MLOps: Ein ganzheitlicher Ansatz

Da Machine-Learning-Projekte immer komplexer und umfangreicher werden, ist es wichtig, nicht nur zu verstehen, was ein Modell leisten kann, sondern auch, was es für Ihr Unternehmen leisten kann. In diesem Whitepaper befassen wir uns mit der Operationalisierung von ML, damit Ihr Unternehmen schneller die richtigen Modelle entwickeln kann, die echten Geschäftswert schaffen. Wir gehen über die bloße Empfehlung eines Tech-Stacks hinaus und befassen uns eingehend mit drei wichtigen Bereichen – Menschen, Prozesse und Plattform –, um herauszufinden, was die erfolgreichsten Unternehmen tun und was Sie von ihnen lernen können. Dies ist ein umfassender, ganzheitlicher Leitfaden mit umsetzbaren Vorschlägen, wie Sie Ihre Machine-Learning-Praktiken in Ihrem Unternehmen verbessern können. Und natürlich ist der Download völlig kostenlos. Wir hoffen, es gefällt Ihnen.

Skalierbar und sicher

Wir bieten Lösungen, die mit massivem verteiltem Training skalierbar sind und in unserer sicheren gehosteten Cloud oder in einer selbstgehosteten Bereitstellung in Ihrer eigenen privaten Cloud gehostet werden können.

Mit Weights & Biases können Sie:

Konzentrieren Sie wichtige Entwicklerressourcen auf Ihr Kerngeschäft

Neue Machine-Learning-Modelle schneller und mit weniger Hin und Her einführen

Schützen Sie geistiges Eigentum mit einem zentralen Aufzeichnungssystem

Neue ML-Ingenieure schnell an Bord holen und Doppelarbeit vermeiden

Eine Fallstudie mit TRI

Überblick

Die Mission des Toyota Research Institute ist es, die sicherste Mobilität der Welt zu schaffen. Die Machine-Learning-Teams am TRI arbeiten am autonomen Fahren und verwenden das Weights & Biases-Aufzeichnungssystem, um ihre Modelle reproduzierbar zu machen.

Unternehmensgröße: 300+
Branche: Autonome Fahrzeuge

Problem

Unter der Leitung von Adrien Gaidon baute das ML-Team eine erstklassige Infrastruktur für Trainingsmodelle auf, es fehlte jedoch eine gute Möglichkeit, die wertvollen Ergebnisse zu verfolgen und zu versionieren.

Ihnen wurde schnell klar, dass ein zentrales Aufzeichnungssystem erforderlich war. Die interne Entwicklung einer Lösung lenkte das Team jedoch von seinen Kernzielen ab.

„Es ist derzeit wirklich schwierig, beim maschinellen Lernen irgendwelche statistischen oder sonstigen Garantien für seine Zuverlässigkeit zu geben. Wenn man ein sicherheitskritisches System einbaut, muss es wirklich funktionieren. Wie können wir es sicher genug machen, damit wir es in Autos einbauen und Leben retten können, anstatt sie zu gefährden?“

Adrien Gaidon

Toyota-Forschungsinstitut

Lösung

Das TRI-Team verglich verschiedene Lösungen für sein Experimentverfolgungsproblem und entschied sich für Weights & Biases als beste Plattform zur Koordinierung von Machine-Learning-Projekten.

Anstatt mit instabilen internen Tools und Ad-hoc-Lösungen für die Experimentverfolgung und Vorhersagevisualisierung herumzubasteln, konnte das ML-Team mit den leichtgewichtigen Experimentverfolgungs- und Visualisierungslösungen von W&B eine Standardisierung durchführen.

Das W&B-Dashboard gab Machine-Learning-Experten eine Kommandozentrale an die Hand, um Datensätze und Modellversionen zu vergleichen und eine zuverlässige Aufzeichnung aller Experimente und Ergebnisse zu führen. ML-Ingenieure können sich nun auf die wertvolle Arbeit der Modellentwicklung konzentrieren und so den Projektfortschritt beschleunigen.

„Sie müssen die Maßstäbe klar definieren, wenn Sie beispielsweise ein Robotersystem oder ein selbstfahrendes Auto haben, das sich aufgrund der sehr hohen Sicherheitsstandards nur äußerst schwer auf öffentlichen Straßen testen lässt. Gleichzeitig wollen Sie aber eine kontinuierliche Bereitstellung und schnelle Iteration.“