Conclusão

À medida que o machine learning passa de uma disciplina de pesquisa para um campo aplicado, observamos um crescimento anual de 25% no desenvolvimento, implantação e operação do pipeline de ML em vários setores. O valor comercial do ML é obtido por meio de operações e pipelines diários de ML, que, por sua vez, impulsionam a pesquisa e o desenvolvimento de modelos e algoritmos de ML. No entanto, a implantação do ML na produção apresenta vários desafios, pois entrelaça atividades e artefatos significativamente diferentes, como gerenciamento, processamento, análise, modelagem, verificação e segurança de dados. Por meio de vários contratos de IA/ML com clientes AWS, nossa equipe de ciência de dados observou que um dos principais desafios é a falta de um fluxo de trabalho de ponta a ponta que forneça um conjunto de modelos para fundir ou separar de forma ideal diferentes atividades e artefatos do ML DevOps. Neste guia, apresentamos o fluxo de trabalho do ML Max para resolver esse problema urgente. O ML Max fornece diretrizes detalhadas e um conjunto de modelos de programação. O objetivo é permitir uma transição rápida e econômica de uma fase de desenvolvimento de modelo interativo para uma configuração de pipeline de ML completa e escalonável que esteja pronta para produção.