Machine Learning en el Edge, ¿cómo implantarlo con éxito?

MLOps: la agilidad como piedra angular del crecimiento del aprendizaje automático

MLOps (DevOps para aprendizaje automático) permite a los equipos de ciencia de datos e IT colaborar y aumentar el ritmo de desarrollo y despliegue de modelos mediante la supervisión, validación y gobernanza de los modelos de aprendizaje automático.

Automatizar y hacer operativos los productos de ML es todo un reto. Muchas iniciativas de ML no cumplen sus expectativas. El paradigma de las operaciones de aprendizaje automático (MLOps) aborda este problema.  

Las operaciones de aprendizaje automático (MLOps) son similares a las operaciones de desarrollo (DevOps), pero se centran en el despliegue, el mantenimiento y el reentrenamiento de los modelos de aprendizaje automático en lugar de en el versionado del código y el software.

MLOps, al igual que DevOps, aumenta la agilidad de los equipos de ML al hacer posible la introducción rápida y frecuente de pequeños cambios incrementales que ayudan a mantener la fiabilidad de los modelos de aprendizaje automático. Es importante destacar que MLOps también permite a los equipos de profesionales de TI ocuparse de la implementación y el mantenimiento de los modelos, de modo que los científicos de datos puedan dedicar su tiempo al desarrollo de modelos.

Retos para la adopción de la filosofía MLOps en la ingeniería del aprendizaje automático

En este sentido, los proyectos que apliquen la filosofía DevOps en el desarrollo, despliegue y mantenimiento de algoritmos de IA prosperarán con mayor probabilidad.

MLOps es una función central de la ingeniería de aprendizaje automático, centrada en agilizar el proceso de llevar los modelos de aprendizaje automático a la producción, y luego mantenerlos y supervisarlos.

Sin embargo, la adopción de la filosofía MLOps se enfrenta a varios retos:

1. Los consejos de administración no siempre ven el Machine Learning como un punto estratégico de la empresa y perciben este tipo de proyectos como algo difícil de medir y gestionar.
2. Las iniciativas de aprendizaje automático suelen funcionar aisladas unas de otras, lo que dificulta la integración de procesos entre equipos.
3. Para lograr la eficiencia, la formación de modelos requiere grandes cantidades de datos de calidad, lo que genera importantes costes en accesibilidad, preparación y gestión de datos.
4. La ciencia de datos implica mucho ensayo y error, lo que dificulta planificar un proyecto a tiempo.

MLOps consiste en romper con las prácticas lentas y lineales, para transformar los procesos de desarrollo en la rápida iteración continua, permitiendo a los desarrolladores crear y desplegar constantemente soluciones innovadoras.

‍

Retos de IoT Edge MLOps

El despliegue de modelos de aprendizaje automático en producción presenta uno de los puntos más problemáticos del flujo de trabajo. El proceso de despliegue presenta retos adicionales cuando la plataforma de destino es IoT Edge.

Los modelos de aprendizaje automático de IoT cambian rápidamente, por lo que se degradan con mayor rapidez (en relación con la deriva de los datos actuales). Por lo tanto, necesitan un reentrenamiento más frecuente y automático.

Los modelos de aprendizaje automático de IoT deben desplegarse en diferentes tipos de plataformas de destino, y es necesario aprovechar las capacidades de estas plataformas en términos de rendimiento, seguridad, etc.

Es posible que las soluciones IoT Edge deban ejecutarse sin conexión, por lo que deberá permitir el trabajo sin conexión con la frecuencia de actualización de los modelos.

‍

Enuna industria con cada vez más nodos edge distribuidos, la ejecución de algoritmos basados en IA más complejos exige una infraestructura edge diseñada para mantener el ciclo de vida de los modelos entrenados y los dispositivos IoT que los ejecutan.

‍

Plataforma Barbara como facilitadora de MLOps Edge

En este proceso dirigido por científicos de datos, la plataforma Barbara's Edge facilita a los científicos de datos el despliegue, inicio, supervisión, parada o actualización de aplicaciones y modelos en miles de nodos edge distribuidos.

Con Barbara Edge Orchestrator, pueden colaborar y aumentar el ritmo de desarrollo y despliegue de modelos mediante la supervisión, validación y gobierno de los modelos de Machine Learning.

Con la plataforma Barbara's Edge, pueden: 

• Aumente la productividad y mejore las operaciones reduciendo las variaciones en las iteraciones de los modelos para escenarios de nivel industrial, utilizando modelos reproducibles y combinándolos para crear modelos que puedan reentrenarse automáticamente para los dispositivos IoT Edge.

• Escale y despliegue automáticamente las aplicaciones sin código, automatizando los procesos de compilación y despliegue de los modelos de Machine Learning para los dispositivos perimetrales.

• Despliegue fácil y rápidamente modelos de gran precisión y fiabilidad en cualquier lugar, empaquetando los modelos rápidamente mediante Dockers y liberándolos de forma controlada a la producción.

• Gestione eficazmente todo el ciclo de vida del aprendizaje automático, beneficiándose de la interoperabilidad de la plataforma.

La implementación de modelos de Machine Learning en el Edge plantea algunos retos en los que Barbara también puede ayudar: 

• Los modelos de IoT Machine Learning cambian rápidamente. Por lo tanto, necesitan un reentrenamiento más frecuente y automático, nuestra sección Barbara Edge Orchestrator le permite descargar nuevos algoritmos al Edge Node o actualizar los modelos existentes a versiones más nuevas.
• Los modelos de aprendizaje automático de IoT suelen depender de una gran variedad de dispositivos, con diferentes tecnologías. Nuestra amplia biblioteca de conectores permite a los Edge Nodes conectarse a cualquier sensor, actuador, PLC o equipo industrial para intercambiar información y comandos.
• Las soluciones IoT Edge a menudo pueden necesitar funcionar en diferentes entornos de conexión, por lo que es necesario habilitar diferentes estándares de conectividad. Barbara OS puede trabajar con la red que mejor se adapte a sus necesidades de cobertura, consumo de batería y ancho de banda. Barbara OS ofrece conectividad a través de tecnologías de corto alcance como WiFi o Zigbee y estándares de largo alcance como 5G. También puede integrarse con redes de tipo LPWAN como LoRaWan.

Conclusión

La competitividad de las industrias en el futuro vendrá definida por el aprendizaje automático y los MLOps. Las empresas que permanezcan en un nivel inferior estarán en una desventaja significativa frente a las que estén en condiciones de ampliar sus esfuerzos de ML para proporcionar una ventaja empresarial real.

La importancia de la agilidad en el desarrollo tecnológico es aún mayor en las decisiones empresariales. Los presupuestos rara vez surgen específicamente para mejorar la madurez de los procesos. El líder de tecnología empresarial está en una posición única para tomar la iniciativa y crear proyectos que utilicen el aprendizaje automático como catalizador para la empresa.

Si quieres saber más sobre cómo implantar MLOps en Edge, ponte en contacto con nosotros.