L'apprentissage automatique est hors de la zone de battage médiatique. Et il est difficile de dire sans ambiguïté à quel point c'est bon ou mauvais, mais ce qui est absolument clair - de plus en plus de gens se posent des questions "où est l'argent?" Sur les projets de ML. Et cet article ne fera pas exception - le battage médiatique est terminé, nous devons travailler.
Si nous parlons de construire des processus, alors personnellement, j'aime beaucoup utiliser le terme «niveau de maturité». Après tout, si vous avez une échelle de notation compréhensible devant vos yeux, vous pouvez toujours comprendre où vous êtes, ce qui vous attend, vous pouvez décider des priorités et commencer à ajuster ce dont vous avez besoin ici et maintenant, et ne pas sauter par-dessus un couple de niveaux et faire une révolution, réinventer la roue dans l'affaire ... et cela ne vous sera peut-être pas utile plus tard. En général, un exercice utile à tous points de vue.
En théorie, vous pouvez prendre les niveaux de maturité des processus standard décrits dans CMMI, ISO / CEI 33001 ou leur description plus terre-à-terre informatique de ITIL et les déplacer vers ML. J'ai essayé plusieurs fois de faire cet exercice en pratique, mais il s'est avéré être une sorte de cheval sphérique dans le vide, qui pouvait et donnait une réponse à la question telle quelle et à venir, mais il était difficile de dessiner un chemin compréhensible. Par conséquent, en regardant autour de moi, j'ai décidé de me souvenir et de systématiser mon chemin difficile en travaillant sur divers projets ML, car CMMI est bon, mais pour un vrai travail, vous avez besoin de quelque chose de plus spécifique et plus terre-à-terre. En général, en conséquence, une description de certaines des étapes de base du développement des travaux sur les projets de ML est née. La deuxième question est de savoir s'ils peuvent être appelés «niveaux de maturité», mais les questions ci-dessus sont répondues et c'est la chose la plus importante.
Alors, passons aux détails. Probablement le seul niveau dans lequel je n'ai rien trouvé de nouveau et que je l'ai pris à ITIL est le niveau "0" ou "absent". Comme on dit, s'il n'y a pas de processus, alors ce n'est sous aucune forme, qu'il s'agisse d'informatique ou de ML. Mais sérieusement, mes 5 niveaux / étapes sont les suivants:
Niveau 1. «Passionnés»
Niveau 2. "R&D"
Niveau 3. «Analysez-le»
Niveau 4. «Spécialité»
Niveau 5 "Automatisez-le"
Niveau 1 «Passionnés»
- ( ) . , ( ), , , , «Big Data» . Python ( R Matlab … ) -- - . .
— , . , .
2 «»
- , , , . , :
– -, .., .
– . - 80% , .
ML . — , . .
3 « »
, , , . :
. ( , ), . , .
, .. -. , . . , .
. , — , ?
4. «»
, ( , ..), - . , :
- PROD- DEV/TEST/PROD
, .. – , .
– - , - . Run the business/Change the business.
5 « »
, 4- . DataOps&MLops . DVC Feature Store . .
, :
|
1 |
2 |
3 |
4 |
5 |
|
. .
|
.
|
|
.
|
100% |
|
PC/ ( +GPU) |
PC ( on-prem) |
ML- . |
PROD DEV/TEST . . |
PROD DEV/TEST . . |
|
1-2 (Data Scientists - DS) |
3-5 :2-3 DS 1-2 DE (Data Engineers) |
5-10 : 3-6 DS 2-4 DE
|
10+ . «ML-ops».
|
25+
|
- |
1-2 |
2-4 |
5+ |
10+ |
50+ |
|
|
( , ). , , . , , .
, , :
, ML? ?
?
, ?
, ML - , — .
— ( ) . , ML — Python, R, Azure ML Studio, SPSS SAS, . 1- 5- . . . , ( ), , .
Mais en fait, il s'agit d'un sujet de discussion distinct (ou d'un autre article, s'il y a de l'inspiration) - le choix du chemin optimal d'un niveau à un autre et de quoi cela dépend, quand et de quel logiciel est nécessaire, quelle expertise est nécessaire , et où est la place de l'externalisation et bien sûr - mais comment déterminer le point, quand s'arrêter.