Utilizza gli strumenti ModelOps per gestire i tuoi asset AI dallo sviluppo alla produzione.
ModelOps spiegato
MLOps sincronizza le cadenze tra l'applicazione e le pipeline del modello. Si basa su queste pratiche:
- DevOps per portare un modello di machine learning dalla creazione alla formazione, alla distribuzione e alla produzione.
- ModelOps per la gestione del ciclo di vita di un modello di machine learning tradizionale, inclusa la valutazione e il riaddestramento.
MLOps include non solo la distribuzione di routine dei modelli di machine learning, ma anche il riaggiornamento continuo, l'aggiornamento automatizzato e lo sviluppo e la distribuzione sincronizzati di modelli di machine learning più complessi. Esplora queste risorse per ulteriori dettagli sullo sviluppo di una strategia MLOps:
- Il caso di utilizzo watsonx.ai descrive come sviluppare e distribuire modelli di machine learning e soluzioni AI generative.
- Il caso di utilizzo watsonx.governance descrive come monitorare, gestire, automatizzare e gestire i modelli di machine learning e AI generativi in produzione.
Strumenti ModelOps
A seconda della piattaforma che si sta utilizzando e dei servizi abilitati, è possibile progettare il processo ModelOps utilizzando una combinazione di strumenti che consentono di gestire gli asset.
- Pipeline per l'automazione del flusso end-to-end di un modello di machine learning attraverso il ciclo di vita AI.
- Governance AI per la creazione di un repository centralizzato di factsheet che tengono traccia del ciclo di vita di un modello, incluse richieste, creazione, distribuzione e valutazione di asset aAI
- Lo strumento della CLI (command - line interface) cpdctl per la gestione e l'automazione degli asset di machine learning ospitati su Cloud Pak for Data as a Service utilizzando lo strumento CLI (command - line interface) cpdctl. Utilizza la configurazione automatica da IBM Cloud per connetterti facilmente ai comandi API cpdctl.
Gestione dell'accesso con spazi di distribuzione
Utilizzare spazi di distribuzione per organizzare e gestire l'accesso agli asset man mano che si spostano nel ciclo di vita dell'intelligenza artificiale. Ad esempio, puoi gestire l'accesso con gli spazi di distribuzione nei modi seguenti:
- Crea uno spazio di distribuzione e assegnalo a Development come fase di distribuzione. Se stai governando gli asset, le distribuzione in questo tipo di spazio vengono visualizzate nella fase Develop di un caso di utilizzo. Assegnare l'accesso ai data scientist per creare gli asset o agli utenti DevOps per creare le distribuzioni.
- Crea uno spazio di distribuzione e assegnalo a Test come fase di distribuzione. Se si gestiscono asset, le distribuzioni in questo tipo di spazio vengono visualizzate nella fase Convalida di un caso di utilizzo. Assegnare l'accesso ai programmi di convalida del modello per verificare le distribuzioni.
- Crea uno spazio di distribuzione e assegnalo alla Produzione come fase di distribuzione. Se si gestiscono asset, le distribuzioni in questo tipo di spazio vengono visualizzate nella fase Operate di un caso di utilizzo. Limitare l'accesso a questo spazio agli utenti di ModelOps che gestiscono gli asset distribuiti in un ambiente di produzione.
Automazione di ModelOps utilizzando le pipeline
L'editor IBM Orchestration Pipines fornisce un'interfaccia grafica per l'orchestrazione di un flusso end-to-end di asset dalla creazione alla distribuzione. Assemblare e configurare una pipeline per creare, addestrare, distribuire e aggiornare modelli di machine learning e script Python. rendere il processo ModelOps più semplice e ripetibile.
Modelli di traccia con AI Factsheets
AI Factsheets fornisce le capacità per tenere traccia dei modelli di data science nell'organizzazione e memorizzare i dettagli in un catalogo. Visualizzare a colpo d'occhio quali modelli sono in produzione e quali necessitano di sviluppo o convalida. Utilizzare le funzioni di governance per stabilire processi per gestire il flusso di comunicazione dai data scientist agli amministratori ModelOps .
Valutazione delle distribuzioni del modello
Utilizza Watson OpenScale per analizzare la tua intelligenza artificiale con fiducia e trasparenza e comprendere in che modo i tuoi modelli AI sono coinvolti nel processo decisionale. Rileva e mitiga bias e deriva. Aumentare la qualità e l'accuratezza delle previsioni. Spiega le transazioni ed esegui l'analisi what-if.
Automatizza la gestione degli asset e del ciclo di vita
È possibile automatizzare il ciclo di vita dell'IA in un notebook utilizzando il clientPython watsonx.ai Runtime.
Questo notebook di esempio illustra come:
- Scarica un modello scikit - learn con formazione esterna con dataset
- Persistere un modello esterno nel repository watsonx.ai Runtime
- Distribuire un modello per il calcolo del punteggio online utilizzando la libreria del client
- Calcola il punteggio dei record di esempio utilizzando la libreria client
- Aggiorna un modello precedentemente persistente
- Ridistribuisci un modello sul posto
- Ridimensiona una distribuzione
In alternativa, è possibile utilizzare IBM Cloud Pak for Data Command-Line Interface (cpd-cli) per gestire le impostazioni di configurazione e automatizzare un flusso end-to-end. Questo flusso end - to - end include l'addestramento di un modello, il salvataggio, la creazione di uno spazio di distribuzione e la distribuzione del modello.
Scenario ModelOps tipico
Un tipico scenario ModelOps in Cloud Pak for Data potrebbe essere:
- Organizzare e gestire gli asset di dati
- Addestrare un modello utilizzando AutoAI
- Salva e distribuisci modello
- Tenere traccia del modello in un caso di utilizzo in modo che tutti i collaboratori possano tenere traccia dell'avanzamento del modello durante il ciclo di vita e assicurarsi che sia conforme agli standard dell'organizzazione.
- Valuta la distribuzione per la distorsione
- Aggiorna la distribuzione con un modello con prestazioni migliori
- Monitorare le distribuzioni e i lavori nell'organizzazione
Ulteriori risorse
- ModelOps Articolo Wikipedia
- Leggete il post sul blog diModelOps.
- IBM Blog post su ModelOps sull'utilizzo di ModelOps per ottenere valore dal tuo investimento AI.
- Scopri come IBM si rivolge a ModelOps.
Argomento principale Distribuzione e gestione di asset