Платформа MLOps Iterative, которая почти ровно год назад объявила о раунде серии A стоимостью 20 млн. долл., сегодня запустила MLEM, инструмент управления и развертывания моделей машинного обучения на основе git с открытым исходным кодом.
Идея здесь, по словам компании, состоит в том, чтобы преодолеть разрыв между инженерами машинного обучения и командами DevOps, используя подход на основе git, с которым разработчики уже знакомы. Используя MLEM, разработчики могут хранить и отслеживать свои модели машинного обучения на протяжении всего их жизненного цикла. Таким образом, он дополняет реестр артефактов GTO с открытым исходным кодом Iterative и DVC, систему управления версиями компании для данных и моделей.
«Наличие реестра моделей машинного обучения становится неотъемлемой частью стека технологий машинного обучения. Существующие решения SaaS могут привести к расхождению жизненного цикла моделей машинного обучения и программных приложений», — сказал Дмитрий Петров, соучредитель и генеральный директор Iterative. «Наш подход к реестру модели ML заключается в предоставлении модульных строительных блоков, которые организации могут легко интегрировать в свой существующий технологический стек MLOps. MLEM используется для извлечения метаинформации для моделей ML и упрощения развертывания. DVC управляет большими файлами моделей машинного обучения в облаке или локальном хранилище. GTO предоставляет функциональность GitOps для управления версиями моделей в Git и отправки сигналов в системы CI/CD для производства моделей. Отдельные инструменты привносят модульную философию Unix в управление моделями машинного обучения и ModelOps».
Кредиты изображений: Итеративный
Как отмечает команда, подобная система позволяет упростить обмен моделями между бизнес-подразделениями и командами, а также упрощает взаимодействие команд машинного обучения со своими командами DevOps. Для строго регулируемых отраслей подобная система также предлагает единый источник правды для выяснения происхождения данной модели.
«Реестры моделей упрощают отслеживание моделей, проходящих через жизненный цикл машинного обучения, за счет хранения и управления версиями обученных моделей, но организации, создающие эти реестры, в конечном итоге имеют два разных технологических стека для моделей машинного обучения и разработки программного обеспечения», — сказал Дмитрий Петров, соучредитель и генеральный директор Iterative. . “MLEM в качестве строительного блока для реестров моделей использует Git и традиционные инструменты CI/CD, объединяя команды машинного обучения и программного обеспечения, чтобы они могли быстрее запускать модели в производство».
Сама Iterative, конечно же, предлагает размещенную платформу, которая делает все это через свой сервис Iterarative Studio для совместной работы над моделями машинного обучения и отслеживания экспериментов и визуализаций, а также реестр размещенных моделей.