Layanan Google Cloud Platform untuk MLOps

Dalam cerita MLOps is a Practice, Not a Tool, saya menjelaskan nilai dan komponen inti dari MLOps. Tujuan utamanya adalah untuk menjauh dari alat-alat tertentu dan untuk memberikan penekanan pada orang dan proses. Fokusnya adalah pada apa (definisi MLOps) dan mengapa (alasan untuk mempertimbangkan MLOps).

Model Kedewasaan MLOps

Anda juga dapat menilai secara mandiri kematangan Google Cloud Platform untuk MLOps Anda dengan mempertimbangkan tingkat otomatisasi dan reproduktifitas yang Anda miliki dalam proyek AI Anda. Salah satu pendekatan yang sangat direkomendasikan di dalam artikel ini yaitu untuk mendefinisikan tiga tingkatan:

• MLOps level 0 merupakan sebuah proses manual untuk inisiatif AI.
• MLOps level 1 juga akan menghadirkan sebuah otomatisasi pipeline ML
• MLOps level 2 juga sangat mendukung pipeline CI/CD penuh untuk semua akses aktivitas ML.

Sekarang bagaimana Anda dapat memanfaatkan model kedewasaan ini di organisasi Anda? Pertama, Anda perlu memahami tingkat maturitas Anda saat ini terkait praktik MLOps, yang dapat Anda lakukan melalui latihan penilaian maturitas. Penilaian akan membantu Anda mengidentifikasi kekuatan dan kelemahan Anda dalam ML, tidak hanya dari sudut pandang proses tetapi juga dari mempertimbangkan orang dan alat yang ada.

Melakukan penilaian kedewasaan tidak akan ada artinya jika Anda tidak berencana untuk menindaklanjutinya secara lebih lanjut. Tujuan melakukan sebuah penilaian bukanlah hanya untuk mendapatkan sebuah skor tetapi juga untuk mengidentifikasi di mana Anda berada dan ke mana Anda ingin pergi.

Jadi langkah selanjutnya yang bisa Anda lakukan adalah mengidentifikasi level target MLOps yang ingin Anda capai sendiri. Setelah Anda memiliki target tujuan, Anda dapat melakukan analisis kesenjangan untuk menentukan apa yang hilang antara kondisi Anda saat ini dan tujuan akhir Anda.

Layanan GCP untuk Mengatur Alur Kerja ML

Sekarang mari kita asumsikan bahwa semua proses MLOps Anda telah ditentukan dan Anda akhirnya siap untuk bisa sefera memanfaatkan alat untuk mendukung praktik AI Anda. Ada beberapa opsi yang bisa digunakan GCP untuk mendukung kebutuhan ini. Seperti yang sering terjadi, tidak ada satu solusi yang cocok untuk semua.

Bagaimana Layanan Google Cloud Platform untuk MLOps?

Anda juga harus dengan segera untuk memutuskan berdasarkan tujuan Anda dan tim yang ada. Dan tidak apa-apa untuk memilih beberapa alat untuk memenuhi kebutuhan yang berbeda. Opsi pertama yang perlu Anda pertimbangkan tentunya adalah Google Cloud AutoML itu sendiri. Dengan AutoML, Anda menyuntikkan data, dan itu melatih model yang relevan untuk masalah yang Anda coba selesaikan.

Anda juga dapat menggunakan sebuah model terlatih dan segera menyajikannya untuk prediksi online atau batch. AutoML menawarkan pintasan dan mempercepat beberapa tugas tipikal ML seperti eksplorasi data, persiapan data, rekayasa fitur, pemilihan model, pelatihan model, evaluasi model, dan penyetelan hyperparameter.

Framework MLOps di GCP

Untuk kebutuhan yang lebih maju lagi, maka Anda juga mungkin ingin mempertimbangkan sebuah penggunaan kerangka kerja MLOps. Kubeflow Pipelines dan Tensorflow Extended (TFX) telah populer akhir-akhir ini. Keduanya merupakan framework open-source milik google cloud dan sangat didukung penuh di GCP. Kubeflow adalah toolkit pembelajaran mesin asli Kubernetes.

Dengan Kubeflow Pipelines, Anda dapat membangun dan menerapkan alur kerja ML ujung ke ujung yang portabel dan skalabel berdasarkan container. Kubeflow dimulai sebagai proyek internal Google, kemudian menjadi sumber terbuka, dan sekarang dapat berjalan di mana pun. Dengan fitur Kubeflow, langkah pertama adalah membuat sebuah definisi pipeline dan kemudian menggunakan SDK tertentu.

Setelah pipeline dan berbagai komponennya telah ditentukan oleh Anda sendiri, maka Anda perlu membuat eksperimen Kubeflow untuk menjalankan pipeline. Berbagai komponen kemudian ditampung untuk dieksekusi, sebagai alur kerja, di kluster Kubernetes. Kerangka kerja dari MLOps populer lainnya yaitu adalah fitur Tensorflow Extended (TFX).

TFX dimulai sebagai inisiatif internal di Google dan dengan cepat menjadi kerangka kerja pilihan untuk ML menyeluruh dalam skala besar, tidak hanya di Google tetapi juga di semua entitas Alphabet lainnya. Itu saja mengenai tentang layanan Google Cloud Platform untuk MLOps.