Utilice las herramientas de ModelOps para gestionar los activos de IA desde el desarrollo hasta la producción.
ModelOps explicado
MLOps sincroniza las cadencias entre la aplicación y las interconexiones de modelo. Se basa en estas prácticas:
- DevOps para llevar un modelo de aprendizaje automático desde la creación hasta el entrenamiento, el despliegue y la producción.
- ModelOps para gestionar el ciclo de vida de un modelo de aprendizaje automático tradicional, incluida la evaluación y el reentrenamiento.
MLOps incluye no solo el despliegue rutinario de modelos de aprendizaje automático, sino también el reciclaje continuo, la actualización automatizada y el desarrollo y despliegue sincronizados de modelos de aprendizaje automático más complejos. Explore estos recursos para obtener más detalles sobre el desarrollo de una estrategia MLOps:
- El caso de uso dewatsonx.ai describe cómo desarrollar y desplegar modelos de aprendizaje automático y soluciones generativas de IA.
- El caso de uso dewatsonx.governance describe cómo supervisar, mantener, automatizar y gobernar modelos de machine learning y de IA generativa en producción.
Herramientas de ModelOps
En función de la plataforma que utilice y de los servicios que haya habilitado, puede diseñar el proceso ModelOps utilizando una combinación de herramientas para ayudarle a gestionar activos.
- Pipelines para automatizar el flujo de extremo a extremo de un modelo de aprendizaje automático a través del ciclo de vida de IA.
- AI Governance para crear un repositorio centralizado de hojas de datos que realizan un seguimiento del ciclo de vida de un modelo, incluyendo la solicitud, la creación, el despliegue y la evaluación de activos de aAI
- La herramienta de interfaz de línea de mandatos cpdctl para gestionar y automatizar los activos de aprendizaje automático alojados en Cloud Pak for Data as a Service utilizando la herramienta de interfaz de línea de mandatos cpdctl. Utilice la configuración automática de IBM Cloud para conectarse fácilmente con los mandatos de la API cpdctl.
Gestión del acceso con espacios de despliegue
Utilice los espacios de despliegue para organizar y gestionar el acceso a los activos a medida que avanzan por el ciclo de vida de IA. Por ejemplo, puede gestionar el acceso con espacios de despliegue de las siguientes maneras:
- Cree un espacio de despliegue y asígnelo a Desarrollo como etapa de despliegue. Si está gobernando activos, los despliegues en este tipo de espacio se muestran en la etapa Desarrollar de un caso de uso. Asigne acceso a los científicos de datos para crear los activos o usuarios de DevOps para crear despliegues.
- Cree un espacio de despliegue y asígnelo a Prueba como etapa de despliegue. Si está gobernando activos, los despliegues en este tipo de espacio se muestran en la etapa Validar de un caso de uso. Asigne acceso a los validadores de modelos para probar los despliegues.
- Cree un espacio de despliegue y asígnelo a Producción como etapa de despliegue. Si está gobernando activos, los despliegues en este tipo de espacio se muestran en la etapa Operar de un caso de uso. Limite el acceso a este espacio a los usuarios de ModelOps que gestionan los activos desplegados en un entorno de producción.
Automatización de ModelOps utilizando Pipelines
El editor de IBM Orchestration Pipelines proporciona una interfaz gráfica para orquestar un flujo global de activos desde la creación hasta el despliegue. Ensamble y configure una interconexión para crear, entrenar, desplegar y actualizar modelos de aprendizaje automático y scripts Python. Haga que el proceso de ModelOps sea más sencillo y repetible.
Seguimiento de modelos con AI Factsheets
AI Factsheets proporciona las prestaciones para realizar un seguimiento de los modelos de ciencia de datos en toda la organización y almacenar los detalles en un catálogo. Vea de un vistazo qué modelos están en producción y cuáles necesitan desarrollo o validación. Utilice las características de gobierno para establecer procesos para gestionar el flujo de comunicación de los científicos de datos a los administradores de ModelOps .
Evaluación de despliegues de modelo
Utilice Watson OpenScale para analizar su IA con confianza y transparencia y comprender cómo participan sus modelos de IA en la toma de decisiones. Detecte y mitigue el sesgo y la desviación. Aumente la calidad y precisión de sus predicciones. Explique las transacciones y realice análisis hipotéticos.
Automatizar la gestión de activos y ciclo de vida
You can automate the AI Lifecycle in a notebook by using the watsonx.ai Runtime Python cliente.
Este cuaderno de ejemplo muestra cómo:
- Descargar un modelo scikit-learn entrenado externamente con conjunto de datos
- Persistir un modelo externo en el repositorio watsonx.ai Runtime
- Desplegar un modelo para la puntuación en línea utilizando la biblioteca de cliente
- Puntuar registros de ejemplo utilizando la biblioteca de cliente
- Actualizar un modelo persistido anteriormente
- Volver a desplegar un modelo in situ
- Escalar un despliegue
Como alternativa, puede utilizar la interfaz de línea de comandos IBM Cloud Pak for Data (cpd-cli) para gestionar los ajustes de configuración y automatizar un flujo de extremo a extremo. Este flujo de extremo a extremo incluye entrenar un modelo, guardarlo, crear un espacio de despliegue y desplegar el modelo.
Escenario típico de ModelOps
Un escenario típico de ModelOps en Cloud Pak for Data podría ser:
- Organizar y organizar activos de datos
- Entrenar un modelo utilizando AutoAI
- Guardar y desplegar el modelo
- Realice un seguimiento del modelo en un caso de uso para que todos los colaboradores puedan realizar un seguimiento del progreso del modelo a través del ciclo de vida y asegurarse de que cumple con los estándares de la organización.
- Evaluar el despliegue para sesgo
- Actualizar el despliegue con un modelo de mejor rendimiento
- Supervisar despliegues y trabajos en toda la organización
Más recursos
- Artículo de Wikipedia de ModelOps
- Lea la entrada del blogModelOps.
- Blog de IBM sobre ModelOps sobre el uso de ModelOps para aprovechar la inversión en IA.
- Vea cómo IBM aborda ModelOps.
Tema padre: Despliegue y gestión de activos