5 Mejores Prácticas para Optimizar ModelOps con SAS® Model Manager y Azure Machine Learning, Parte 3

5 Mejores Prácticas para Optimizar ModelOps con SAS® Model Manager y Azure Machine Learning, Parte 3


¿Estás empezando esta serie? Asegúrese de revisar la Parte 1 y la Parte 2.

Hay varias formas de utilizar estas dos herramientas para acelerar la creación, implementación y supervisión de modelos. La figura 1 resume las prácticas recomendadas para ejecutar ModelOps con SAS Model Manager y Azure Machine Learning.

Figura 1: cinco prácticas recomendadas para optimizar el ciclo de vida de ModelOps en la nube de Microsoft.

Mejor práctica 1: Cree modelos con canalizaciones de aprendizaje automático repetibles con SAS® Model Manager

Cuando los científicos de datos crean modelos en SAS Viya y se registran en SAS Model Manager, pueden innovar y desarrollarse más rápido. SAS Viya no solo crea canalizaciones con componentes de aprendizaje automático reutilizables, sino que también permite a los usuarios importar fácilmente componentes reutilizables desde cualquier idioma. SAS Viya también puede convertir el código de puntuación de un idioma a otro, lo que ayuda a los desarrolladores a evitar la sobrecarga de transcodificación. Por ejemplo, SAS puede importar paquetes Viya R o Python, o incluso un cuaderno Jupyter, y convertirlos instantáneamente para que se ejecuten en código SAS (y viceversa).

El centro de estas capacidades de SAS es el repositorio de metadatos de modelado, que SAS utiliza para las capacidades de monitoreo y monitoreo de desvíos. El repositorio de código real puede residir en GitHub, la biblioteca de código listo para usar de Microsoft. Las capacidades integradas de SAS le permiten almacenar y rastrear componentes repetibles en GitHub, lo que facilita que otros los encuentren y los reutilicen. De esta forma, SAS apoya un ecosistema para el desarrollo de modelos. SAS Model Manager también proporciona este repositorio central para modelar metadatos mientras mejora los procesos de Azure MLOps.

A medida que crea modelos, puede usar SAS Model Manager para probarlos antes de ponerlos en producción. Ya sea que esté construyendo en Python, R, SAS o un Jupyter Notebook, el software le permite validar de manera eficiente la lógica del modelo mediante una metodología concisa que registra cada prueba. Esto significa que siempre sabe que los modelos se ejecutan sin problemas en su entorno implementado.

Práctica recomendada 2: aplique la automatización a su seguimiento de auditoría y adopción de ModelOps

SAS Model Manager también facilita una gobernanza más eficaz al permitir a los usuarios:

    • Reúna todos los modelos, proyectos y canalizaciones en un repositorio versionado, seguro y con capacidad de búsqueda.
    • Realice un seguimiento de las diferentes versiones de cada modelo para que pueda realizar un seguimiento del historial del modelo y los cambios de propiedad en una única interfaz fácilmente disponible.
    • Compare modelos de diferentes lenguajes y bibliotecas uno al lado del otro (por ejemplo, SAS, TensorFlow, scikit-learn y más).
    • Administre el control de versiones del modelo y el seguimiento del historial en un solo lugar.
    • Acceda a modelos y artefactos de puntuación de modelos a través de API REST abiertas.

Práctica recomendada 3: use Azure Machine Learning para implementar modelos en la nube de Microsoft

Después de validar su modelo, el código de evaluación del análisis se ejecutará correctamente y podrá implementar su modelo en cualquier lugar de la nube de Microsoft. Puede llamar a su modelo desde Microsoft Dynamics 365, Azure Synapse Analytics y Microsoft Power Platform, incluido Power BI, lo que le permite llevar sus modelos a más lugares.

También puede implementar su modelo en contenedores Docker compatibles con OCI (Open Container Initiative) en la nube de Microsoft como una imagen liviana en SAS Container Runtime (SCR). Las imágenes SCR proporcionan un sistema moderno, a prueba de balas, confiable y no patentado para transportar y ejecutar código en tiempo de ejecución. Esto simplifica enormemente los esfuerzos para mover el código de su sistema de desarrollo a su sistema de producción. Simplemente registre su modelo de contenedor SAS con su ubicación preferida de Microsoft Azure o Docker y cree una aplicación o use API REST para validar nuevos datos con SAS Container Runtime contra su modelo publicado.

Mejor práctica 4: use SAS® Model Manager para monitorear el rendimiento y la deriva

Los modelos comienzan a degradarse en el momento en que los pone en producción a medida que las condiciones del mercado, el comportamiento del cliente y los datos cambian con el tiempo. SAS Model Manager incluye monitoreo de rendimiento para rastrear y ver fácilmente el rendimiento en comparación con los KPI establecidos con expertos de TI y de la industria.

SAS Model Manager también complementa el proceso ModelOps al permitir que los profesionales de la industria se hagan cargo del proceso de monitoreo. Por ejemplo, SAS Model Manager proporciona análisis e informes visuales que le permiten monitorear de manera centralizada el rendimiento del modelo dentro de Azure Machine Learning e identificar la desviación del modelo. Úsalo para:

    • Genere informes de rendimiento listos para usar con un asistente.
    • Acceda fácilmente a los datos para crear sus propios informes y KPI.
    • Programe trabajos para detectar la desviación del modelo y vuelva a entrenar automáticamente los modelos cuando se detecten sesgos o rendimiento deficiente.

Las visualizaciones de datos facilitan que los compañeros de equipo en la industria vean los cambios en los recuentos de puntos de datos, controlen los cambios en la precisión a lo largo del tiempo y vean qué modelos se están desviando y necesitan una nueva capacitación.

Mejor práctica 5: use SAS® Model Manager para volver a entrenar, puntuar y volver a implementar modelos más rápido

Cuando el rendimiento del modelo comienza a degradarse, su organización debe adoptar uno de estos tres enfoques:

    • Vuelva a entrenar el modelo existente con nuevos datos.
    • Revisar el modelo usando nuevas técnicas (por ejemplo, ingeniería de características o nuevos elementos de datos).
    • Reemplazar completamente el modelo con un modelo mejor.

Pero independientemente de su elección, las preguntas críticas siguen siendo las mismas:

    • ¿Cómo sabe cuándo volver a entrenar al modelo?
    • Después de volver a entrenar el modelo, ¿cómo determina cuándo volver a implementar el modelo?
    • ¿Puede predecir cuánto tiempo será relevante el modelo?

SAS Model Manager lo ayuda a responder estas preguntas y tomar las medidas oportunas. Cuando observa un desvío del modelo, lo alerta de manera proactiva con un mecanismo de retroalimentación incorporado y simplifica, agiliza y acelera en gran medida el reentrenamiento y la redistribución del modelo. SAS incluso le permite volver a trabajar en un modelo con nuevas técnicas (por ejemplo, ingeniería de características o nuevos elementos de datos) o reemplazar un modelo completo por uno mejor.

Aprende más

Hay muchos beneficios de usar SAS Model Manager con Azure Machine Learning. Lo que es más importante, obtiene un entorno sin código/de código bajo donde los analistas de negocios pueden crear e implementar SAS y modelos de código abierto, monitorear continuamente el rendimiento y la deriva, y volver a entrenar modelos, todo dentro de una única e intuitiva interfaz de usuario de SAS. Esto le brinda la libertad de crear equipos colaborativos y multifuncionales que garantizan que los modelos resuelvan problemas comerciales reales hoy y en el futuro. Los problemas se identifican antes, y el reentrenamiento y las reimplementaciones ocurren más rápido, porque todos los modelos se alojan, recopilan y rastrean en una sola aplicación. Y las eficiencias que obtiene a través de la automatización y el monitoreo en tiempo real, los informes, las pruebas y más significan que puede escalar con confianza su uso de modelos ML en todo su entorno de Microsoft.

La próxima vez, vea cómo funcionan en la práctica SAS Model Manager, Azure Machine Learning y Power BI aprendiendo cómo llamar a un modelo SAS en Power BI.

Para obtener más información sobre ModelOps y nuestra asociación con Microsoft, lea nuestro documento técnico: ModelOps con SAS Viya en Azure.

Related post

Hacia la optimización universal de hiperparámetros con transformadores

Hacia la optimización universal de hiperparámetros con transformadores

Publicado por Yutian Chen, científico investigador, DeepMind, y Xingyou (Richard) Song, científico investigador, Google Research, Brain Team Uno de los aspectos…
Los investigadores están desarrollando tintas de nanotecnología para la bioelectrónica portátil imprimible en 3D

Los investigadores están desarrollando tintas de nanotecnología para la…

18 de agosto de 2022 (Noticias de Nanowerk) La electrónica flexible ha permitido el diseño de sensores, actuadores, microfluidos y electrónica…
Visualización de estructuras a nanoescala en tiempo real (con video)

Visualización de estructuras a nanoescala en tiempo real (con…

18 de agosto de 2022 (Noticias de Nanowerk) Los diseñadores de chips de computadora, científicos de materiales, biólogos y otros científicos…

Leave a Reply

Tu dirección de correo electrónico no será publicada.