Day 07 : MLOps 的挑戰與技術要求

2021 iThome 鐵人賽

DAY 7

AI & Data

從 AI 落地談 MLOps系列第 7 篇

13th鐵人賽 #azure mlops

威利斯

2021-09-07 08:04:31

3137 瀏覽

分享至

在 Day 06 引用與介紹 3 個 MLOps 相關定義，如果 MLOps 是一種工程文化與實踐，旨在 ML 系統開發與 ML 系統操作，實際遇到的挑戰與技術要求持續交付基金會 CDF 有不少深刻的整理，摘述如下:

MLOps 的挑戰

CDF MLOps SIG 基於以下問題而關注 MLOps 發展:
- ML 使用持續交付 (CI/CD) 可能會提高部署速度，但是否會提高或確保品質？
- 是否正在部署提供道德、公平和無偏見的預測模型？
- ML 執行的操作是否可驗證？
- 能否嚴格維護和測試？
- 是否有明確的 Metadata 收集、實驗跟蹤、版本控制、ETL 操作等指南？
MLOps Roadmap 2021 撰寫了各種 MLOps 挑戰與技術要求指引，摘述幾個特色說明:
- MLOps 實踐不限何種程式語言、平台、模組。
- 在資料科學家可能不具有部署軟體服務的豐富經驗情況下，將訓練過的 ML 模型包裝為可部署的方法。
- 將 MLOps 應用於 PB 級及更高級別的超大規模問題的方法。
- 管理 MLOps 資產發布週期的治理流程，包括負責任的 AI 原則。
- 模型的內在保護。
MLOps Roadmap 2021 的小叮嚀:
- 必須認識到，雖然 Python 作為一種表達 ML 概念的語言很方便，但它是一種解釋性腳本語言，在生產環境中本質上是不安全的，因為任何可以注入 Python 環境的臨時 Python 源都可以不受約束地執行, 即使 shell 訪問被禁用。不應長期使用 Python 來構建任務關鍵型 ML 模型，而應採用更安全的設計選項。
在實踐 MLOps 過程中，以下四步驟可以供參考:
1. 為了確保運行的實驗有信心建構出最佳模型，訓練資料、程式、模型需要追蹤程式、版本控制的一些技巧。
2. 設定觸發器已重新運行訓練作業，通常是自動化的。
3. 模型應該要經過嚴格的可控可逆的 CI/CD 流程進行適當的測試、評估和批准才能發布，此為資料科學家很大的缺口。
4. 我們希望持續能理解模型的性能，這與確保品質與業務持續性很重要。
另外， Google Cloud 的 Architecture for MLOps using TFX, Kubeflow Pipelines, and Cloud Build 指引，在意的是如何實現 MLOPs ，將 MLOps 說明為:
- 如需在生產環境中結合機械學習系統，您需要安排 ML pipeline 中的步骤。此外，您需要將 pipeline 自動化，已持續訓練模型。如需實驗新想法與功能，您需要在 pipeline 採用 CI/CD 作法。

End to end 解決方案

MLOps 與 DevOps 不同之處，很大一部分在於紀錄的主體不同， MLOps 除了「持續整合」(CI)、「持續交付」(CD)，也需要實現「持續訓練」(CT)。

上圖為 Google展示的 CI/CD 流程與持續機械學習 CT 的關係:
- 您的 Code 包含採用的"模型"，訓練後的"超參數"。
- 您的資料是變動的資料。
- 透過部署觸發持續訓練 CT 流程。
- 最後部署在產品服務中。
基於用於生產的機械學習有龐大的自動化需求，簡要提出 Google 及微軟的自動化解決架構如後。