吴恩达等为何力挺MLOps？告别数据漂移，又成求职敲门砖

新智元报道

来源：外媒

编辑：Priscilla Emil

【新智元导读】近日，MLOps领域的五位专家做客Deeplearning.ai线上讨论会，共同探讨MLOps的发展现状与意义。

自投入应用以来，越来越多人发现MLOps的好处。

一些专家认为MLOps是目前可用的最佳解决方案，甚至掀起了一股「MLOps热」。

在之前，吴恩达在Deeplearning.ai的线上直播中，谈过自己对MLOps的看法。

那时他就认为，人们应该以数据为中心来开发机器学习系统，而MLOps就是为项目提供高质量的数据的重要保障。

近日，Deeplearning.ai邀请了包括吴恩达、Robert Crowe、Lawrence Moroney、Chip Huyen 和 Rajat Monga五位专家，共同讨论MLOps，深入了解生产机器学习最重要的方面以及MLOps的实际表现。

而在回顾五位专家的交流之前，先看看MLOps是什么？究竟为什么会有这么大的吸引力？

什么是MLOps？

要了解MLOps，就要先了解它的前身：DevOps。

一个软件从无到有，需要经历规划、编码、构建、测试、发布、部署和维护这几个阶段，一个程序员就能够完成这些阶段的工作。

但是，当整个软件产业开始发展壮大， 软件的规模和复杂程度会不断攀升，客户一个又一个的需求，再加上产品生产过程中出现的种种问题，工作量可以说是指数级上升。

这其中还会涉及开发和运营维护这两大板块。

但DevOps就能够高效地解决开发和运维的问题。

DevOps，即「development + operations」，包括了开发和运维两个层面。

但DevOps的含义却并不像它的名字来源一样，将开发与运维简单粗暴地合并起来。

它要求开发与运维两边的工程师都能够做到「换位思考」，相互接触对方的流程：开发人员参与运维初期的系统部署、提供优化意见；运维人员了解系统架构和技术路线，制定合适的运维方案。

而MLOps，就是机器学习时代的DevOps。

也就是说，它既含有DevOps沟通开发运维的功能，也具有利用机器学习的能力来促进企业业务增长的功能。

MLOps的要义之一就是缩短模型开发部署的迭代周期，凭借更标准化、自动化的流程与基础设施支持来提高模型交付的整体效率。

此外，MLOps有望能作为一个平台，方便业务、数据、算法、运维角色之间的沟通。

MLOps作为ML的分支，集合了DevOps和ML的所有优点，这也是MLOps受到追捧的原因。

了解过MLOps后，一起来回顾一下这五位专家都讨论了什么吧！

MLOps的重要性

Chip Huyen在斯坦福大学教授机器学习，她认为，模型训练只是其中一个小问题，更大的问题是再培训。

Chip Huyen，计算机科学家

一旦模型公开，就会发生数据漂移。

那么，如何才能不断更新和补偿这些变化呢？那就是让模型在现实世界中呈现不同程度的性能。

而谷歌TensorFlow团队成员Robert Crowe就表示自己不喜欢这种命名法，不太看重人们炒作MLOps。

Robert Crowe，谷歌TensorFlow团队成员

他更感兴趣的是从模型中制作产品并解决所有问题，例如模型漂移、隐私、资源优化和生产ML设置中出现的其他因素。

Crowe解释说，「当你在做研究或在学术界时，你不会遇到这些问题。于我而言，MLOps的重点在于，能够负责任地创建和维持产品或服务。」

几年前，ML社区更强调构建模型、调整超参数或选择正确的架构。

如今，该行业取得了巨大的飞跃，将ML和AI带给大众，只有不断发展，才能发现DevOps在ML中的好处。

吴恩达也承认，过去十年里，深度学习取得了长足的进步。

吴恩达，人工智能领域最权威的学者之一

他强调，MLOps将帮助每个人完成机器学习项目的整个生命周期：从界定、收集和管理数据，到训练模型、改进数据，改进模型，再到部署监控和管理数据驱动模型维护的概念。

「我认为MLOps是一门振奋人心的新兴学科，它可以解决机器学习项目的整个生命周期。MLOps和机器学习生产是最前沿的。」

前谷歌员工Rajat Monga则强调，数据并不是静态的。

前谷歌员工Rajat Monga

由于模型代表数据，模型确实必须随着数据而变化。无论是市场还是其他领域，我们周围的世界都在发生变化，产生大量的数据。

一直以来，软件会使用目标函数进行硬编码。考虑到数据的动态特性，Monga认为，它正被预测模型取代。

「未来一两年内不会有太多新的分支，但另一方面，在依赖客户数据或类似事物的企业中，事情瞬息万变，你就会想要这些模型能够随时更新。」

MLOps的实际表现

一年多来，谷歌一直在积极参与围绕MLOps的对话。

但是，应用于像谷歌这样的公司的原则，也可以应用于其它地方吗？

Moroney表示，谷歌的ML团队关注扩展问题，并尝试回答以下问题：如何确保我们能够专注于数十亿用户，而不是数千名用户，以及扩展过程中必须具备的服务基础设施是什么？

而接下来的挑战是构建一个适当的监控基础设施，确保这些模型能够以所需的参数、所需的速度运行。

「有这么多人、这么多部分才能让所有这些工作在一起。我们希望确保灵活性，而我们通常也以这种方式设计来基础设施。」

对于初创公司，Monga建议人们不要像大规模运营的公司那样，从头开始构建单个元素。

小型组织试图通过机器学习解决的大多数问题，许多工具都能够解决。

Chip Huyen表示，现在的MLOps工具实际上在很大程度上取决于公司规模、用例和成熟度。

被问及MLOps工具的现状，吴恩达表示，在提供代码时，性能会提高。以这种方式设计数据，不同工具之间的能力存在很大差距。

然而，Crowe认为，拥有数学或统计背景的人对机器学习有很深刻的理论理解，但他们在创建生产级代码和系统时仍然面临困难。

十年前，社区开始接受深度学习，那时还不知道需要多少万份新颖的发明、多少研究论文，才能达到我们现今的发展地位。

但昔日的不解早已烟消云散。

「人们一开始质疑TensorFlow和其它奠定基础的框架。而如今，我认为，在考虑MLOps和以数据为中心的人工智能时，随时都有数以万计的想法有待发明。」

归根结底，任何机器学习的企业都必须关心客户对产品的需求，所有事情都与业务有关。

在构建MLOps团队时，吴恩达推荐了一条可靠的原则：

要求团队进行长期、认真的审视，确保在整个产品生命周期中，始终能产出高质量的数据。

「职位描述里不会写明这一点，许多公司都在聘请那些知道如何构建和部署机器学习系统的人。即使在求职面试中，候选人也会被问及机器学习部署问题。」

「即使MLOps一词没有出现在职位描述中，但我认为，MLOps仍然是现在人们需要学习的一项重要技能。」

参考资料：

https://analyticsindiamag.com/does-mlops-live-upto-the-hype/