概述
它不再只服務單一孤立模型,而是讓你將模型、路由器、組合器和轉換器串接成一個有向圖,作為一個可部署的服務執行。
深入探討
許多實際生產用例涉及多個模型調用。您可以預處理輸入,將請求路由到多個模型之一,運行集成,然後對結果進行後處理。 Seldon Core 將其表達為 SeldonDeployment 中定義的推理圖(或者,在 v2 架構中,透過 Seldon Core Operator 和 MLServer)。該圖是由可重複使用的元件類型建構的:模型提供預測,變壓器修改輸入或輸出,路由器決定呼叫哪個子級(啟用 A/B 測試和多臂老虎機),組合器聚合多個模型的輸出以進行整合。 Seldon 透過預先包裝的伺服器和自訂 Python 包裝器支援許多框架,並且它公開了豐富的指標、分散式追蹤和開箱即用的有效負載日誌記錄,以實現可觀察性和可解釋性。
現實世界的實施
貸方連結一個 Transformer,將特徵一次編碼到模型節點中,然後連結一個格式化分數的 Transformer,所有這些都作為一個 SeldonDeployment。
一家媒體公司使用運行多臂老虎機的路由器節點來動態地將更多流量發送到獲得更高點擊獎勵的推薦模型。
一個團隊將三個詐欺模型與一個組合器節點整合在一起,該節點在將單一決策傳回給呼叫者之前對它們的分數進行平均。
一家受監管的保險公司將 Seldon 的有效負載記錄和 Alibi 解釋器附加到推理圖上,以便可以追蹤和解釋每個預測以進行審計。
Seldon 核心與推理圖的未來
Seldon 正在透過 Core v2 的管道和資料流設計,以及與漂移偵測 (Alibi Detect) 和可解釋性 (Alibi Expand) 的更緊密耦合,轉向模組化、以資料為中心的 MLOps。隨著法學碩士和代理系統成為檢索、模型和工具的複合圖,推理圖抽象自然地映射到這些工作流程。預計將更加重視多模型服務效率、串流媒體和標準化可觀測性,以便複雜的多步驟人工智慧系統在生產中保持可調試和可治理。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
什麼是 Seldon 核心圖與推論圖?
Seldon Core 是一個用於在 Kubernetes 上部署機器學習模型的開源平台,具有一個突出的功能:推理圖。它不是提供一個孤立的模型,而是讓您將模型、路由器、組合器和轉換器連結到作為一項可部署服務運行的單一有向圖中。
Seldon Core 與單一型號伺服器的區別特徵是什麼?
Seldon Core 可讓您將模型、路由器、組合器和轉換器組合成作為一項服務部署的單一推理圖。
哪個 Seldon 圖元件決定向哪個子節點發送請求,從而啟用 A/B 測試?
路由器將請求定向到其子級之一,並且可以實施 A/B 測試或多臂老虎機。
哪種元件類型聚合多個模型的輸出以進行整合?
組合器將多個子模型的響應合併為單一輸出,這就是整合的建構方式。
Seldon 推理圖形成什麼樣的圖結構?
Seldon 推理圖是有向無環圖,其中每個節點都是具有標準預測介面的微服務。
在 Seldon Core v2 中,哪一種伺服器和協定支援跨圖的多模型服務?
Core v2 使用 MLServer 和開放推理協定將圖與模型伺服器解耦以實現多模型服務。