Đi cùng với sự phổ cập AI/ML trong đời sống từng người dân, khái niệm DevOps cho các ứng dụng Machine Learning, thường gọi MLOps, đang dần hình thành ở giai bước đầu với nhiều công cụ open-source với nhiều đóng góp khá sôi động.
Theo tôi MLOps dựa trên các khái niệm, công cụ sử dụng trong DevOps tuy nhiên có một vài đặc thù phát triển và vận hành các ứng dụng ML cần có các công cụ được tuỳ biến để phù hợp với việc xây dựng một life cycle cho các ứng dụng ML từ khâu design, development tới chạy production.
Các điểm khác biệt của một ứng dụng ML
- Data Versioning
- Model Versioning
- GPU, hardware requirements
- Release, Production ML application
Các bài viết, công cụ trên internet liên quan tới MLOps về các công cụ này mà tôi sưu tầm được
- Continuous Delivery for Machine Learning (CD4ML) https://martinfowler.com/articles/cd4ml.html
- MLOps-Reducing the technical debt of Machine Learning https://towardsdatascience.com/mlops-reducing-the-technical-debt-of-machine-learning-dac528ef39de
- What I learned from looking at 200 machine learning tools https://huyenchip.com/2020/06/22/mlops.html
- DVC https://dvc.org/
- Mlflow https://github.com/mlflow/mlflow
- Kubeflow https://github.com/kubeflow/kubeflow
- Pachyderm https://github.com/pachyderm/pachyderm
<tiếp tục cập nhật>
No comments:
Post a Comment