O processo manual de desenvolvimento de machine learning inclui etapas como Análise Exploratória de Dados, preparação de dados, engenharia de recursos, treinamento, otimização de hiperparâmetros, implantação e monitoramento. No entanto, apenas 20-40% dos modelos treinados chegam à produção, indicando um grande desperdício de recursos.
Para abordar esses desafios, o palestrante apresenta a solução MLOps, que aplica princípios e ferramentas de DevOps ao fluxo de trabalho de machine learning. Isso permite automatizar e streamliner processos, como controle de versão do código, integração e entrega contínuas, e separação de infraestrutura de treinamento e implantação.
A importância do monitoramento é destacada como crucial em todas as etapas do desenvolvimento de machine learning, desde o treinamento com GPUs até a implantação com contêineres Docker. A automação e pipelines de integração e entrega contínuas podem ser usadas para automatizar o processo de retreinamento quando a precisão do modelo cai abaixo de um determinado limite, reduzindo estresse e aumentando a velocidade do treinamento de modelos.
Em resumo, a criação de modelos de machine learning é um processo complexo e desafiador, mas com a implementação de MLOps, é possível torná-lo mais eficiente e reduzir o desperdício de recursos.