Сводка
В этом модуле мы рассматривали сценарий развертывания алгоритма прогнозируемого обслуживания для насосов, расположенных на удаленных объектах (нефтегазовый сектор). Предприятие уже записывает данные с датчиков, расположенных на местах, но хотело бы развернуть алгоритмы прогнозного обслуживания на пограничных устройствах. Чтобы преодолеть отклонение данных, предприятие решило переучивать алгоритмы автоматически.
MLOps позволяет управлять всем процессом разработки и развертывания модели. Модели машинного обучения можно создавать, отслеживать и проверять с минимальным участием персонала. Модели можно развертывать на пограничных устройствах (насосах) и работать в автономном режиме при необходимости. Частое и автоматическое переобучение моделей гарантирует, что на устройствах будет выполняться самая последняя версия модели.
При отсутствии стратегии MLOps развернутые модели могут возвращать результаты, не отражающие текущего состояния данных. Эти результаты могут быть вводящими в заблуждение или просто неверными.
Развернув MLOps, вы сможете понять ценность моделей и сохранить эту ценность с течением времени, сохраняя модель в актуальном состоянии путем переобучения. Компания может добиться существенной экономии на обслуживании и производственных затратах, а также повысить безопасность рабочих мест и их воздействие на окружающую среду с этими целями.