Khái niệm về MLOps

MLOps là viết tắt của Machine Learning Operations (Hoạt động học máy). MLOps tập trung vào việc hợp lý hóa quy trình triển khai các mô hình học máy vào sản xuất, sau đó duy trì và giám sát chúng. MLOps là một chức năng hợp tác, thường bao gồm các nhà khoa học dữ liệu, kỹ sư ML và kỹ sư DevOps. Từ MLOps là từ ghép của hai lĩnh vực khác nhau, đó là Machine Learning và DevOps từ công nghệ phần mềm.

MLOps có thể bao gồm mọi thứ, từ đường dẫn dữ liệu đến khởi tạo mô hình hoc máy. Ở một số nơi, bạn sẽ thấy việc triển khai MLOps chỉ dành cho việc triển khai mô hình học máy nhưng bạn cũng sẽ tìm thấy các doanh nghiệp triển khai MLOps trên nhiều lĩnh vực phát triển Vòng đời ML khác nhau, bao gồm Phân tích dữ liệu khám phá (EDA), tiền xử lý dữ liệu, đào tạo mô hình, v.v.

Mặc dù MLOps bắt đầu như một tập hợp các phương pháp hay nhất, nhưng MLOps đang dần phát triển thành một cách tiếp cận độc lập để quản lý quy trình học máy. MLOps áp dụng cho toàn bộ quy trình - từ tích hợp với tạo mô hình (vòng đời phát triển phần mềm và tích hợp liên tục/phân phối liên tục), điều phối và triển khai, đến các chỉ số về sức khỏe, chẩn đoán, quản trị và kinh doanh.

Mục tiêu của MLOps

Có nhiều mục tiêu doanh nghiệp muốn đạt được thông qua MLOps. Một số trong những cái phổ biến là:

• Phát triển mô hình: Quy trình phát triên mô hình ML gồm thu thập dữ liệu, tiền xử lý dữ liệu, lựa chọn mô hình, huấn luyện mô hình, đánh giá và tinh chỉnh mô hình. MLOps giúp tối ưu quá trình này.
• Tích hợp CI/CD: Áp dụng nguyên tắc CI/CD cho dự án ML để tự động hóa việc kiểm tra, xây dựng và triển khai phiên bản mới của mô hình.
• Giám sát và quản lý mô hình: Theo giõi hiệu suất của mô hình trong thời gian thực và thực hiện tác vụ quản lý như can thiệp khi mô hình gặp sự cố hoặc cần tinh chỉnh mô hình.
• Tự động hóa: MLOps tập trung vào việc tự động hóa nhiều khía cạnh của quy trình ML để tạo ra mô hình ML có độ tin cậy, dễ quản lý và dễ triển khai.
• Học trong thời gian thực: Một số hệ thống MLOps cho phép cập nhật mô hình trong thời gian thực khi có dữ liệu mới, giúp mô hình duy trì hoạt động và độ chính xác.

Kỹ năng xây dựng và triển khai sản xuất hệ thống học máy (ML)

• Thiết kế giải pháp ML: Thiếp lập yêu cầu chức năng và phi chức năng (define các function)
• Thử nhiệm và phát triển ML: Cung cấp 1 mô hình ML ổn định để hoạt động trong sản xuất
• Thao tác, hoạt động ML: Thử nhiệm, phát triển phiên bản và giám sát hoạt động

Tổng kết

Đây là bài viết khá ngắn và mục đích của mình trong bài viết này không phải là về tech chuyên sâu như những bài viết trước mình từng viết. Mà mình muốn giới thiệu cho các bạn chưa biết hoặc chưa hiểu rõ MLOps một cách tổng quan nhất có thể, có một số khái niệm vẫn còn mơ hồ được đưa vào bài viết. Và đây chỉ là khởi đầu trong series MLOps for beginner của mình, hãy cũng mình đi tìm hiểu và trả lời cho câu hỏi ở tiêu đề nhé. Cùng đón chờ các bài viết trong series này để có được cái nhìn trực quan nhất về MLOps! Cảm ơn các bạn đã đọc bài viết của mình.