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

MLOps: la agilidad como piedra angular para el crecimiento del machine learning

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 poner en funcionamiento los productos de ML es un reto. Muchos proyectos de ML no cumplen sus expectativas. El paradigma de las Operaciones de Aprendizaje Automático (MLOps) aborda este problema.  

Las operaciones de Machine Learning (MLOps) son similares a las operaciones de desarrollador (DevOps), pero con un enfoque en el despliegue, el mantenimiento y el reentrenamiento de los modelos de Machine Learning en lugar del control de versiones del código y el software.

MLOps, al igual que DevOps, aumenta la agilidad de los equipos de ML al permitir introducir de forma rápida y frecuente pequeños cambios incrementales que ayudan a mantener la fiabilidad de los modelos de machine learning. Es importante destacar que MLOps también permite a los equipos de profesionales de TI encargarse del despliegue 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 de Machine Learning

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 Machine Learning, centrada en agilizar el proceso de llevar los modelos de aprendizaje automático a producción, y luego mantenerlos y supervisarlos.

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

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 Machine Learning a menudo funcionan de forma aislada entre sí, lo que dificulta la integración de procesos entre los equipos.
3. Para lograr eficiencia, el entrenamiento de modelos requiere grandes cantidades de datos de calidad, lo que genera costes significativos en accesibilidad, preparación y gestión de datos.
4. La ciencia de datos implica muchas pruebas y errores, lo que dificulta la planificación de un proyecto a tiempo.

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

‍

Desafíos de IoT Edge MLOps

El despliegue de modelos de aprendizaje automático en producción presenta uno de los puntos más dolorosos 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 tienes que aprovechar las capacidades de estas plataformas en términos de rendimiento, seguridad, etc.

Las soluciones IoT Edge pueden tener que funcionar sin conexión, por lo que debes 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.

‍

La plataforma Barbara como facilitador para Edge MLOps

En este proceso liderado por científicos de datos, la plataforma Edge de Barbara facilita a los científicos de datos el despliegue, inicio, monitorización, detención o actualización de aplicaciones y modelos en miles de nodos Edge distribuidos.

Con Barbara Edge Orchestrator, pueden colaborar y aumentar el ritmo de desarrollo e implementación de modelos mediante la supervisión, validación y gestión de modelos de Machine Learning.

Con la plataforma Edge de Barbara, pueden: 

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

• Escale automáticamente e implemente aplicaciones sin código, automatizando los procesos de compilación e implementación de modelos de Machine Learning para dispositivos perimetrales.

• Despliegue fácil y rápido de modelos altamente precisos y fiables en cualquier lugar, empaquetando modelos rápidamente utilizando Dockers y lanzándolos a producción de forma controlada.

• 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 desafíos con los que Barbara también puede ayudar: 

• Los modelos de Machine Learning del IoT cambian rápidamente. Por lo tanto, necesitan un reentrenamiento frecuente y automático, nuestra sección Barbara Edge Orchestrator le permite descargar nuevos algoritmos al Edge Node o actualizar los modelos existentes a versiones más recientes.
• Los modelos de Machine Learning del IoT suelen depender de una amplia variedad de dispositivos, con diferentes tecnologías. Nuestra extensa 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 ejecutarse en diferentes entornos de conexión, por lo que deben habilitarse diferentes estándares de conectividad. Barbara OS puede funcionar 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 se puede integrar con redes de tipo LPWAN como LoRaWan.

‍Conclusión

La competitividad de las industrias en el futuro vendrá definida por el Machine Learning y MLOps. Las empresas que se mantengan en un nivel inferior estarán en clara desventaja con respecto a aquellas que estén en posición de expandir sus esfuerzos de ML para proporcionar una ventaja comercial 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 se encuentra en una posición única para tomar la iniciativa y crear proyectos que utilicen el aprendizaje automático como catalizador para la empresa.

Si desea obtener más información sobre cómo implementar MLOps en el Edge, póngase en contacto con nosotros.