MLOps
MLOps è l'insieme di pratiche, strumenti e pipeline che portano un modello di machine learning dal notebook di un data scientist alla produzione e lo mantengono affidabile: versionano dati e codice, allenano, valutano, rilasciano e monitorano il modello come qualsiasi altro software critico.
Niente gergo, niente formule
In parole semplici, che cos'è?
MLOps tratta un modello come un prodotto su una linea di montaggio, non come un file sul portatile di un data scientist. Cosa entra: dati versionati e codice di training versionato. La pipeline ripete sempre lo stesso ciclo: train sui dati, valutazione su un test set che il modello non ha mai visto, e solo se la nuova versione batte quella in produzione viene impacchettata come artefatto numerato e riproducibile. L'artefatto viene rilasciato dietro un'API e da quel momento il monitoraggio osserva le predizioni live su accuratezza, latenza ed errori. Quando le performance calano, o il mondo cambia sotto i suoi piedi, il ciclo riparte: dati freschi, riallenamento, nuova valutazione, nuovo rilascio. Il punto è la ripetibilità: chiunque può rispondere a “quali dati, quale codice, quale versione hanno fatto questa predizione?”. Dove si rompe: se dati e codice non sono versionati, ottieni un modello che nessuno sa riprodurre o debuggare.
- 01
Versionamento. Dati e codice di training viaggiano insieme, così ogni modello è riproducibile.
- 02
Training. La pipeline allena un candidato sui dati versionati, su schedulazione o su richiesta.
- 03
Valutazione. Il candidato viene misurato su un test set tenuto fuori dal training, contro il modello in produzione.
- 04
Rilascio. Solo un candidato migliore va online, di solito prima su una piccola quota di traffico.
- 05
Monitoraggio. Accuratezza, latenza ed errori live vengono seguiti su dashboard.
- 06
Riallenamento. Quando le performance calano, il ciclo riparte con dati freschi.
Termini che gli stanno vicini.
Data Pipeline
Una data pipeline è la catena di passaggi collegati che porta i dati da dove vengono prodotti a dove vengono usati: ingest, validate, transform, store e serve, e ogni stadio consegna dati puliti e ben formati al successivo.
LeggiModel Evaluation
La model evaluation è il processo di misurare le prestazioni di un modello su dati che non ha mai visto, con metriche e test set concordati prima, affidandogli decisioni reali solo a valutazione superata.
LeggiModel Drift
Il model drift è la perdita silenziosa di accuratezza che succede quando i dati live smettono di somigliare ai dati su cui il modello è stato allenato: il mondo si muove, il modello resta fermo.
Leggi§ 04
Vuoi che funzioni davvero nella tua azienda?
Progettiamo e rilasciamo sistemi AI con permessi, log e approvazione umana. Si parte con una call di scoping di 30 minuti.