Seuraava artikkeli auttaa sinua: 10 parasta paperia, joista voit oppia MLOpsista
Muutaman viime vuoden aikana koneoppimisessa on tapahtunut huomattavaa edistystä. Koneoppimisoperaatioista (MLOps) on siksi tulossa olennainen osa datatieteen projektien toteuttamista. Tämän menetelmän avulla yritykset voivat tuottaa pitkän aikavälin arvoa ja pienentää tekoälyn/ML:n riskiä.
MLOps viittaa lähestymistapojen ja työkalujen joukkoon ML-mallien käyttöönottamiseksi tuotannossa. Tässä on 10 paperia uusina suosikkilähteinäsi MLOpsista.
Sukellaan sisään!
- Koneoppiminen: teknisen velan korkeakorkoinen luottokortti
Tekijä
Koneoppiminen on tärkeä työkalu monimutkaisten järjestelmien nopeaan rakentamiseen. Tämä artikkeli kuitenkin väittää, että nämä nopeat voitot eivät tule ilmaiseksi. Teknisen velan viitekehyksen avulla tutkijat totesivat, että ML:ää sovellettaessa on äärimmäisen yksinkertaista kärsiä valtavat määrät jatkuvat ylläpitokustannukset järjestelmätasolla.
Tässä artikkelissa pyritään tuomaan esiin ML-spesifisiä riskitekijöitä ja vältettäviä malleja. Näitä ovat rajojen eroosio, takertuminen, piilotetut palautesilmukat, ilmoittamattomat kuluttajat ja erilaiset järjestelmätason estomallit.
Lue koko lehti täältä.
- Machine Learning Operations (MLOps): yleiskatsaus, määritelmä ja arkkitehtuuri
Tekijä
MLOps on epämääräinen termi, ja sen seuraukset tutkijoille ovat epäselviä. Tämän puutteen korjaamiseksi kirjoittajat suorittivat sekamenetelmätutkimuksen tarjotakseen kootun yleiskatsauksen tarvittavista periaatteista, komponenteista ja rooleista sekä niihin liittyvästä arkkitehtuurista ja työnkulkuista.
Paperi opastaa ML-tutkijoita ja -alan ammattilaisia, jotka haluavat automatisoida ja käyttää ML-tuotteita erilaisilla teknologioilla.
Lue koko lehti täältä.
- Koneoppimisen käyttökelpoisuus: haastattelututkimus
Tekijä
Organisaatiot luottavat koneoppimisen insinööreihin (MLE) ML-putkien käyttöönotossa ja ylläpidossa tuotannossa. Puolistrukturoiduissa etnografisissa haastatteluissa 18 MLE:n kanssa, jotka työskentelevät monissa sovelluksissa, tutkijat yrittävät ymmärtää ratkaisemattomia haasteita ja seurauksia työkalujen rakentajille.
Tutkijat tekivät yhteenvedon yleisistä käytännöistä onnistuneeseen ML-kokeiluon, käyttöönottoon ja tuotannon suorituskyvyn ylläpitämiseen. Lisäksi he keskustelevat haastateltujen kipupisteistä ja anti-kuvioista, joilla on vaikutusta työkalujen suunnitteluun.
Lue koko lehti täältä.
- Kuinka välttää koneoppimisen sudenkuopat: opas akateemisille tutkijoille
Tekijä
Artikkelissa esitetään lyhyesti joitakin yleisiä virheitä, joita esiintyy ML-tekniikoiden käytössä, ja tapoja, joilla ne voidaan välttää. Se on tarkoitettu ensisijaisesti oppaaksi tutkijoille. Se keskittyy akateemisen tutkimuksen erityisiin huolenaiheisiin, kuten tarve tehdä tarkkoja vertailuja ja tehdä päteviä johtopäätöksiä.
Lue koko lehti täältä.
- Laatuongelmat koneoppimisohjelmistojärjestelmissä
Tekijä
Koneoppimismallit toteutetaan ohjelmistokomponentteina ja otetaan käyttöön koneoppimisohjelmistojärjestelmissä (MLSS). Siksi näiden MLSS:ien laadunvarmistus on olennaista, koska huonot päätökset voivat johtaa muiden järjestelmien toimintahäiriöihin ja merkittäviin taloudellisiin menetyksiin.
Tässä artikkelissa tarkastellaan MLSS:n todellisten laatuongelmien ominaisuuksia ammatinharjoittajan näkökulmasta. ML-harjoittajien haastattelujen kautta paperi tunnistaa luettelon huonoista käytännöistä, jotka liittyvät MLSS:n huonoon laatuun.
Lue koko lehti täältä.
- Treenaajia yhdessä
Tekijä
Huippuluokan mallien kouluttaminen on usein kallista ja edullista vain suurille yrityksille ja laitoksille.
Tässä esittelyssä tutkijat kouluttivat yhteistyössä OpenAI:n DALL-E:n kaltaisen tekstistä kuvaksi muuntajan. He osoittivat, että tuloksena oleva malli tuottaa kohtuullisen laadukkaita kuvia useilla kehotteilla.
Lue koko lehti täältä.
- Python-koodin laajamittainen vertailu Jupyter-muistikirjoissa ja skripteissä
Tekijä
Tässä työssä tutkijat vertaavat Python-koodia, joka on kirjoitettu Jupyter Notebooksissa ja perinteisillä Python-skripteillä. Tavoitteena oli pohjustaa kannettavien erityisongelmia, joihin pitäisi puuttua kehittämällä muistikirjakohtaisia työkaluja, ja tarjota erilaisia näkemyksiä, joista voi olla hyötyä tässä suhteessa.
Lue koko lehti täältä.
- Tietojen tallennuksen ja käsittelyn ymmärtäminen laajamittaista syvällistä suositusmallikoulutusta varten
Tekijä
Tässä artikkelissa esitellään Metan päästä-päähän DSI-putkisto, joka koostuu hajautetulle tallennustilalle rakennetusta keskustietovarastosta ja Data PreProcessing Servicestä, joka eliminoi datapysähdykset.
Tutkijat kuvaavat, kuinka useita malleja koulutetaan yhteistyössä palvelinkeskusten välillä jatkuvan koulutuksen avulla. Ne mittaavat jokaisen harjoitustyön vaatimaa intensiivistä verkko-, muisti- ja laskentaresursseja näytteiden esikäsittelyyn harjoituksen aikana. Lehden tärkeimpiä poimintoja ovat seuraavat:
- Laitteiston pullonkaulojen tunnistaminen.
- Keskustelua DSI-laitteiston mahdollisuuksista.
- DSI-infrastruktuurin optimoinnissa opittujen kokemusten hyödyntäminen.
Lue koko lehti täältä.
- Deep Learning Revolution ja sen vaikutukset tietokonearkkitehtuuriin ja sirusuunnitteluun
Tekijä
Tässä artikkelissa käsitellään koneoppimisen edistysaskeleita ja niiden vaikutuksia siihen, millaisia laskentalaitteita meidän on rakennettava, erityisesti Mooren lain jälkeisellä aikakaudella. Siinä keskustellaan myös siitä, kuinka koneoppiminen voi auttaa piirien suunnitteluprosessissa.
Se tarjoaa hahmotelman ainakin yhdestä suunnasta kohti monitehtävämalleja, jotka ovat aktivoituja ja käyttävät parempaa esimerkki- ja tehtäväpohjaista reititystä kuin nykypäivän koneoppimismallit.
Lue koko lehti täältä.
- Omaisuudenhallinta koneoppimisessa: kysely
Tekijä
Paperi esittelee kyselyn 17:stä systemaattisessa haussa tunnistetusta työkalusta, joissa on ML-omaisuudenhallintatuki. He kattavat näiden työkalujen ominaisuudet ML-pohjaisten järjestelmien suunnittelussa ja kokeiden suorittamisessa käytettävien erityyppisten resurssien hallintaan.
Yhteenvetona voidaan todeta, että suurin osa omaisuudenhallinnan tuesta riippuu perinteisistä versionhallintajärjestelmistä, ja vain harvat työkalut tukevat resurssien tarkkuustasoa, joka erottaa tärkeät ML-omaisuudet, kuten tietojoukot ja mallit.
Lue koko lehti täältä.
