Koneoppimismallin kouluttaminen ja tuotantoon vieminen MLOps-käytänteiden mukaisesti Microsoft Azure -pilvipalvelussa

Abstract

Tässä opinnäytetyössä tutustuttiin, kuinka koneoppimismalli saadaan vietyä tuotantoympäristöön toimintavarmasti ja nopeasti. Koneoppimisprojektin elinkaareen kuuluu useita eri työvaiheita, jotta koneoppimalli saadaan luotua. Työvaiheet eivät kuitenkaan etene suoraviivaisesti, sillä useat eri muuttujat vaikuttavat siihen, kuinka hyvin koneoppimismalli pystyy ratkaisemaan sille määritetyn ongelman. Lisäksi koneoppimismallin suorituskyky saattaa laskea ajan saatossa, koska se on koulutettu jo olemassa olevalla datalla, joka ei välttämättä enää täysin kuvasta nykyhetkeä. Useat eri työvaiheet, iteratiivisuus sekä koneoppimismallin suorituskyvyn lasku tekevät koneoppimismallin tuotantoon viemisestä ja sen toimintakunnon ylläpitämisestä haastavan tehtävän.

MLOps on kokoelma hyviä käytänteitä, joita seuraamalla koneoppimismalli saadaan vietyä tuotantoympäristöön entistä tehokkaammin. Sen peruspilareihin kuuluvat automatisointi ja monitorointi, joiden avulla koneoppimismalli saadaan myös koulutettua uudelleen, kun se ei enää kykene suoriutumaan muuttuvassa maailmassa tarpeeksi hyvin. Työssä myös esitettiin, minkälaisia työkaluja ja palveluita Microsoft Azure -pilvipalvelu tarjoaa koneoppimisprojekteille, kun ne toteutetaan MLOps-periaatteita noudattaen. Opinnäyteyön lopuksi demonstrointiin, kuinka Azuren palveluita hyödyntäen voidaan luoda yksinkertainen MLOps-putki.