HƯỚNG DẪN KỸ THUẬT

Trưởng và Dagster cho dàn nhạc ML

Prefect và Dagster điều phối các quy trình công việc Python như chuẩn bị dữ liệu, đào tạo, đánh giá và triển khai, với các khái niệm trừu tượng khác nhau để tổ chức công việc.

Nghe hướng dẫn nàyAI thuật lại · ~3 min

Trên trang nàyĐọc trong 3 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của Trưởng và Dagster cho Dàn nhạc ML
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

Prefect tập trung vào luồng và thực thi nhiệm vụ, trong khi Dagster nhấn mạnh vào nội dung dữ liệu và các phần phụ thuộc của chúng; so sánh xem mỗi thứ phù hợp với quy trình, hoạt động và nhóm của bạn như thế nào.

Lặn sâu

Người điều phối quy trình làm việc điều phối các nhiệm vụ chạy theo lịch trình, phản hồi các sự kiện hoặc phụ thuộc vào kết quả đầu ra trước đó. Các quy trình ML thường kết hợp việc truy xuất, xác thực, chuyển đổi, đào tạo, đánh giá và triển khai dữ liệu. Trình điều phối có thể quản lý các phần phụ thuộc, số lần thử lại, trạng thái, nhật ký và lịch trình dễ dàng hơn so với tập hợp các tập lệnh đặc biệt nhưng nó không tự động làm cho quy trình làm việc có thể lặp lại hoặc chính xác. Prefect tổ chức công việc bằng cách sử dụng các luồng và nhiệm vụ được thể hiện dưới dạng hàm Python. Một luồng tổng hợp công việc, trong khi các nhiệm vụ có thể cung cấp cho từng đơn vị hành vi theo dõi và thử lại. Kiểu mã đầu tiên này có thể quen thuộc với các nhóm Python và có thể chạy cục bộ trong quá trình phát triển, với cơ sở hạ tầng triển khai và thực thi được định cấu hình riêng. Dagster lập mô hình nội dung dữ liệu và các phần phụ thuộc tạo ra chúng, cùng với công việc, lịch trình, cảm biến và quá trình thực thi. Các định nghĩa hướng đến tài sản có thể làm cho trạng thái dòng dõi và hiện thực hóa trở thành trung tâm của trải nghiệm người dùng. Điều này có thể phù hợp với các nhóm muốn suy luận về bảng, tính năng, mô hình và báo cáo dưới dạng kết quả đầu ra được đặt tên. Các nhóm vẫn cần xác định cách trình bày các phiên bản dữ liệu, môi trường điện toán và yêu cầu tài nguyên. Cả hai công cụ đều có thể hỗ trợ thử lại và lên lịch, nhưng việc thử lại chỉ an toàn khi các thao tác bình thường hoặc có tính trùng lặp. Công việc đào tạo có thể an toàn để chạy lại nếu kết quả đầu ra được phiên bản; việc triển khai hoặc ghi dữ liệu có thể cần các biện pháp bảo vệ. Giám sát thời lượng, lỗi, hiện vật cũ và việc sử dụng tài nguyên. Lưu trữ bí mật thông qua tích hợp an toàn thay vì đưa thông tin xác thực vào mã quy trình làm việc. Đánh giá các công cụ ứng viên bằng một quy trình học máy đại diện. Kiểm tra việc gỡ lỗi cục bộ, mô hình triển khai, dòng tạo tác, siêu dữ liệu, quản lý phụ thuộc, chèn lấp, giám sát và chi phí vận hành bộ điều phối. Một dự án nhỏ có thể chỉ cần một bộ lập lịch và các tập lệnh. Một hệ thống lớn hơn có thể được hưởng lợi từ dòng tài sản hoặc trạng thái dòng chảy phong phú hơn. Không công cụ nào thay thế được thiết kế thử nghiệm, xác thực mô hình hoặc quyền sở hữu hành vi sản xuất.

Triển khai trong thế giới thực

Một nhóm hoàn thành quy trình đào tạo lại mô hình hàng đêm trong luồng Trưởng với giới hạn thử lại và thời gian chờ để tìm nạp dữ liệu bên ngoài.

Nền tảng dữ liệu xác định nội dung Dagster cho bảng tính năng đã được làm sạch, mô hình được đào tạo và báo cáo đánh giá, sau đó hiện thực hóa các đầu ra phụ thuộc.

Một kỹ sư kiểm tra quy trình cục bộ trước khi triển khai lịch trình và thêm cảnh báo cho các công việc không thành công.

Một nhóm so sánh cách các công cụ thể hiện dòng dõi và chỉ chạy lại các bước bị ảnh hưởng bởi đầu vào đã thay đổi.

Tương lai của Trưởng và Dagster cho Dàn nhạc ML

Những người điều phối sẽ tiếp tục tích hợp với các nền tảng dữ liệu, điện toán đám mây, cơ quan đăng ký mô hình và các công cụ quan sát. Dòng nội dung và trạng thái cấp luồng có thể hội tụ trong các giao diện phong phú hơn, trong khi quy trình làm việc đầu tiên của Python vẫn hấp dẫn để thử nghiệm. Khả năng của công cụ và mô hình triển khai có thể thay đổi, vì vậy hãy so sánh tài liệu hiện tại và yêu cầu vận hành. Tự động hóa ML đáng tin cậy vẫn phụ thuộc vào nhận dạng dữ liệu rõ ràng, thử lại an toàn, thử nghiệm và chủ sở hữu có trách nhiệm. Các nhóm sẽ tiếp tục cân bằng việc phối hợp Python linh hoạt dựa trên dòng dữ liệu rõ ràng. Sự trừu tượng hóa phù hợp sẽ giúp việc khôi phục lỗi và quyền sở hữu trở nên rõ ràng khi quy trình làm việc phát triển.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Chi phí và ngân sách. Các quyết định về kiến ​​trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
  • Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
  • Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.

coi chừng

  • Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
  • Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
  • Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.

Các bước tiếp theo

  1. Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
  2. Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
  3. Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
  4. Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.

Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.

Tự kiểm tra

Take the Prefect and Dagster for ML Orchestration quiz

Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.

Bắt đầu bài kiểm tra

Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp

Câu hỏi thường gặp

Prefect và Dagster cho dàn nhạc ML là gì?

Prefect và Dagster điều phối các quy trình công việc Python như chuẩn bị dữ liệu, đào tạo, đánh giá và triển khai, với các khái niệm trừu tượng khác nhau để tổ chức công việc. Prefect tập trung vào luồng và thực thi nhiệm vụ, trong khi Dagster nhấn mạnh vào nội dung dữ liệu và các phần phụ thuộc của chúng; so sánh xem mỗi thứ phù hợp với quy trình, hoạt động và nhóm của bạn như thế nào.

Prefect thường định nghĩa một luồng như thế nào?

Các luồng hoàn hảo bao bọc các hàm Python và soạn thảo thực thi quy trình công việc.

Dagster thể hiện quy trình làm việc hướng đến nội dung như thế nào?

Nội dung đại diện cho các đối tượng dữ liệu được tạo ra bằng tính toán và được liên kết bởi các phần phụ thuộc.

Tại sao việc thử lại tự động có thể không an toàn đối với một số bước trong quy trình công việc?

Việc ghi hoặc triển khai không bình thường có thể xảy ra nhiều lần.

Cần ghi lại những gì để hỗ trợ dòng tạo tác ML?

Những chi tiết này kết nối đầu ra với đầu vào và quá trình triển khai của nó.

Khi nào mô hình tài sản của Dagster có thể hữu ích?

Nội dung được đặt tên giúp hiển thị kết quả đầu ra được tạo ra và mối quan hệ của chúng.