Parte IV Aprendizaje automático
Oracle AI Data Platform proporciona gestión del ciclo de vida del aprendizaje automático (ML) mediante conceptos y API de MLflow, específicamente experimentos, ejecuciones y un registro de modelos.
Estas capacidades están profundamente integradas en la plataforma de datos de IA en múltiples superficies, incluidos espacios de trabajo, experimentos y catálogos, para que los equipos puedan realizar un seguimiento del trabajo donde ocurre y promover los resultados en activos compartidos y controlados.
Ciclo de vida de aprendizaje automático
- Preparación de datos: limpieza y formato de entradas raw
- Análisis de datos exploratorios (EDA): explora los datos para encontrar patrones
- Ingeniería de funciones: crear variables para los modelos
- Experimento: entrenar de forma iterativa utilizando múltiples enfoques (cada iteración es a ⁇ run)
- Validar y almacenar: identifique la mejor ejecución y registre el modelo para reutilizarlo.
- Ejecutar inferencias: utilice una versión de modelo registrada para la inferencia por lotes desde blocs de notas
- Supervisión: realiza un seguimiento del rendimiento y la disponibilidad básicos de producción para los modelos desplegados
Capacidades básicas
Seguimiento de experimentos por espacio de trabajo de equipo
- Los experimentos se limitan a un espacio de trabajo para separar equipos y organizar el trabajo.
- El registro automático compatible con MLflow captura parámetros, métricas y artefactos para cada ejecución, creando un registro reproducible que admite ejecuciones con cambios controlados.
Ejecutar comparación y registro
- Las ejecuciones se pueden filtrar y comparar para identificar un modelo candidato.
- Una ejecución se puede registrar en el registro de modelos respaldado por el catálogo maestro, con control de versiones, etiquetas y campos personalizados. La plataforma gestiona la gestión de versiones cuando se registran los modelos actualizados.
De registro a inferencia de bloc de notas
- Los modelos se pueden cargar en blocs de notas por versión más reciente o explícita, lo que permite una reutilización consistente.
- Los flujos de trabajo de inferencia por lotes pueden hacer referencia a las versiones del registro directamente, lo que reduce el manejo manual entre la experimentación y la inferencia.
Linaje para auditabilidad
- Los modelos registrados vuelven a enlazar a la ejecución del experimento de origen, incluidas las condiciones de ejecución, como hiperparámetros, variables de entorno, métricas y artefactos.
- Esto apoya la revisión y auditoría haciendo explícita la procedencia de cada modelo.
¿Por qué utilizar MLflow?
AI Data Platform utiliza MLflow como base para su marco MLOps, ya que proporciona un enfoque abierto, ampliable y independiente del marco para gestionar el ciclo de vida completo del aprendizaje automático.
El flujo de aprendizaje automático admite las capacidades básicas necesarias para poner en funcionamiento el aprendizaje automático a escala, incluido el seguimiento de experimentos, el empaquetado de modelos, la gestión de artefactos, el control de versiones de modelos, el registro y la gobernanza. Su capacidad para capturar parámetros, métricas, artefactos y ejecutar metadatos de forma coherente lo hace muy adecuado para mejorar la reproducibilidad, la auditabilidad y la colaboración entre los equipos de ingeniería y ciencia de datos.
Una razón clave para seleccionar MLflow es su amplia compatibilidad con los populares marcos de aprendizaje automático, como TensorFlow, PyTorch y scikit-learn. Esto permite a la plataforma de datos de IA soportar diversos patrones de desarrollo de modelos sin forzar a los equipos a un único marco o cadena de herramientas. La arquitectura de plugins y la flexibilidad de despliegue de MLflow también facilitan la ampliación de la plataforma y la integración con la infraestructura empresarial existente.
Al estandarizar en MLflow, AI Data Platform puede proporcionar una experiencia MLOps consistente en la experimentación, el registro de modelos y la gestión del ciclo de vida, al tiempo que conserva la flexibilidad necesaria para evolucionar con diferentes casos de uso de IA/ML.