Анализ и разработка конвейера MLOps для развертывания моделей машинного обучения
Main Article Content
Аннотация
Рост числа IT-продуктов с внедренными элементами машинного обучения (Machine Learning – ML) обуславливает повышение актуальности автоматизации процессов машинного обучения. Использование методов MLOps направлено на обеспечение обучения и эффективного развертывания приложений с производственной среде, автоматизируя решение побочных инфраструктурных вопросов слабо связанных с непосредственно разработкой модели.
Мы рассматриваем компоненты, принципы и подходы MLOps и анализируем существующие платформы и решения для построения конвейеров машинного обучения. Кроме того, предлагаем подход к построению конвейера машинного обучения на основе основных инструментов DevOps и библиотек с открытым исходным кодом.
Article Details
Библиографические ссылки
2. Van der Meulen R., McCall T. Gartner Says Nearly Half of CIOs Are Planning to Deploy Artificial Intelligence // Gartner. 2018. URL: https://www.gartner.com/en/newsroom/press-releases/2018-02-13-gartner-says-nearly-half-of-cios-are-planning-to-deploy-artificial-intelligence (дата обращения: 01.06.2022).
3. Posoldova A. Machine Learning Pipelines: From Research to Production // IEEE Potentials. 2020. Vol. 39, No. 6. P. 38–42. https://doi.org/10.1109/MPOT.2020.3016280
4. Alla S., Adari S.K. What is mlops? // In: Beginning MLOps with MLFlow. Berkeley: Apress, 2021. P. 79–124.
5. Gift N., Deza A. Practical MLOps. O'Reilly Media, Inc., 2021.
6. Symeonidis G., Nerantzis E., Kazakis A., Papakostas G.A. MLOps – Definitions, Tools and Challenges // IEEE Annual Computing and Communication Workshop and Conference (CCWC). Las Vegas. 2022. Vol. 12. P. 453–460. https://doi.org/10.48550/arXiv.2201.00162
7. Chen L. Continuous Delivery: Huge Benefits, but Challenges Too // IEEE Software. 2015. Vol. 32. P. 50–54. https://doi.org/10.1109/MS.2015.27
8. John M., Olsson H., Bosch J. Towards MLOps: A Framework and Maturity Model // Euromicro Conference on Software Engineering and Advanced Applications (SEAA). Palermo. 2021. Vol. 47. P. 1–8. https://doi.org/10.1109/SEAA53835.2021.00050
9. MLOps: Continuous delivery and automation pipelines in machine learning // Google Cloud. 2021. URL: https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning (дата обращения: 03.07.2021).
10. Machine Learning operations maturity model // Microsoft. URL: https://docs.microsoft.com/en-us/azure/architecture/example-scenario/mlops/ mlops-maturity-model, last accessed 2022/05/30.
11. Kreuzberger D., Kühl N., Hirschl S. Machine Learning Operations (MLOps): Overview, Definition, and Architecture // arXiv preprint arXiv:2205.02302. 2022. https://doi.org/10.48550/arXiv.2205.02302
12. MLOps Principles // MLOps. URL: https://ml-ops.org/content/mlops-principles (дата обращения: 03.07.2021).
13. Yandex DataSphere // Yandex Cloud. URL: https://cloud.yandex.ru/services/datasphere, (дата обращения: 05.03.2022).
14. Проект // Yandex datasphere документация. URL: https://cloud.yandex.ru/docs/datasphere/concepts/project, (дата обращения: 05.03.2022).
15. Развертывание эксплуатации моделей // Yandex datasphere документация. URL: https://cloud.yandex.ru/docs/datasphere/concepts/deploy, (дата обращения: 05.03.2022).
16. MLFlow. URL: https://mlflow.org (дата обращения: 28.12.2021).
17. MLflow Tracking // MLflow. URL: https://mlflow.org/docs/latest/tracking.html (дата обращения: 28.12.2021).
18. MLflow Projects // MLflow. URL: https://mlflow.org/docs/latest/projects.html, (дата обращения: 28.12.2021).
19. MLflow Models // MLflow. URL: https://mlflow.org/docs/latest/models.html (дата обращения: 28.12.2021).
20. MLflow Model Registry // MLflow. URL: https://mlflow.org/docs/latest/model-registry.html (дата обращения: 28.12.2021).
21. Khandelwal N. MLflow Alternatives for Data Version Control: DVC vs. MLflow // Censious. URL: https://censius.ai/blogs/dvc-vs-mlflow (дата обращения: 30.05.2022).
22. Hewage N., Meedeniya D. Machine Learning Operations: A Survey on MLOps Tool Support // arXiv preprint arXiv:2202.10169. 2022. https://doi.org/10.48550/arXiv.2202.10169
23. Introduction // Kubeflow documentation. URL: https://www.kubeflow.org/docs/started/introduction (дата обращения: 11.03.2022).
24. What is Kubeflow? // Kubeflow. URL: https://www.kubeflow.org (дата обращения: 11.03.2022).
25. Architecture // Kubeflow documentation. URL: https://www.kubeflow.org/docs/started/architecture (дата обращения: 11.03.2022).
26. Kaewsanmua K. Best 8 Machine Learning Model Deployment Tools That You Need to Know // Neptune. 2021. URL: https://neptune.ai/blog/best-8-machine-learning-model-deployment-tools (дата обращения: 01.06.2022).
27. DVC. URL: https://dvc.org (дата обращения: 27.12.2021).
28. Zhao Y. MLOps: Data versioning with DVC — Part Ⅰ // Medium. 2020. URL: https://yizhenzhao.medium.com/mlops-data-versioning-with-dvc-part-ⅰ-8b3221df8592 (дата обращения: 27.12.2021).
29. Mesquita D. The ultimate guide to building maintainable Machine Learning pipelines using DVC // Towards data science. 2020. URL: https://towardsdatascience.com/the-ultimate-guide-to-building-maintainable-machine-learning-pipelines-using-dvc-a976907b2a1b (дата обращения: 27.12.2021).
30. CML Documentation // CML. URL: https://cml.dev/doc (дата обращения: 27.12.2021).
31. Continuous Integration and Deployment for Machine Learning // DVC. URL: https://dvc.org/doc/use-cases/ci-cd-for-machine-learning (дата обращения: 27.12.2021).
32. Continuous Integration with CML and Github Actions // MLOps Guide. URL: https://mlops-guide.github.io/CICD/cml_testing (дата обращения: 27.12.2021).
33. Kubernetes Documentation // Kubernetes. URL: https://kubernetes.io/docs/hom (дата обращения: 22.05.2022).
34. What is Prometheus? // Prometheus. URL: https://prometheus.io/docs/introduction/overview
35. Grafana // Grafana Labs. URL: https://grafana.com/grafana (дата обращения: 22.05.2022).
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.