Utilisez les outils ModelOps pour gérer vos actifs d'IA du développement à la production.
Explication de ModelOps
MLOps synchronise les cadences entre les pipelines d'application et de modèle. Il s'appuie sur les pratiques suivantes :
- DevOps pour apporter un modèle d'apprentissage automatique de la création à la production, en passant par l'entraînement et le déploiement.
- ModelOps pour gérer le cycle de vie d'un modèle d'apprentissage automatique traditionnel, y compris l'évaluation et le recyclage.
MLOps inclut non seulement le déploiement de routine de modèles d'apprentissage automatique, mais aussi le recyclage continu, la mise à jour automatisée, le développement synchronisé et le déploiement de modèles d'apprentissage automatique plus complexes. Explorez ces ressources pour plus de détails sur l'élaboration d'une stratégie MLOps:
- Le cas d'utilisationwatsonx.ai décrit comment développer et déployer des modèles d'apprentissage automatique et des solutions d'IA génératives.
- Le cas d'utilisationwatsonx.governance décrit comment surveiller, gérer, automatiser et gouverner les modèles d'apprentissage automatique et d'IA générative en production.
Outils ModelOps
Selon la plateforme que vous utilisez et les services que vous avez activés, vous pouvez concevoir votre processus ModelOps à l'aide d'une combinaison d'outils pour vous aider à gérer les actifs.
- Pipelines permettant d'automatiser le flux de bout en bout d'un modèle d'apprentissage automatique tout au long du cycle de vie de l'intelligence artificielle.
- Gouvernance de l'IA pour la création d'un référentiel centralisé de fiches de données qui suivent le cycle de vie d'un modèle, y compris la demande, la génération, le déploiement et l'évaluation des actifs aAI
- L' outil d'interface de ligne de commande cpdctl pour la gestion et l'automatisation de vos actifs d'apprentissage automatique hébergés sur Cloud Pak for Data as a Service à l'aide de l'outil d'interface de ligne de commande cpdctl. Utilisez la configuration automatique à partir d' IBM Cloud pour vous connecter facilement avec les commandes d'API cpdctl.
Gestion de l'accès avec des espaces de déploiement
Utilisez des espaces de déploiement pour organiser et gérer l'accès aux actifs au fur et à mesure qu'ils passent par le cycle de vie de l'IA. Par exemple, vous pouvez gérer l'accès avec des espaces de déploiement de la manière suivante:
- Créez un espace de déploiement et affectez-le à Développement en tant qu'étape de déploiement. Si vous gouvernez des actifs, les déploiements dans ce type d'espace s'affichent à l'étape Développement d'un cas d'utilisation. Affectez l'accès aux spécialistes des données pour créer les actifs ou aux utilisateurs DevOps pour créer des déploiements.
- Créez un espace de déploiement et affectez-le à Test en tant qu'étape de déploiement. Si vous gouvernez des actifs, les déploiements de ce type d'espace s'affichent dans la phase Valider d'un cas d'utilisation. Affectez l'accès aux valideurs de modèle pour tester les déploiements.
- Créez un espace de déploiement et affectez-le à Production en tant qu'étape de déploiement. Si vous gouvernez des actifs, les déploiements dans ce type d'espace s'affichent dans l'étape Operate d'un cas d'utilisation. Limitez l'accès à cet espace aux utilisateurs ModelOps qui gèrent les actifs déployés dans un environnement de production.
Automatisation de ModelOps à l'aide de Pipelines
L'éditeur IBM Orchestration Pipelines fournit une interface graphique permettant d'orchestrer un flux d'actifs de bout en bout depuis la création jusqu'au déploiement. Assemblez et configurez un pipeline pour créer, former, déployer et mettre à jour des modèles d'apprentissage machine et des scripts Python. Rendez votre processus ModelOps plus simple et reproductible.
Suivi des modèles à l'aide de AI Factsheets
Les AI Factsheets vous permettent de suivre les modèles de science des données dans toute l'organisation et de stocker les détails dans un catalogue. En un coup d'oeil, vous pouvez voir quels modèles sont en production et lesquels nécessitent d'être développés ou validés. Utilisez les fonctions de gouvernance pour établir des processus permettant de gérer le flux de communication entre les spécialistes des données et les administrateurs ModelOps .
Evaluation des déploiements de modèle
Utilisez Watson OpenScale pour analyser votre intelligence artificielle avec confiance et transparence et comprendre comment vos modèles d'intelligence artificielle sont impliqués dans la prise de décision. Détectez les biais et les dérives et atténuez-les. Augmentez la qualité et la précision de vos prévisions. Expliquez les transactions et procédez à une analyse par simulation.
Automatisez la gestion des actifs et du cycle de vie
Vous pouvez automatiser le cycle de vie de l'IA dans un ordinateur portable en utilisant le clientPython watsonx.ai Runtime.
Cet exemple de bloc-notes montre comment:
- Télécharger un modèle scikit-learn entraîné en externe avec un jeu de données
- Persister un modèle externe dans le référentiel du Runtime watsonx.ai
- Déploiement d'un modèle pour l'évaluation en ligne à l'aide de la bibliothèque client
- Evaluer les exemples d'enregistrement à l'aide de la bibliothèque client
- Mettre à jour un modèle précédemment conservé
- Redéployer un modèle sur place
- Mise à l'échelle d'un déploiement
Vous pouvez également utiliser l'interface en ligne de commande IBM Cloud Pak for Data (cpd-cli) pour gérer les paramètres de configuration et automatiser un flux de bout en bout. Ce flux de bout en bout inclut l'entraînement d'un modèle, sa sauvegarde, la création d'un espace de déploiement et le déploiement du modèle.
Scénario ModelOps typique
Un scénario ModelOps typique dans Cloud Pak for Data peut être:
- Organiser et organiser les actifs de données
- Entraînement d'un modèle à l'aide d' AutoAI
- Sauvegarder et déployer le modèle
- Suivez le modèle dans un cas d'utilisation afin que tous les collaborateurs puissent suivre la progression du modèle tout au long du cycle de vie et s'assurer qu'il est conforme aux normes de l'organisation.
- Evaluer le déploiement pour le biais
- Mise à jour du déploiement avec un modèle plus performant
- Surveillance des déploiements et des travaux dans l'organisation
Autres ressources
- Article Wikipedia sur ModelOps
- Lisez l’ article du blog ModelOps .
- L'article de blog IBM sur ModelOps à propos de l'utilisation de ModelOps pour générer de la valeur à partir de votre investissement AI.
- Voir comment IBM s'adresse à ModelOps.
Rubrique parent: Déploiement et gestion des actifs