吴恩达等为何力挺MLOps?告别数据漂移,又成求职敲门砖

极市平台

共 3945字,需浏览 8分钟

 ·

2021-07-18 22:52

↑ 点击蓝字 关注极市平台

来源丨新智元
编辑丨极市平台

极市导读

 

近日,MLOps领域的五位专家做客Deeplearning.ai线上讨论会,共同探讨MLOps的发展现状与意义。>>加入极市CV技术交流群,走在计算机视觉的最前沿

自投入应用以来,越来越多人发现MLOps的好处。


一些专家认为MLOps是目前可用的最佳解决方案,甚至掀起了一股「MLOps热」。


在之前,吴恩达在Deeplearning.ai的线上直播中,谈过自己对MLOps的看法。
 
那时他就认为,人们应该以数据为中心来开发机器学习系统,而MLOps就是为项目提供高质量的数据的重要保障。
 



近日,Deeplearning.ai邀请了包括吴恩达、Robert Crowe、Lawrence Moroney、Chip Huyen 和 Rajat Monga五位专家,共同讨论MLOps,深入了解生产机器学习最重要的方面以及MLOps的实际表现。
 
 
而在回顾五位专家的交流之前,先看看MLOps是什么?究竟为什么会有这么大的吸引力?


什么是MLOps?


要了解MLOps,就要先了解它的前身:DevOps。
 
 
一个软件从无到有,需要经历规划、编码、构建、测试、发布、部署和维护这几个阶段,一个程序员就能够完成这些阶段的工作。
 
但是,当整个软件产业开始发展壮大, 软件的规模和复杂程度会不断攀升,客户一个又一个的需求,再加上产品生产过程中出现的种种问题,工作量可以说是指数级上升。
 
这其中还会涉及开发和运营维护这两大板块。
 
但DevOps就能够高效地解决开发和运维的问题。
 
DevOps,即「development + operations」,包括了开发和运维两个层面。
 
但DevOps的含义却并不像它的名字来源一样,将开发与运维简单粗暴地合并起来。
 
它要求开发与运维两边的工程师都能够做到「换位思考」,相互接触对方的流程:开发人员参与运维初期的系统部署、提供优化意见;运维人员了解系统架构和技术路线,制定合适的运维方案。
 
而MLOps,就是机器学习时代的DevOps
 
也就是说,它既含有DevOps沟通开发运维的功能,也具有利用机器学习的能力来促进企业业务增长的功能。
 
 
MLOps的要义之一就是缩短模型开发部署的迭代周期,凭借更标准化、自动化的流程与基础设施支持来提高模型交付的整体效率。
 
此外,MLOps有望能作为一个平台,方便业务、数据、算法、运维角色之间的沟通。
 
MLOps作为ML的分支,集合了DevOps和ML的所有优点,这也是MLOps受到追捧的原因。
 
了解过MLOps后,一起来回顾一下这五位专家都讨论了什么吧!


MLOps的重要性

 
Chip Huyen在斯坦福大学教授机器学习,她认为,模型训练只是其中一个小问题,更大的问题是再培训。

Chip Huyen,计算机科学家

 
一旦模型公开,就会发生数据漂移。
 
那么,如何才能不断更新和补偿这些变化呢?那就是让模型在现实世界中呈现不同程度的性能。

而谷歌TensorFlow团队成员Robert Crowe就表示自己不喜欢这种命名法,不太看重人们炒作MLOps。

 Robert Crowe,谷歌TensorFlow团队成员
 
他更感兴趣的是从模型中制作产品并解决所有问题,例如模型漂移、隐私、资源优化和生产ML设置中出现的其他因素。
 
Crowe解释说,「当你在做研究或在学术界时,你不会遇到这些问题。于我而言,MLOps的重点在于,能够负责任地创建和维持产品或服务。」
 
几年前,ML社区更强调构建模型、调整超参数或选择正确的架构。
 
如今,该行业取得了巨大的飞跃,将ML和AI带给大众,只有不断发展,才能发现DevOps在ML中的好处。

吴恩达也承认,过去十年里,深度学习取得了长足的进步。

吴恩达,人工智能领域最权威的学者之一
 
他强调,MLOps将帮助每个人完成机器学习项目的整个生命周期:从界定、收集和管理数据,到训练模型、改进数据,改进模型,再到部署监控和管理数据驱动模型维护的概念。
 
「我认为MLOps是一门振奋人心的新兴学科,它可以解决机器学习项目的整个生命周期。MLOps和机器学习生产是最前沿的。」

前谷歌员工Rajat Monga则强调,数据并不是静态的。

 
前谷歌员工Rajat Monga

由于模型代表数据,模型确实必须随着数据而变化。无论是市场还是其他领域,我们周围的世界都在发生变化,产生大量的数据。
 
一直以来,软件会使用目标函数进行硬编码。考虑到数据的动态特性,Monga认为,它正被预测模型取代。
 
「未来一两年内不会有太多新的分支,但另一方面,在依赖客户数据或类似事物的企业中,事情瞬息万变,你就会想要这些模型能够随时更新。」
 

MLOps的实际表现


一年多来,谷歌一直在积极参与围绕MLOps的对话。
 
但是,应用于像谷歌这样的公司的原则,也可以应用于其它地方吗?
 
Moroney表示,谷歌的ML团队关注扩展问题,并尝试回答以下问题:如何确保我们能够专注于数十亿用户,而不是数千名用户,以及扩展过程中必须具备的服务基础设施是什么?
 
而接下来的挑战是构建一个适当的监控基础设施,确保这些模型能够以所需的参数、所需的速度运行。
 
「有这么多人、这么多部分才能让所有这些工作在一起。我们希望确保灵活性,而我们通常也以这种方式设计来基础设施。」
 
对于初创公司,Monga建议人们不要像大规模运营的公司那样,从头开始构建单个元素。
 
小型组织试图通过机器学习解决的大多数问题,许多工具都能够解决。
 
Chip Huyen表示,现在的MLOps工具实际上在很大程度上取决于公司规模、用例和成熟度。
 
被问及MLOps工具的现状,吴恩达表示,在提供代码时,性能会提高。以这种方式设计数据,不同工具之间的能力存在很大差距。
 
然而,Crowe认为,拥有数学或统计背景的人对机器学习有很深刻的理论理解,但他们在创建生产级代码和系统时仍然面临困难。
 
十年前,社区开始接受深度学习,那时还不知道需要多少万份新颖的发明、多少研究论文,才能达到我们现今的发展地位。
 
但昔日的不解早已烟消云散。
 
「人们一开始质疑TensorFlow和其它奠定基础的框架。而如今,我认为,在考虑MLOps和以数据为中心的人工智能时,随时都有数以万计的想法有待发明。」
 
 
归根结底,任何机器学习的企业都必须关心客户对产品的需求,所有事情都与业务有关。
 
在构建MLOps团队时,吴恩达推荐了一条可靠的原则:
 
要求团队进行长期、认真的审视,确保在整个产品生命周期中,始终能产出高质量的数据。
 
「职位描述里不会写明这一点,许多公司都在聘请那些知道如何构建和部署机器学习系统的人。即使在求职面试中,候选人也会被问及机器学习部署问题。」
 
「即使MLOps一词没有出现在职位描述中,但我认为,MLOps仍然是现在人们需要学习的一项重要技能。」


参考资料:

https://analyticsindiamag.com/does-mlops-live-upto-the-hype/


如果觉得有用,就请分享到朋友圈吧!

△点击卡片关注极市平台,获取最新CV干货

公众号后台回复“CVPR21检测”获取CVPR2021论文下载~


极市干货
YOLO教程:一文读懂YOLO V5 与 YOLO V4大盘点|YOLO 系目标检测算法总览全面解析YOLO V4网络结构
实操教程:PyTorch vs LibTorch:网络推理速度谁更快?只用两行代码,我让Transformer推理加速了50倍PyTorch AutoGrad C++层实现
算法技巧(trick):深度学习训练tricks总结(有实验支撑)深度强化学习调参Tricks合集长尾识别中的Tricks汇总(AAAI2021
最新CV竞赛:2021 高通人工智能应用创新大赛CVPR 2021 | Short-video Face Parsing Challenge3D人体目标检测与行为分析竞赛开赛,奖池7万+,数据集达16671张!

CV技术社群邀请函 #

△长按添加极市小助手
添加极市小助手微信(ID : cvmart4)

备注:姓名-学校/公司-研究方向-城市(如:小极-北大-目标检测-深圳)


即可申请加入极市目标检测/图像分割/工业检测/人脸/医学影像/3D/SLAM/自动驾驶/超分辨率/姿态估计/ReID/GAN/图像增强/OCR/视频理解等技术交流群


每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、与 10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流~



觉得有用麻烦给个在看啦~  
浏览 33
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报