თითოეული მანქანური სწავლის ინჟინერი აღიარებს, როდესაც მისი მოდელი პირველ რიგში ცხოვრობს. მეტრიკები კარგად ხართ, პროგნოზიები მუდმივად ხართ ... და შემდეგ, თითქმის შეუზღუდავი, მუდმივი სიჩქარე, სიზუსტით დრიფები, ან დამოკიდებულებები შეჩერება. Saurabh Kumar, წამყვანი პროგრამული ინჟინერი დიდი multinational retailers, ეს ცუდი ღონისძიება “მე მუშაობს” და “მე scales” განკუთვნილია განსხვავება კვლევის და წარმოების. “პრონიკა ML- ს არ არის მოდელი თავს,” აცხადებს Saurabh. “მაგავს, თუ როგორ მოდელი ქცევა ცუდი, სატვირთო, ცვლილებების დროს და ზომის დროს. ეს არის ადგილი, სადაც რეალური ინჟინერება დაიწყება.” Saurabh ფართოდ მუშაობს რედაქტირაციის რეიტინგული საავტომობილო და შექმნა MLOps პლატფორმა დასაწყისში, რათა მარკეტინგის მომსახურება ფართო ზომის. მისი მუშაობა მდებარეობს კომპანიის ძირითადი ციფრული ინვესტიციები, ინტეგრირება AI პირდაპირი მომხმარებლის გამოცდილება. მიუხედავად იმისა, რომ მისი მიმოხილვა არ არის მხოლოდ ტექნიკური მახასიათებლები, არამედ მექანიკური ფსიქია, სასწავლო წიგნი, როგორც ის აცხადებს, წარმოების სისტემების სწრაფი, სტაბილური და შეამციროს შეცდომები. ექსპერიმენტებისგან აღმასრულებამდე Saurabh- ის მიმოხილვა, მოგზაურობა ტრენინგიანი მოდელიდან წარმოების მზად სისტემაში იმიტომ, რომ ინდუსტრიული გადარჩენის პროცესი. „მომდელი არის როგორც პროტოპტოპული საავტომობილო,” ამბობს ის. „მაგონება შეიძლება ლამაზი იყოს ტესტი ბენკზე, მაგრამ მას შემდეგ, რაც იგი ავტომობილში შევიდა, ყველაფერი ცვლილებელია.” ეს რეალურია დაფართოდა ის, რაც ის აცხადებს Production ML Playbook, ოპერაციული პრინციპების კომპლექტი, რომელიც წლების გამოცდილება, ცუდი და გაფართოება. Playbook დაინტერესებს სამი ძირითადი დონეზე: ლატენსიის ტესტირება, რგეზიის გაფართოება და ავტომატური გაფართოება. პირველი, ლატენსიის ტესტირება, შეესაბამება შეზღუდული სიზუსტით. "სურცელი არ შეგიძლიათ გააუმჯობესოთ, რაც არ შეზღუდოთ," Saurabh აცხადებს. "თუ დამატებითი მლსკუდი კავშირები, როდესაც თქვენ მომსახურება მილიონობით მოთხოვნებს." მისი გუნდი იყენებს გაზიარებული სატვირთო სმულატორები, რომლებიც რეალურ მსოფლიოში მოთხოვნებს და სტრესი ტესტირების ინფრასტრუქტურის წინასწარ გათავისუფლებისთვის. მიზანია, ის აღიარებს, არ არის შეამციროს ლატენსიის მთლიანად, ის არის, რომ გაიგოთ იგი საკმარისი გლუვი, რომ შეინახოთ და კონტროლი. Regression Validation: შენარჩუნება Subtle Breaks ერთხელ ლატენსიის კონტროლი, Saurabh წავიდება მშვიდობა sabotors წარმოების სისტემები: რეგრესიის. "Regression bugs are sneaky," ის ამბობს. " ისინი არ crash თქვენი სისტემა; ისინი შეშფოთება მისი ინტელექტურობა დროს. " Saurabh დაეხმარა აწარმოოს ავტომატური რგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგეზიის რეგე მისი ხელმისაწვდომობა სავარაუდოდ იღებს პროგრამული უზრუნველყოფის ინჟინერების ტესტი-მუშავებული განვითარებისა ეტაპზე, ML ექსპერიმენტი და წარმოების ხარისხის სიზუსტით. "სავარაუდოდ, თქვენ არ შეგვიძლია მხოლოდ ინტელექტურობას დაეხმაროთ," ჩანს Saurabh. "სჭირდებათ მოპოვებულობა, რაც თქვენი ექსპერიმენტებს დაეხმარება და თქვენი სისტემები შეინახება." ეს სტრუქტურა და მჭიდროლობა საშუალებას გაძლევთ მისი გუნდი უფრო სწრაფად გადაზიდვა, ხოლო შეამციროს ოპერაციული შეუზღუდავი: იმიტომ, რომ ის აცხადებს, რომ ML ოპერაციებში მოწინავეა. ავტომატური imperative Saurabh's playbook- ში, ავტომატიზაცია არ არის მხოლოდ კომფორტი, ეს არის უსაფრთხოების გარანტი. "მომცულობა უნდა იყოს შეამციროს, არა სტანდარტი," ის უპირატეს. "თუ ყველა მექანიკური ნაბიჯი არის პოტენციური ცუდი პრაქტიკა." Saurabh- ის ფუნქციონირება დიდი multinational retailers- ში, მისი გუნდი იყენებს ავტომატური განთავსების pipelines, რომელიც ინტეგრირებს მუდმივი შეზღუდვა, rollback დაცვა, და დინამიკური შეზღუდვის გამოჩენა. ეს უზრუნველყოფს, რომ კი დიდი ფართო განახლებები შეიძლება გაკეთდეს მინიმალური შეზღუდვის დრო და მაქსიმალური დარწმუნება. “Automation გთავაზობთ თავისუფლება,” ამბობს Saurabh. “მე საშუალებას გაძლევთ კონცენტრაცია სტრატეგიის, უფრო დიდი სტრატეგიული პრობლემები, არ გაქირავების იგივე განლაგების პრობლემები კიდევ ერთხელ.” ოპტიმიზაციის გარდა, ავტომატაცია ასევე გაუმჯობესებს საიმედოობას. თითოეული ახალი მოდელი გაგრძელებს პროგნოზაციის წინასწარ ტესტირება, მათ შორის სინთეტიკური მონაცემთა ტესტირება და სინთეტიკური მოდელის გაფართოება, სანამ გაუმჯობესებს Live Traffic. „მინახავს, რომ თითოეული გაფართოება ექსპერიმენტია,” აცხადებს ის. „თეტიკა საშუალებას იძლევა სისტემის თვითმმართველობის გაუმჯობესებას დიზაინით.” Scaling ფსიქოლოგია: Trust the Process, Not the Hunch Saurabh- სთვის, წარმოების წარმატება არ იწვევს ინტუსისგან, ეს იწვევს პროცესს. "სურვი არ შეუძლია ინტუსის ზრდა," ამბობს ის. "სურვი შეუძლია მხოლოდ ზრდა, რაც სისტემირებულია." მისი ფართო ფსიქოლოგია შეესაბამებს კვლევის მეცნიერების სტრატეგიას და ინჟინერიის ოპერაციული პრაქტიკას. მისი მხარდაჭერა ქვეშ, AI გუნდი აშენდა მუდმივი Feedback loop, მოდელი სწავლის Live მონაცემები, ინფრასტრუქტურის სწავლის მოდელი ქცევის, და ინჟინრები სწავლის ორივე. “მუშავება არ არის ექსპერიმენტების დასრულება,” ის ამბობს. “და ეს არის ადგილი, სადაც ექსპერიმენტები იღებენ პასუხისმგებლობა.” ავტომატური საიმედოობისთვის მომავალში, Saurabh განიხილავს წარმოების ML მილები, რომლებიც თვითმართველობის შეამოწმება და თვითმართველობის რედაქტირება, შეუძლიათ ავტომატურად იპოვოს თხევადი სიჩქარე ან რეგრექცია და რეალურ დროში resource rebalancing. მაგრამ ის უპირატესობა, რომ მაშინაც კი ყველაზე ავტომატური სისტემები ჯერ კიდევ სჭირდება ძირითადი ფსიქოლოგია. "მომხმარებლობის გარეშე ავტომატიზაცია უბრალოდ უფრო სწრაფი არომატია," ის ამბობს. "მომხმარებლობის მიზნით არ არის გააუმჯობესება, ეს არის გაუმჯობესება." ეს გონება გახდა მისი ჩრდილოეთ სტრუქტურა, რომ წარმოების სისტემები, როგორიცაა ადამიანები, რომლებიც მათ აშენებენ, უნდა განვითარდეს მიმოხილვა, გადარჩენა და მუდმივი გაუმჯობესება. "ბედნიერი სისტემები," ის დასრულებს, "მართ არ მხოლოდ ეფექტურად. ისინი სწავლობენ, რომ გაუმჯობესოს საკუთარი." ეს ისტორია გამოქვეყნდა Steve Beyatte ქვეშ HackerNoon's Business Blogging პროგრამა . ეს ისტორია გამოქვეყნდა Steve Beyatte ქვეშ HackerNoon's Business Blogging პროგრამა Business Blogging პროგრამა .