Conclusioni

Man mano che l'apprendimento automatico passa da una disciplina di ricerca a un campo applicato, abbiamo registrato una crescita annua del 25% nello sviluppo, nell'implementazione e nella gestione di pipeline ML in vari settori. Il valore aziendale del machine learning si realizza attraverso le operazioni e le pipeline di day-to-day machine learning, che a loro volta guidano la ricerca e lo sviluppo di modelli e algoritmi di machine learning. Tuttavia, l'implementazione del machine learning in produzione presenta numerose sfide, poiché intreccia attività e artefatti significativamente diversi, come la gestione, l'elaborazione, l'analisi, la modellazione, la verifica e la sicurezza dei dati. Attraverso numerose collaborazioni in ambito AI/ML con AWS i clienti, il nostro team di Data Science ha osservato che una sfida fondamentale è la mancanza di un end-to-end flusso di lavoro che fornisca una serie di modelli per fondere o separare in modo ottimale diverse attività e artefatti di machine learning. DevOps In questa guida, abbiamo presentato il flusso di lavoro ML Max per risolvere questo problema urgente. ML Max fornisce step-by-step linee guida e una serie di modelli di programmazione. L'obiettivo è consentire una transizione rapida ed economica da una fase di sviluppo del modello interattivo a una configurazione di pipeline ML completa e scalabile pronta per la produzione.