Data as a Service gehostet werden, mithilfe des Befehlszeilentools 'cpdctl'. Verwenden Sie die automatische Konfiguration aus IBM Cloud , um einfach eine Verbindung zu den cpdctl-API-Befehlen herzustellen.
Zugriff mit Bereitstellungsbereichen verwalten
Verwenden Sie Bereitstellungsbereiche, um den Zugriff auf Assets zu organisieren und zu verwalten, während sie den KI-Lebenszyklus durchlaufen. Sie können den Zugriff mit Bereitstellungsbereichen beispielsweise wie folgt verwalten:
- Erstellen Sie einen Bereitstellungsbereich und weisen Sie ihn Entwicklung als Bereitstellungsstage zu. Wenn Sie Assets regulieren, werden Bereitstellungen in diesem Bereichstyp in der Stufe Entwickeln eines Anwendungsfalls angezeigt. Erteilen Sie den Data-Scientists den Zugriff zum Erstellen der Assets oder DevOps -Benutzer zum Erstellen von Bereitstellungen.
- Erstellen Sie einen Bereitstellungsbereich und weisen Sie ihn Testing als Bereitstellungsstufe zu. Wenn Sie Assets regulieren, werden Bereitstellungen in diesem Bereichstyp in der Stufe Validieren eines Anwendungsfalls angezeigt. Weisen Sie Zugriff auf die Modellprüfprogramme zu, um die Bereitstellungen zu testen.
- Erstellen Sie einen Bereitstellungsbereich und weisen Sie ihn Produktion als Bereitstellungsstufe zu. Wenn Sie Assets regulieren, werden Bereitstellungen in diesem Speicherbereichstyp in der Stufe Betrieb eines Anwendungsfalls angezeigt. Beschränken Sie den Zugriff auf diesen Bereich auf ModelOps -Benutzer, die die Assets verwalten, die in einer Produktionsumgebung bereitgestellt werden.
ModelOps mithilfe von Pipelines automatisieren
Der IBM Orchestration Pipelines-Editor stellt eine grafische Schnittstelle für die Orchestrierung eines End-to-End-Ablaufs von der Erstellung bis zur Implementierung bereit. Sie können eine Pipeline zusammenstellen und konfigurieren, um Modelle für maschinelles Lernen und Python-Scripts zu erstellen, zu trainieren, bereitzustellen und zu aktualisieren. Machen Sie Ihren ModelOps -Prozess einfacher und reproduzierbar.
Verfolgen von Modellen mit AI Factsheets
AI Factsheets bieten Ihnen die Möglichkeit, Data-Science-Modelle im gesamten Unternehmen zu verfolgen und die Details in einem Katalog zu speichern. Sehen Sie auf einen Blick, welche Modelle sich in der Produktion befinden und für welche Entwicklungs- oder Validierungsaktionen erforderlich sind. Verwenden Sie die Governance-Features, um Prozesse zur Verwaltung des Kommunikationsablaufs von Data-Scientists zu ModelOps -Administratoren einzurichten.
Modellbereitstellungen auswerten
Verwenden Sie Watson OpenScale , um Ihre KI mit Vertrauen und Transparenz zu analysieren und zu verstehen, wie Ihre KI-Modelle an der Entscheidungsfindung beteiligt sind. Erkennen und reduzieren Sie Verzerrungen und Abweichungen. Verbessern Sie die Qualität und Genauigkeit Ihrer Vorhersagen. Begründen Sie Transaktionen und führen Sie Was-wäre-wenn-Analysen durch.
Automatisierte Verwaltung von Assets und Lebenszyklus
Sie können den KI-Lebenszyklus in einem Notebook automatisieren, indem Sie den Python watsonx.ai Runtime verwenden.
Dieses Beispielnotebook veranschaulicht Folgendes:
- Extern trainiertes scikit-learn-Modell mit Dataset herunterladen
- Persistieren eines externen Modells im watsonx.ai Runtime Repository
- Modell für Online-Scoring mithilfe der Clientbibliothek bereitstellen
- Scoren von Beispieldatensätzen mithilfe der Clientbibliothek
- Zuvor als persistent definiertes Modell aktualisieren
- Modell an Ort und Stelle erneut bereitstellen
- Bereitstellung skalieren
Alternativ können Sie IBM Cloud Pak for Data Command-Line Interface (cpd-cli) verwenden, um Konfigurationseinstellungen zu verwalten und einen End-to-End-Ablauf zu automatisieren. Dieser End-to-End-Ablauf umfasst das Trainieren eines Modells, das Speichern des Modells, das Erstellen eines Bereitstellungsbereichs und das Bereitstellen des Modells.
Typisches Szenario ModelOps
Im Folgenden sehen Sie ein typisches Szenario für ModelOps in Cloud Pak for Data :
- Datenassets organisieren und kuratieren
- Modell mithilfe von AutoAI trainieren
- Modell speichern und bereitstellen
- Verfolgen Sie das Modell in einem Anwendungsfall, sodass alle Mitarbeiter den Fortschritt des Modells im Lebenszyklus verfolgen und sicherstellen können, dass es den Unternehmensstandards entspricht.
- Bereitstellung auf Verzerrung bewerten
- Bereitstellung mit einem leistungsfähigsten Modell aktualisieren
- Überwachen von Bereitstellungen und Jobs im gesamten Unternehmen
Weitere Informationsquellen
- Wikipedia-Artikel zu ModelOps
- Lesen Sie den ModelOps Blogbeitrag .
- IBM Blogbeitrag zu ModelOps mit Informationen zur Verwendung von ModelOps zur Wertschöpfung aus Ihren KI-Investitionen.
- Informationen zur Nutzung von ModelOps bei IBM.
Übergeordnetes Thema: Assets implementieren und verwalten