مقدمه

بسیاری از فعالان حوزه‌ی یادگیری ماشین، تجربه‌ی ساخت مدل‌های موفق در محیط‌های آزمایشگاهی مانند ژوپیتر نوت‌بوک یا گوگل کولب را دارند. در این محیط‌ها، معمولن فرایند به بارگذاری داده، آموزش مدل، ارزیابی و سپس ذخیره‌سازی مدل ختم می‌شود. اما هنگامی که قرار است یک مدل در محیط عملیاتی و برای استفاده‌ی همزمان هزاران کاربر پیاده‌سازی شود، چالش‌های تازه‌ای پدیدار می‌گردد که در محیط‌های آزمایشگاهی قابل‌پیش‌بینی نیستند.

در ادامه به ذکر برخی از این چالش‌ها می‌پردازیم.

چالش‌های دنیای واقعی در پیاده‌سازی مدل‌های یادگیری ماشین

برای روشن‌تر شدن موضوع، فرض کنید برای یک شرکت مشاوره‌ی املاک، مدلی ساخته‌اید که قیمت مسکن را بر اساس مشخصاتی همچون متراژ، تعداد اتاق‌ها و موقعیت مکانی پیش‌بینی می‌کند. این مدل قرار است روی سرور شرکت مستقر شود و از طریق یک وب‌سایت در اختیار کاربران قرار گیرد. در این شرایط، با دست‌کم سه چالش اساسی مواجه خواهید شد:

اول: تغییرپذیری داده‌ها
شرایط بازار مسکن همواره در حال تغییر است. ممکن است داده‌هایی که مدل بر اساس آنها آموزش دیده، پس از مدتی دیگر نمایانگر وضعیت واقعی نباشند. در نتیجه، مدلی که امروز با دقت بالایی عمل می‌کند، ممکن است فردا با افت چشمگیر عملکرد مواجه شود.

دوم: همکاری تیمی و مدیریت تغییرات
در پروژه‌های واقعی، معمولن چندین نفر به صورت همزمان روی یک پروژه کار می‌کنند. مدیریت نسخه‌های مختلف کد، اطمینان از یکپارچگی تغییرات و امکان بازگشت به نسخه‌های پیشین، از چالش‌های جدی این حوزه به شمار می‌رود.

سوم: تکرارپذیری نتایج
فرض کنید شش ماه پس از انتشار مدل، قصد دارید آن را با داده‌های جدید مجدد آموزش دهید. چگونه می‌توانید اطمینان حاصل کنید که فرایند جدید، دقیقن همان نتایج فرایند پیشین را تولید خواهد کرد؟ عدم وجود بستر مناسب برای نسخه‌بندی و ثبت جزئیات، این مهم را با دشواری مواجه می‌سازد.

حال که مقداری با چالش‌های موجود آشنا شدید، در ابتدا بپردازیم به اینکه ام‌ال‌آپس چیست و چگونه تعریف می‌گردد.

ام‌ال‌آپس (MLOps) چیست؟

ام‌ال‌آپس (MLOps) مخفف عبارت

 Machine Learning Operations

به معنای «عملیات یادگیری ماشین» است. به بیان ساده، MLOps مجموعه‌ای از روش‌ها، بهترین‌عملکردها (Best Practices) و ابزارهای نرم‌افزاری است که به ما کمک می‌کند تا چرخه‌ی حیات یک مدل یادگیری ماشین را از مرحله‌ی توسعه تا استقرار و پایش، به صورت خودکار، قابل‌اعتماد و مقیاس‌پذیر مدیریت کنیم.

به عبارت دیگر، اگر یادگیری ماشین به ما می‌آموزد که چگونه مدل بسازیم، MLOps به ما می‌آموزد که چگونه آن مدل را به یک محصول پایدار و کاربردی تبدیل کنیم و آنرا در محیط عملیاتی یا پروداکشن (Production) مستقر نمائیم.

چرخه‌ی حیات یک مدل در دنیای واقعی

در ادامه، مراحل اصلی چرخه‌ی حیات یک مدل یادگیری ماشین در محیط عملیاتی را با یکدیگر مرور می‌کنیم. این مراحل، هسته‌ی مرکزی مباحثی هستند که در طول این دوره به تفصیل به آنها خواهیم پرداخت:

۱. دریافت داده: شامل بارگذاری داده از منابع مختلف نظیر پایگاه‌های داده، فایل‌های ذخیره‌شده یا رابط‌های برنامه‌نویسی (APIها).

۲. پیش‌پردازش و تمیزکاری: انجام عملیات پاک‌سازی، نرمال‌سازی و تبدیل داده‌ها به فرمت قابل‌استفاده برای مدل.

۳. آموزش و ارزیابی مدل: پیاده‌سازی الگوریتم‌های مختلف، آموزش مدل بر روی داده‌های آموزشی و ارزیابی عملکرد آن با معیارهای مشخص.

۴. ذخیره‌سازی و نسخه‌بندی مدل: ثبت مدل نهایی به همراه کلیه‌ی پارامترها و متادیتاهای مرتبط، به نحوی که امکان بازیابی نسخه‌های مختلف وجود داشته باشد.

۵. استقرار در محیط عملیاتی: قرار دادن مدل بر روی سرورها به گونه‌ای که از طریق رابط‌های برنامه‌نویسی در دسترس سایر سیستم‌ها و کاربران قرار گیرد.

۶. پایش و مانیتورینگ: نظارت مستمر بر عملکرد مدل در محیط عملیاتی و شناسایی هرگونه افت کیفیت یا انحراف از نتایج مورد انتظار.

۷. بازآموزی خودکار: در صورت تشخیص نیاز، راه‌اندازی مجدد فرایند آموزش با داده‌های به‌روز شده، به صورت خودکار و بدون دخالت دستی.

در این دوره چه می‌آموزیم؟

در این دوره‌ی آموزشی، تمامی مراحل فوق را با استفاده از یک پروژه‌ی عملی (پیش‌بینی قیمت مسکن) قدم به قدم پیاده‌سازی خواهیم کرد. رویکرد ما در این آموزش، بهره‌گیری از ساده‌ترین و در عین حال کاربردی‌ترین ابزارهای رایگان است تا بتوانید بدون مواجهه با پیچیدگی‌های غیرضروری، مفاهیم بنیادین MLOps را فرا بگیرید.

پیش‌نیازهای دوره

برای بهره‌مندی کامل از این دوره، آشنایی مقدماتی با موارد زیر ضروری است:

  • زبان برنامه‌نویسی پایتون
  • کتابخانه‌های Pandas و Scikit-learn در پایتون
  • آشنایی ابتدایی با محیط خط‌فرمان (ترمینال)

جمع‌بندی و تمرین

در این درس دریافتیم که MLOps پلی است میان توسعه‌ی مدل‌های یادگیری ماشین و استقرار موفق آنها در محیط عملیاتی. بدون بهره‌گیری از اصول MLOps، مدل‌های ما در بهترین حالت، پروژه‌هایی آزمایشگاهی باقی خواهند ماند.

تمرین پیشنهادی:

به پروژه‌های قبلی خود در حوزه‌ی یادگیری ماشین بیندیشید. اگر قصد داشتید یکی از آنها را به یک محصول عمومی تبدیل کنید، با چه چالش‌هایی مواجه می‌شدید؟ این سؤال را با خود مرور کنید تا در درس بعدی، با ابزارهایی آشنا شویم که به حل این چالش‌ها کمک می‌کنند.