MLOps, "मशीन लर्निंग" और "ऑपरेशंस" का एक संयुक्त शब्द, एक प्रतिमान है जो उत्पादन में मशीन लर्निंग मॉडल की विश्वसनीय और कुशल तैनाती और रखरखाव पर केंद्रित है। यह ML एल्गोरिदम के विकास के बीच की खाई को पाटता है, जो आमतौर पर पृथक प्रयोगात्मक प्रणालियों में होता है, और परिचालन वातावरण जहां ये मॉडल चलते हैं। यह अभ्यास तीन योगदान देने वाले विषयों पर आधारित है: मशीन लर्निंग, DevOps सिद्धांतों पर जोर देने के साथ सॉफ्टवेयर इंजीनियरिंग, और डेटा इंजीनियरिंग। इसका लक्ष्य यह सुनिश्चित करना है कि मॉडल मजबूत, स्केलेबल और व्यावसायिक उद्देश्यों के अनुरूप हों, साथ ही शासन और नियामक आवश्यकताओं को भी संबोधित करें।
यह शब्द "मशीन लर्निंग" को DevOps की निरंतर डिलीवरी प्रथा, विशेष रूप से इसके CI/CD (निरंतर एकीकरण और निरंतर डिलीवरी) घटकों के साथ जोड़ने से उत्पन्न हुआ है। MLOps धीरे-धीरे सर्वोत्तम प्रथाओं के एक समूह से ML जीवनचक्र प्रबंधन के एक स्वतंत्र दृष्टिकोण में विकसित हो रहा है। इसके सिद्धांतों में CI/CD स्वचालन, वर्कफ़्लो ऑर्केस्ट्रेशन, प्रतिलिपि प्रस्तुतिकरण, डेटा और मॉडल और कोड का संस्करणीकरण, सहयोग, निरंतर प्रशिक्षण और मूल्यांकन, मेटाडेटा ट्रैकिंग, निगरानी और फीडबैक लूप शामिल हैं।
परिभाषा और क्षेत्र
MLOps एक इंजीनियरिंग अभ्यास है जो तीन विषयों का लाभ उठाता है: मशीन लर्निंग, सॉफ्टवेयर इंजीनियरिंग (विशेष रूप से DevOps), और डेटा इंजीनियरिंग। इसका उद्देश्य विकास (Dev) और संचालन (Ops) के बीच की खाई को पाटकर मशीन लर्निंग उत्पादों के निर्माण को सुविधाजनक बनाना है। क्षेत्र ML प्रणालियों के पूरे जीवनचक्र को कवर करता है: मॉडल निर्माण के साथ एकीकरण से, जिसमें सॉफ्टवेयर विकास जीवनचक्र और CI/CD शामिल है, ऑर्केस्ट्रेशन, तैनाती, और फिर स्वास्थ्य निगरानी, निदान, शासन और व्यावसायिक मेट्रिक्स तक। MLOps प्रणालियों को वर्कफ़्लो को स्वचालित करने, घर्षण कम करने और गुणवत्ता में सुधार करने के लिए डिज़ाइन किया गया है। वे ML को उत्पादन में लाने, प्रयोग से सतत संचालन की ओर बढ़ने के लिए आवश्यक हैं। यह अनुशासन ModelOps से अलग है, जो सभी प्रकार के AI मॉडल के परिचालनकरण को कवर करता है, और AIOps से, जो IT संचालन में AI का उपयोग करता है।
इतिहास
मशीन लर्निंग के परिचालनकरण में रुचि 2010 के दशक के मध्य में बढ़ी जब ML परियोजनाएं प्रयोग से उत्पादन की ओर बढ़ने लगीं। 2015 के एक पेपर ने ऐसी प्रणालियों को बनाए रखने की चुनौतियों पर प्रकाश डाला। 2017 से 2018 तक, और फिर 2018 से 2020 तक, ML पायलटों और कार्यान्वयनों की संख्या दोगुनी होने का अनुमान लगाया गया, जो बढ़ती अपनाने को दर्शाता है। हालांकि, अधिकांश कॉर्पोरेट ML पहल, 88 प्रतिशत तक, परीक्षण चरणों से आगे बढ़ने में संघर्ष करती रहीं, जबकि सफलतापूर्वक ML तैनात करने वाले संगठनों ने लाभ मार्जिन में 3 से 15 प्रतिशत की वृद्धि देखी। MLOps बाजार का आकार 2024 में USD 2,191.8 मिलियन तक बढ़ गया, जिसके 2030 तक USD 16,613.4 मिलियन तक पहुंचने का अनुमान है, जो अमेज़न वेब सर्विसेज, एज़्योर, गूगल क्लाउड और ओरेकल क्लाउड जैसे प्रदाताओं से महत्वपूर्ण औद्योगिक निवेश का संकेत देता है।
वास्तुकला
मशीन लर्निंग प्रणालियों को आठ श्रेणियों में विभाजित किया जा सकता है: डेटा संग्रह, डेटा प्रोसेसिंग, फीचर इंजीनियरिंग, डेटा लेबलिंग, मॉडल डिज़ाइन, मॉडल प्रशिक्षण और अनुकूलन, एंडपॉइंट तैनाती, और एंडपॉइंट निगरानी। प्रत्येक चरण अपनी प्रणाली में बनाया गया है लेकिन इसे आपस में जोड़ा जाना चाहिए। एक विशिष्ट MLOps वास्तुकला में डेटा साइंस प्लेटफ़ॉर्म शामिल हैं जहां मॉडल बनाए जाते हैं और विश्लेषणात्मक इंजन जहां गणनाएं चलती हैं, MLOps उपकरण उनके बीच मॉडल, डेटा और परिणामों की आवाजाही का समन्वय करता है। इन न्यूनतम घटकों को संगठनों के भीतर ML को स्केल करने के लिए आवश्यक माना जाता है।
लक्ष्य और प्रथाएं
MLOps का उद्देश्य ML जीवनचक्र में कई लक्ष्यों को प्राप्त करना है। इनमें तैनाती और स्वचालन शामिल हैं, यह सुनिश्चित करना कि मॉडल विश्वसनीय रूप से जारी किए जाएं; मॉडल और भविष्यवाणियों की प्रतिलिपि प्रस्तुतिकरण, ताकि प्रयोग दोहराए जा सकें; समस्याओं की पहचान के लिए निदान; शासन और नियामक अनुपालन; बढ़ते डेटा और मॉडल को संभालने के लिए स्केलेबिलिटी। यह अनुशासन टीमों के बीच सहयोग, व्यावसायिक आवश्यकताओं पर ML लागू करने और तैनात मॉडल की निरंतर निगरानी और प्रबंधन पर भी केंद्रित है। एक मानक MLOps अभ्यास वर्कफ़्लो को अनुकूलित करने और कार्यान्वयन समस्याओं से बचने के लिए इन सभी क्षेत्रों को ध्यान में रखता है।
व्यावसायिक अपनाना
विक्रेताओं ने व्यावसायिक MLOps बुनियादी ढांचा प्रदान करने के लिए उभरा है, जिसमें बड़े भाषा मॉडल तैनात करने वाले संगठनों के लिए सुदृढीकरण लर्निंग ऑपरेशंस (RLOps) जैसी विशेष पेशकशें शामिल हैं। MLOps का विकास गहन शिक्षण ढांचे और प्लेटफार्मों के विकास के समानांतर रहा है, हालांकि यह ML मॉडल के व्यापक सेट पर लागू होता है। यह क्षेत्र विकसित होता रहता है क्योंकि AI मॉडल अधिक जटिल होते जाते हैं और उत्पादन की मांग बढ़ती है।
संदर्भ
विकिपीडिया (CC BY-SA) और उद्योग रिपोर्टों से स्रोत सामग्री।