Shrnutí
V tomto modulu jsme se zabývali scénářem nasazení algoritmu preventivní údržby vzdálených čerpadel (v petrochemickém průmyslu). Společnost už zaznamenává data ze snímačů umístěných v terénu, ale teď chce zavést algoritmus preventivní údržby hraničních zařízení. Společnost chce řešit posun dat automatickým opětovným trénováním algoritmů.
MLOps umožňuje řídit celý proces vývoje a nasazení modelu. Modely strojového učení je možné vytvářet, monitorovat a ověřovat s minimálními zásahy. Modely je možné nasadit na hraniční zařízení (čerpadla) a v případě potřeby běžet offline. Díky častému automatickému trénování modelů běží na zařízeních nejaktuálnější verze modelu.
Pokud by strategie MLOps neexistovala, mohly by nasazené modely mohly vracet výsledky, které neodpovídají aktuálnímu stavu dat. Tyto výsledky můžou být zavádějící, nebo dokonce nesprávné.
Pokud nasadíte MLOps, zhodnotíte své modely a zachováte jejich hodnotu v čase, protože umožníte jejich opětovné trénování, aby byly aktuální. Společnost může dosáhnout značné úspory nákladů na údržbu a výrobu a zvýšit bezpečnost pracoviště a jejich dopad na životní prostředí s těmito cíli.