TL;DR
- این پست یک مصاحبه مهمان با دیگو ام.
- اوپنهایمر، مدیر عامل در Algorithmia را نشان میدهد در چند سال گذشته، یادگیری ماشین در رشد کرده است.
- های بیشتری به اهمیت یادگیری ماشینی برای ارائه نتایج برای کسب و کار خود پی میبرند.
چه اتفاقی افتاد
این پست یک مصاحبه مهمان با دیگو ام. اوپنهایمر، مدیر عامل در Algorithmia را نشان میدهد در چند سال گذشته، یادگیری ماشین در رشد کرده است.
های بیشتری به اهمیت یادگیری ماشینی برای ارائه نتایج برای کسب و کار خود پی میبرند. دانشمندان داده و مهندسان یادگیری ماشین بهطور فزایندهای مدلها و حتی مجموعه دادههای متعارف را.
در GitHub ذخیره میکنند تا بتوانند کار خود را تولید کنند. برای بررسی نحوه آماده سازی کسب و کارها برای یادگیری ماشینی ی،.
معاون توسعه کسب و کار و مهندسی شریک ما،. دانا لاوسون،.
با دیگو ام. اوپنهایمر،.
مدیرعامل Algorithmia،. در مورد وضعیت فعلی MLOps (عملیات یادگیری ماشین) و آنچه شرکتها باید بهعنوان بخشی از جریان کار.
یادگیری ماشین خود در نظر بگیرند،. صحبت کرد.
بیایید شیرجه بزنیم! برای مخاطبان ما که با این موضوع آشنا نیستند، میتوانید به آنها بگویید MLOps چیست؟
ماشین عملیات یادگیری (MLOps) رشته ارائه مدلهای یادگیری ماشینی از طریق گردشهای کاری قابل تکرار و کارآمد است. بهطور خلاصه،.
این چیزی است که کسب و کارها را قادر میسازد تا ظرفیتهای تولید خود را تا حدی افزایش. دهند که نتایج قابل توجهی از یادگیری ماشین ارائه کنند.
و این یک جزء ضروری برای شرکتهایی است که تلاشهای هوش مصنوعی خود را در آینده صنعتی میکنند. علاوه بر چالشهای معماری رایج (مانند هماهنگسازی سختافزار،.
مدیریت کانتینر،. تعادل بار و مدیریت API استنتاج)،.
ها همچنین با امنیت،. حاکمیت و نسخهسازی مصنوعات ML دست و پنجه نرم میکنند – این چالشی است که باید حل شود.
تا اطمینان حاصل شود که یادگیری ماشین میتواند بهطور گسترده در آینده تولید شود. اینجاست که MLOها وارد میشوند و چرا کسب و کارها برای باز کردن ارزش در هوش.
مصنوعی خود به آن نیاز دارند. اکثر تیمهای یادگیری ماشین امروز چه کاری انجام میدهند و بزرگترین چالشهای آنها چیست؟
در عملیاتی کردن کارشان؟ امروزه، بیشتر تیمهای یادگیری ماشینی در با یک زنجیره ابزار متفاوت کار میکنند.
آنها این کار را به این دلیل انجام میدهند که برای هر بخش از چرخه حیات ML. ابزارهای مختلفی بهینه شده است - ابزارهایی برای مجموعه دادههای ذخیره سازی،.
ابزارهایی برای مدلهای بزرگ،. سپس برای نسخه سازی نوت بوکها،.
ارزیابی و آزمایش مدلها،. و سپس به کارگیری در تولید.
تیمهای ML علاوه بر حفظ و تولید مدلهای خود،. به راهی برای همکاری مستمر با سایر تیمها نیاز دارند.
بسیاری از تیمهای ML اصول DevOps را در کار خود گنجاندهاند،. اما برخی دیگر هنوز در سیلوهای تحقیقاتی خود کار میکنند،.
جدای از تیمهای محصول یا عرضهشده به بازار که میتوانند به آنها کمک کنند تا همه قطعات را. به روشی ایمن،.
سازگار و قابل اعتماد برای رسیدن به اهداف تجاری کنار هم قرار دهند. در مورد روندهای فعلی که در یادگیری ماشین مشاهده میکنید در روندهای ی ما در یادگیری ماشینی.
در سال 2021 به ما بگویید. گزارش،.
ما دریافتیم که 83 درصد ازها بودجه خود را برای هوش مصنوعی و ML نسبت به سال. گذشته افزایش داده اند و میانگین تعداد دانشمندان داده استخدام شده 76 درصد در مدت مشابه افزایش یافته.
است. اما همان ها برای مدیریت و گسترش این تلاشها تلاش میکنند.
گزارش ما نشان داد که زمان لازم برای استقرار یک مدل ML در واقع افزایش یافته است -. به این معنی که بسیاری از ها بهجای تمرکز بر کارایی عملیاتی زیربنایی که کسبوکارها را قادر میسازد.
از طریق ML به نتایج بیشتری دست یابند،. تلاشهای ML خود را به صورت دستی افزایش میدهند.
به عبارت دیگر، آنها به جای اصلاح چرخه عمر شکسته ML، بدهی فنی بیشتری میگیرند. در ارتباط با چالش بدهیهای فنی،.
ما همچنین میبینیم کهها با انواع مسائل عملیاتی دست و پنجه نرم میکنند،. به ویژه در مورد حاکمیت.
در گزارش ما،. 56 درصد از پاسخدهندگان نظرسنجی نشان دادند که با آن مشکل دارند الزامات حاکمیت،.
امنیت و قابلیت حسابرسی فناوری اطلاعات - و 67 ٪ گزارش کردند که نیاز به رعایت مقررات متعدد. دارند.
این مهمترین موضوع گزارش شده توسط پاسخ دهندگان بود،. اما انواع دیگر مسائل در طول چرخه حیات ML دربرگرفت.
بهعنوان مثال،. 49 درصد مشکلات یکپارچهسازی و سازگاری را پیرامون فناوریهای ML،.
زبانهای برنامهنویسی و چارچوبها گزارش کردند که آن را به دومین چالش رایج تبدیل کرد. چند سال دیگر، MLOها چگونه خواهند بود؟
برای حل مشکل ابزار ناهمگون ML،. باید یک پشته متعارف و واضح برای هوش مصنوعی و یادگیری ماشین وجود داشته باشد.
Algorithmia اخیراً به AI Infrastructure Alliance پیوسته است،. گروهی از شرکتهای همفکر که گرد هم میآیند تا این پشته متعارف را تعریف کنند.
امید ما این است که استانداردهای باز به تسریع پذیرش و نوآوری با یادگیری ماشینی کمک کند،. و آن را واقعاً قابل حمل و مقیاسپذیر،.
با نقاط پایانی برای کمک کند. ها امنیت،.
حاکمیت و نظارت را مدیریت میکنند،. همانطور که امروزه با استانداردهای منبعباز مانند لینوکس یا Kubernetes میبینیم.
در حالت ایدهآل،. با آن استانداردهای باز،.
کسبوکارها میتوانند مدلها را در هر جایی آموزش،. ارزیابی و میزبانی کنند.
مشابه برنامههای کانتینریشده امروزی،. میتوانید مدلها را در هر جایی مستقر کنید - چه در فضای ابری،.
چه در لبه یا جایی در میان برای محاسبات مه. در GitHub ما عاشق اتوماسیون و زنجیره ابزار به هم پیوسته هستیم.
به نظر شما برخی از مزایای پذیرش MLOها برای اتوماسیون استقرار چیست؟ علاوه بر اینکه شما را از عملیات دستی وقت گیر و مستعد خطا رها میکند،.
استقرار خودکار جزء مهمیاز حاکمیت مدل است. بهعنوان یک خط مشی،.
برخی ازها مستلزم این هستند که استقرار شامل تأییدیههای متعدد باشد و فقط از طریق فرآیندهای. خودکار انجام شود.
علاوه بر این،. گردش کار استقرار مداوم به ردیابی کمک میکند مصنوعات را در منابع خود مستقر میکند،.
در حالی که فرآیند استقرار را قابل تکرار میکند. بنابراین تولید مدلهای خود بر روی الگوریتمیاز طریق اتوماسیونهای مبتنی بر قوانین،.
بهعنوان بخشی از چارچوب حاکمیت مدل شما،. عمل خوبی است.
یادگیری ماشین را با GitHub Actions و Algorithmia تولید کنید Algorithmia نرم افزار عملیات یادگیری ماشین (MLOps) است. که تمام مراحل چرخه عمر ML تولید را در فرآیندهای عملیاتی موجود مدیریت میکند تا بتوانید مدل.
ها را به سرعت،. ایمن و مقرون به صرفه وارد تولید کنید.
برای شروع آماده سازی یادگیری ماشینی خود برای ی،. اقدامات Algorithmia را در GitHub Marketplace بررسی کنید و از راهنما در وبلاگ Algorithmia دیدن کنید.
نوشته شده توسط پستهای مرتبط از GitHub بیشتر کاوش کنید اسناد همه چیزهایی که برای تسلط بر. GitHub نیاز دارید،.
همه در یک مکان. به Docs بروید GitHub در GitHub آنچه در آینده است بسازید،.
مکانی برای هر کسی از هر کجا که بتواند هر چیزی بسازد. شروع به ساختن کنید داستانهای مشتری با شرکتها و تیمهای مهندسی که با GitHub می.
سازند آشنا شوید. بیشتر بدانید پادکست GitHub پادکست GitHub را دنبال کنید،.
نمایشی که به،. روندها،.
داستانها و فرهنگ در داخل و اطراف جامعه توسعه دهندگان منبعباز در GitHub اختصاص دارد. حالا گوش کن.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.