기업에서 머신 러닝(ML) 모델을 사용하여 데이터의 예측 능력을 활용하는 것이 점점 더 중요해지고 있습니다. 그러나 ML 모델의 60%는 결코 프로덕션 단계에 도달하지 않습니다. 이러한 모델은 반응이 빠르고 민첩한 기술 환경에서 효과적으로 운영하는 데 필요한 인력, 프로세스 및 플랫폼의 변화에 대한 부적절한 고려로 인해 의도한 결과를 제공하지 못하는 경우가 많습니다. Rackspace Technology Model Factory Framework로 구동되는 새로운 Rackspace ML OperationsFoundations(MLOps)는 ML 모델을 프로덕션 환경으로 효율적으로 이동하는 데 필요한 모든 기술 전문 지식이 없더라도 데이터 환경을 혁신하는 데 도움이 될 수 있습니다.
Rackspace Technology는 모델의 신속한 개발, 교육, 점수 매기기 및 배포를 가능하게 하는 오픈 소스 도구를 사용하여 모델 팩토리 프레임워크를 구축했습니다. Model Factory Framework에 대한 사용자 지정을 통해 MLOps 솔루션을 특정 워크플로 및 비즈니스 요구에 맞게 조정할 수 있습니다. Rackspace는 클라우드의 혁신적인 기능을 활용하여 고객이 새로운 수익원을 구축하고 효율성을 높이며 놀라운 경험을 제공할 수 있도록 지원합니다. Rackspace 팀은 데이터 마이그레이션, 데이터 엔지니어링, 데이터 과학, ML 및 운영 전반에 걸쳐 업계 모범 사례와 광범위한 전문 지식을 활용합니다. 데이터를 혁신을 위한 도구로 전환하는 데 도움이 됩니다.
기능 및 이점
데이터 과학 팀을 위한 표준화된 모델 개발 환경: 데이터 과학 및 엔지니어링 팀이 모든 ML 프레임워크를 지원하는 모델을 개발할 수 있습니다.
개발, 품질 보증(QA) 및 프로덕션 환경 전반에 걸쳐 자동화된 모델 배포: 하이퍼스케일 클라우드 자동화를 활용하여 모델을 개발에서 배포까지 신속하게 수행하는 동시에 고가용성, 확장성, 안정성 및 비용 관리의 프로덕션 준비 요구 사항을 해결합니다.
모델 및 예측의 재현성: 다양한 환경에 배포할 때 모델 버전 및 하이퍼 매개변수를 추적하여 개발 중인 모델 성능이 프로덕션 환경의 모델 성능과 일치하도록 합니다.
진단, 성능 모니터링 및 모델 드리프트 해결을 위한 도구: 데이터 과학 팀이 모델 드리프트, 디버깅 및 문제 해결을 위한 모델 성능, 파이프라인 관리를 해결할 수 있는 도구를 제공합니다.
거버넌스 및 규정 준수에 대한 모델 설명: 모델, 데이터 및 매개변수를 추적하여 감사자에게 적절한 프로토콜을 사용했음을 보여줍니다.
협업 플랫폼: DevOps 도구 및 프로세스를 ML 워크플로와 결합합니다. Teamscan은 긴밀하게 협력하여 복잡한 모델과 파이프라인을 개발하고 각 버전, 주석 및 기록을 사용하여 다양한 개발 단계를 통해 생산에 이르는 모델 진행을 관리할 수 있습니다.
빠른 ROI: 사용한 만큼만 지불하는 모델을 통해 프로덕션 환경에서 모델 사용을 가속화하고 자동화된 클라우드 기반 ML 수명 주기 관리 솔루션의 이점을 실현하십시오. 이 기능에는 컴퓨팅 리소스를 모니터링하고 최적화하는 데 도움이 되는 도구와 서비스가 포함되어 있습니다.
결론:
MLOps를 사용하면 Rackspace를 사용하여 일반적인 25단계 이상의 수명 주기를 10단계 이하로 줄일 수 있습니다. 이러한 효율성을 통해 모델을 프로덕션 환경에서 훨씬 더 빠르게 운영할 수 있습니다.
Model Factory Framework는 데이터 과학을 위한 CI/CD(Continuous Integration/Continuous Development)와 개발, QA 및 프로덕션을 위한 자동화된 워크플로를 통해 프로덕션 및 개발에서 수많은 ML 모델을 지원합니다. Rackspace 전문가는 관련 모범 사례를 구현하면서 특정 워크플로 및 비즈니스 요구 사항에 맞게 이 서비스를 조정합니다.
피드백 탭을 사용하여 의견을 작성하거나 질문하십시오. 저희와 대화를 시작할 수도 있습니다.