據(jù)說法餐的秘訣在于黃油、黃油、更多的黃油。同樣，對于DevOps而言，成功的三大秘訣是自動化、自動化、更高程度的自動化，而這一切歸根結(jié)底都在于構(gòu)建能夠更快速地不斷發(fā)布新版軟件的流程。

盡管人們認(rèn)為在人工智能（AI）和機(jī)器學(xué)習(xí)（ML）方面，包括特征工程和參數(shù)調(diào)整，仍然涉及大量的手動工作。但自動化在這些領(lǐng)域至關(guān)重要，而MLOps即機(jī)器學(xué)習(xí)運(yùn)營已被證明對于各類企業(yè)來說都是一項(xiàng)出色的業(yè)務(wù)決策。其最終的目標(biāo)是實(shí)現(xiàn)模型構(gòu)建與研究的自動化，從而在整個開發(fā)流程中進(jìn)一步實(shí)現(xiàn)協(xié)作和版本控制。

然而，由于生產(chǎn)中模型的動態(tài)性質(zhì)，這并不總是那么容易實(shí)現(xiàn)。部署模型可能會改變反饋閉環(huán)和數(shù)據(jù)，因此需要不斷地重新訓(xùn)練和更新。要想在不進(jìn)行過多人工干預(yù)的情況下安全地反復(fù)重新部署模型，自動化就至關(guān)重要。

采用機(jī)器學(xué)習(xí)來優(yōu)化使用

在DevOps環(huán)境中預(yù)測使用模式包括以下兩種基本現(xiàn)實(shí)場景：

第一種情況，根據(jù)DevOps成熟度對企業(yè)進(jìn)行分類，以確定其成熟度以及產(chǎn)品使用中存在的差距。例如，如果訂購的工具級別較低，但卻有更高級的需求和要求，升級到更高級別就可能會有所幫助。DevOps決策者需要根據(jù)團(tuán)隊(duì)的使用模式來生成個性化建議，以優(yōu)化效率。

第二種情況，重點(diǎn)更多在于預(yù)測使用模式和檢測異常，以識別異常情況的發(fā)生時間，并提前一到三個月提出使用見解。這有助于評估DevOps工作流程的健康狀況，識別積極或消極的趨勢，并更輕松地處理任何突發(fā)異常情況。持續(xù)的分析以及部署和監(jiān)控工作可確保高質(zhì)量的模型投產(chǎn)。

這兩種場景類似于銷售代表在Salesforce中使用模型的方式。他們會收到有關(guān)客戶成熟度評級、反饋和可解釋性的信息。可解釋性的部分會深入地提供有關(guān)模型將客戶分為高、中或低成熟度的原因。造成這種分類的因素有許多，包括客戶體驗(yàn)、培訓(xùn)、技術(shù)使用和聯(lián)系人數(shù)量。這些信息使銷售代表能夠與客戶進(jìn)行更有效的對話，并提出適當(dāng)?shù)纳�級或改進(jìn)建議。

此類分類模型可以使用CatBoost等工具來構(gòu)建。CatBoost是一款強(qiáng)大的Python機(jī)器學(xué)習(xí)包。這些工具可以處理標(biāo)簽和缺失值，從而簡化建模過程�？蓪Ω鞣N輸入進(jìn)行考量，包括網(wǎng)站訪問、活動出席、自由文本分析、位置、使用模式和第三方數(shù)據(jù)，以確定企業(yè)的DevOps成熟度。即使數(shù)據(jù)集不完整，通過將這些因素納入考量，仍能產(chǎn)出有價值的見解。

利用時間序列數(shù)據(jù)來優(yōu)化使用

時間序列數(shù)據(jù)模型也可用于預(yù)測使用模式。時間序列模型旨在預(yù)測給定月份剩余時間以及未來幾個月的使用情況，以此分析歷史使用數(shù)據(jù)，并識別趨勢和異常情況。

時間序列數(shù)據(jù)工具使團(tuán)隊(duì)能夠以圖表的形式實(shí)現(xiàn)歷史使用數(shù)據(jù)的可視化，顯示周末的使用率較低，而工作日的使用率較高。通過分析這些數(shù)據(jù)，模型可以預(yù)測未來趨勢，并提供有關(guān)企業(yè)健康狀況的見解。如果預(yù)測使用率下降，可視化結(jié)果可能會顯示出負(fù)面趨勢，企業(yè)便可采取積極措施來解決這一問題。相反，如果預(yù)測使用率增加，企業(yè)就可以與供應(yīng)商合作采取措施，確保能夠有效地利用工具。

通過將預(yù)測的使用情況與圖表上呈現(xiàn)的實(shí)際使用情況進(jìn)行比較，便可識別異常情況。預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)之間的巨大差距表明存在異常，異常情況可能有多重含義，如使用量增加或產(chǎn)品使用不當(dāng)。及時識別并解決異常對于確保運(yùn)營效率非常重要。

總之，時間序列模型可以讓企業(yè)預(yù)測使用情況，追蹤趨勢，識別異常，并采取適當(dāng)?shù)拇胧┮蕴岣弋a(chǎn)品利用率。

LSTM模型的長與短

事實(shí)證明，長短期記憶（LSTM）模型是優(yōu)化使用的絕佳方法。為此，模型的輸入通常包括三個主要部分：歷史每日使用數(shù)據(jù)、節(jié)假日信息以及工作日／周末指標(biāo)。利用這些輸入，模型就能生成非常準(zhǔn)確的預(yù)測。

LSTM模型可以生成時間點(diǎn)快照，包括創(chuàng)建不同時間段的數(shù)據(jù)集，以測試模型在多種配置下的性能。Alation等創(chuàng)建SQL查詢的工具可用于管理這些數(shù)據(jù)集，且便于與內(nèi)部團(tuán)隊(duì)成員共享。

團(tuán)隊(duì)還需要實(shí)施驗(yàn)證和測試流程以確保模型的可靠性。特征重要性對此過程至關(guān)重要，且不隨時間發(fā)生變化。特征重要性的變化可表明數(shù)據(jù)或模型本身存在問題，因此對這些變化的追蹤和監(jiān)控有助于識別潛在問題。

此外，還需要考慮對輸入數(shù)據(jù)（分類型和數(shù)值型）進(jìn)行測試。對于分類數(shù)據(jù)，數(shù)量和類別的一致性很重要。同時，對數(shù)值數(shù)據(jù)的平均值和標(biāo)準(zhǔn)差等指標(biāo)進(jìn)行監(jiān)控，有助于檢測可能需要注意的顯著變化。

數(shù)據(jù)驗(yàn)證、監(jiān)控和測試對于確保模型的準(zhǔn)確性和可靠性至關(guān)重要。

通過評估與驗(yàn)證來比較配置

在比較不同配置（尤其是LSTM模型）時，Valohai等工具使團(tuán)隊(duì)能夠?qū)Σ煌瑫r間范圍的多個參數(shù)和數(shù)據(jù)快照執(zhí)行網(wǎng)格搜索。提供準(zhǔn)確率、召回率和精確率等衡量標(biāo)準(zhǔn)，幫助確定模型的最佳配置。

現(xiàn)代ML工具的價值在于存檔、共享、以及對執(zhí)行和結(jié)果進(jìn)行審查的能力。它們還允許對模型性能指標(biāo)進(jìn)行調(diào)整，而無需全部重新運(yùn)行。當(dāng)業(yè)務(wù)需求發(fā)生變化時，這將有助于選擇符合新目標(biāo)的不同配置。

在部署方面，模型通常是按照計劃的時間運(yùn)行批處理，每天在策略時間執(zhí)行兩次。這可確保企業(yè)在一日之初即擁有最新數(shù)據(jù)，且全天能接收更新。應(yīng)定期對模型進(jìn)行再訓(xùn)練，以納入新數(shù)據(jù)。

應(yīng)密切監(jiān)控與預(yù)期措施的偏差以及在范圍上的重大變化，并觸發(fā)自動警報，以便及時采取行動。此外，日常用戶的反饋在評估模型性能方面起著至關(guān)重要的作用，因?yàn)檫@些反饋往往超越了召回率和精確率等傳統(tǒng)指標(biāo)。關(guān)閉反饋閉環(huán)可確保根據(jù)實(shí)時用戶體驗(yàn)和反饋進(jìn)行持續(xù)改進(jìn)。

推動價值與效率的提升

創(chuàng)建經(jīng)過驗(yàn)證且安全的數(shù)據(jù)科學(xué)和模型訓(xùn)練是許多現(xiàn)代企業(yè)面臨的挑戰(zhàn)。通過應(yīng)用經(jīng)過驗(yàn)證且有效的DevOps實(shí)踐，實(shí)現(xiàn)從構(gòu)思到生產(chǎn)和部署的AI和ML流程自動化，對于希望優(yōu)化在整體技術(shù)堆棧中工具使用的企業(yè)能夠提供巨大的價值。

歸根結(jié)底，這種做法極具商業(yè)意義。它能夠避免閑置工具或功能方面的額外支出，從而提高利潤。也許更重要的是，它能鼓舞團(tuán)隊(duì)士氣、提高生產(chǎn)力、留住人才，因?yàn)閳F(tuán)隊(duì)成員不會被迫執(zhí)行重復(fù)、乏味且耗時的DevOps任務(wù)。任何開發(fā)人員都會喜歡這樣的環(huán)境。