Un enfoque sistemático para elegir la mejor tecnología/proveedor versión MLOps

Enfoque para elegir tecnología/proveedor MLOps

La mejor experiencia de compra en la tienda de ML

El aprendizaje automático se está convirtiendo en una parte integral de todos los aspectos de nuestras vidas. Hace un tiempo, escribí sobre un Enfoque Sistemático para Elegir Tecnología/Proveedor.

Pero elegir una solución de MLOps es un poco diferente debido al ciclo de vida prolongado y la falta de herramientas maduras. ¿Estás luchando por elegir la solución de MLOps adecuada para tu negocio? Este post es para ti.

Receta sencilla

Para simplificar el proceso de elegir el proveedor/tecnología adecuados, propongo una receta sencilla:

1. Comienza por mapear tus necesidades, recursos y restricciones.
2. Busca soluciones potenciales y elimina aquellas que no cumplan con tus requisitos.
3. Evalúa las soluciones prometedoras restantes.
4. Toma una decisión: ¿ir o no ir?

Para ser honesto, es genérico para toda la tecnología en general, pero en cada paso, daré la perspectiva de ML.

• 4 formas en las que no puedes usar el intérprete de código ChatGPT que perturbarán tus análisis
• Implementación de ParDo y DoFn en Apache Beam en Detalles
• Generando datos sintéticos con Python

En la próxima sección, profundizaremos en el mapeo de tus necesidades, recursos y restricciones.

Paso 1: Mapea tus necesidades, recursos y restricciones

El primer paso para elegir la tecnología o proveedor adecuado es mapear tus necesidades, recursos y restricciones.:

Los requisitos y necesidades dependen del componente/funcionalidad que llenes en el ciclo de vida de ML y se pueden ver en la siguiente tabla.

Los recursos que tienes también pueden afectar la solución que elijas:

• Costo total de propiedad y Costo del error.
• Tiempo de comercialización y tiempo de mantenimiento.
• Experiencia del equipo y tamaño del equipo. Esto incluye cuántos científicos de datos, ingenieros de aprendizaje automático y desarrolladores de operaciones tienes.

En términos de restricciones, algunas son genéricas y otras dependen del componente/funcionalidad que llenes en el ciclo de vida de ML. Las restricciones genéricas son Integraciones existentes, Cambio de propiedad, Nube/Empresa específica, Multi-tenencia, Cumplimiento y licencias, Seguridad y Disponibilidad.Las restricciones por componente son:

En la próxima sección, profundizaremos en la búsqueda de soluciones potenciales.

Paso 2: Busca soluciones potenciales

El segundo paso en el proceso de seleccionar el proveedor/tecnología adecuados es buscar soluciones potenciales. Sin embargo, antes de embarcarte en esta búsqueda, es esencial familiarizarte con los términos técnicos y palabras de moda para asegurarte de que puedas evaluar efectivamente las opciones potenciales.

Una vez que tengas este conocimiento fundamental, puedes comenzar a investigar tecnologías y proveedores potenciales y mantener algunas opciones prometedoras.

Luego, selecciona cuidadosamente una lista corta de opciones disponibles, la mejor manera de enfocarte es tener en cuenta lo siguiente: selecciona cuidadosamente una lista corta de opciones disponibles.

• Filtra agresivamente según tus restricciones, por ejemplo, si estás buscando una solución en las instalaciones o si tienes un conjunto de datos desequilibrado, filtrará la mayoría de tus opciones.
• Decide si comprar o construir tu propia solución: ¡Construye si es fácil! tanto de construir como de mantener. Pero solo si el retorno de la inversión es positivo y el estante no está vacío. Si no es así, omítelo.
• Decide si elegir un enfoque todo en uno o el mejor de su clase: Todo en uno es genial para casos comunes y sencillos. Recuerda que está bien. La mayoría de nosotros no somos Google. El mejor de su clase se adapta mejor a un entorno más limitado (recuerda las listas anteriores). Incluso puedes combinar estos enfoques, en casos en los que la mayoría de tus componentes sean triviales y solo unos pocos estén muy limitados. Solo asegúrate de que la integración sea factible con tus recursos.
• Habla con las comunidades como MDLI, MLOps.community, MLOps TLV y muchas más.

En la siguiente sección, profundizaremos en la evaluación de soluciones prometedoras.

Evaluar soluciones prometedoras

Para evaluar las soluciones prometedoras restantes, debes seguir una serie de pasos.

• Comienza hablando con el proveedor o los usuarios: Esto te ayudará a comprender mejor las capacidades y limitaciones de la solución. Concéntrate en la estabilidad y los problemas que enfrentan las personas, ya que la mayoría de estas soluciones no están maduras.
• Haz algunas pruebas de concepto (POC): Comienza con tutoriales básicos para tener una idea de cómo funciona la solución en la práctica. Realiza más POC si es necesario.
• Crea una tabla de comparación: Esto puede incluir interacciones como versiones, soporte, comunidad, precios, restricciones, requisitos y recursos.

En la siguiente sección, profundizaremos en la toma de decisiones.

¡Decisión! ¿Ir o no ir?

Cuando estés deliberando sobre si proceder o no, ten en cuenta que la solución más adecuada no necesariamente será la perfecta.

Debe adaptarse a tus requisitos, restricciones y recursos. Esfuérzate por identificar la solución que mejor satisfaga las necesidades de tu organización, haciendo que la elección sea menos intimidante. Para tomar una decisión sobre si continuar o no, mantén en mente tus metas futuras y prioriza la flexibilidad en tu proceso de toma de decisiones.

Es importante mantener una actitud profesional y evitar caer en la política o dejar que tu ego guíe tus decisiones. Además, es importante ser consciente de los sesgos humanos y tomar medidas para contrarrestarlos.

Últimas palabras

En este artículo, hemos proporcionado una receta para seleccionar la tecnología o proveedor de ML adecuado para tu negocio. Al mapear tus necesidades, recursos y restricciones y buscar soluciones potenciales, puedes tomar una decisión informada que se alinee con tus objetivos. Recuerda que no hay una solución perfecta, así que concéntrate en la solución más adecuada que se ajuste a tu contexto.

Espero haber podido compartir mi entusiasmo por este fascinante tema y que te resulte útil. No dudes en escribirme un correo electrónico o contactarme a través de LinkedIn.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!