Em um pipeline MLOps, varias etapas são seguidas para o
desenvolvimento, implementação e monitoramento de modelos de
Machine Learning. Com relação a este processo, especialmente
considerando o uso de redes neurais transformer e suas
características, as fases e procedimentos técnicos envolvidos no ciclo
completo de MLOps são assim descritos:
A No pipeline MLOps, as redes neurais transformer são aplicadas na fase de Design para
realizar Feature Engineering e tuning de parâmetros. Na fase de Operações, implementase o modelo em produção através de pipelines automatizados, e, por fim, a fase
Experimentação e Desenvolvimento é dedicada ao monitoramento de dados de
produção.
B Durante a fase de Experimentação e Desenvolvimento, o alinhamento dos requisitos de
negócio e os requisitos técnicos do modelo são realizados. Na fase de Design, faz-se o
deploy do modelo com CI/CD, enquanto a fase de Operações se concentra em treinar
modelos transformer com autoatenção para ajuste contextual.
C O ciclo de MLOps começa com a fase de Design, na qual são definidos os requisitos e
alinhadas as necessidades de negócio. Na fase de Experimentação e Desenvolvimento,
ocorre a construção do modelo, aplicação de Feature Engineering e tuning de
parâmetros, podendo ser utilizadas redes neurais transformer para processar dados
sequenciais com atenção contextual. Na etapa de Operagdes, o modelo é colocado em
produção com pipelines de CI/CD e monitorado para ajuste continuo.
D O pipeline MLOps começa com a fase de Operações, na qual são definidos os requisitos
técnicos e estes são alinhados com os requisitos de negócio. Em seguida, na fase de
Experimentação e Desenvolvimento, o modelo é colocado em produção utilizando
práticas de CI/CD. A etapa final, Design, foca na criação de embeddings e ajuste de
hiperparâmetros.
E No ciclo MLOps, os modelos transformer são implementados diretamente na fase de
Operações para otimização em produção. A fase de Experimentação e Desenvolvimento é
dedicada ao versionamento de dados e modelos e, na fase de Design, é realizado o
monitoramento de desempenho do modelo e a coleta de dados para retreino futuro.