Temel Kavramlar
Eine neuartige Methode, die Selbstadaption in die MLOps-Architektur integriert, um die Nachhaltigkeit von MLOps-Pipelines zu verbessern.
Özet
In diesem Artikel wird ein neuartiger Ansatz vorgestellt, der Selbstadaption in die MLOps-Architektur integriert, um die Nachhaltigkeit von MLOps-Pipelines zu verbessern. Der Ansatz verwendet einen MAPE-K-Regelkreis, um auf Unsicherheiten wie Datendrift, Modelldynamik und Umgebungsschwankungen autonom zu reagieren.
Der Ansatz besteht aus drei Hauptkomponenten:
- Das verwaltete System, das die gesamte MLOps-Pipeline umfasst, bestehend aus einem Trainings- und einem Inferenz-Teilsystem.
- Die Entscheidungskarte, die vom Systemarchitekten erstellt wird und die Nachhaltigkeitsanliegen über die Dimensionen Umwelt, Technik, Soziales und Wirtschaft hinweg erfasst.
- Das verwaltende System, das den MAPE-K-Regelkreis implementiert. Es überwacht das verwaltete System, erkennt Unsicherheiten, plant und führt Anpassungen durch.
Der Artikel demonstriert die Praxistauglichkeit des Ansatzes anhand eines Fallbeispiels aus dem Bereich Smart City, in dem eine selbstadaptive MLOps-Pipeline zur Vorhersage der Luftqualität entwickelt wird. Die Ergebnisse zeigen, dass der Ansatz einen Ausgleich zwischen Leistung und Energieverbrauch findet und die Nachhaltigkeit der MLOps-Pipeline verbessert.
İstatistikler
Die Vorhersagepipeline besteht aus zwei verschiedenen Modellen: einem linearen Regressionsmodell (leichtes Modell mit geringer Antwortzeit und Vorhersagequalität) und einem Long Short-Term Memory-Netzwerk (LSTM) (schwereres Modell mit hoher Vorhersagequalität und Antwortzeit).
Alıntılar
"Unsere Methode, im Vergleich zum periodischen Neutrainieren beider Modelle und dem Umschalten zwischen ihnen (A5), verbessert den R2-Wert von 0,90 auf 0,94 und reduziert den durchschnittlichen CPU-Verbrauch um 32%."