Biotechnologia — a zwłaszcza genetyka — nadal ewoluują w celu zapewnienia lepszej pomocy pacjentom na wielu interesujących płaszczyznach. Przykładów można szukać od tworzenia leków, aż po wczesne diagnozowanie chorób (lub nawet predyspozycji do nich). W dzisiejszych czasach uczenie maszynowe i sztuczna inteligencja są często wykorzystywane do rozwiązywania takich problemów, ale rozwiązania takie są bardzo złożone, a firmy podczas pracy nad takowymi napotykają unikalne przeszkody związane również z ich własną dziedziną czy branżą. Przeszkody te są głównie przypisywane dużej ilości danych, a także złożoności samego uczenia maszynowego — wszystkie te aspekty ostatecznie powodują, że organizacje mają trudności z wprowadzeniem swoich modeli uczenia maszynowego do produkcji. Do tego dochodzą kwestie związane z zarządzaniem danymi, modelami i ich skalowalnością.
Nasza firma, jako ekspert w dziedzinie MLOps, niedawno nawiązała współpracę z firmą zajmującą się genetyką, aby pomóc im przezwyciężyć wyzwania i przybliżyć ich rozwiązanie uczenia maszynowego do realiów rynkowych i uczynić je bardziej dostępnym dla użytkownika końcowego. Współpraca rozpoczęła się od kompleksowej analizy wymagań klienta, istniejącej infrastruktury, celów i ograniczeń technicznych — po czym zaprojektowaliśmy architekturę rozwiązań docelowych, którą również później wdrożyliśmy. Wdrożenie to obejmowało różne elementy MLOps, które ostatecznie pozwalają na usprawnienie rozwoju elementów uczenia maszynowego, ale także spełnienie niektórych wymogów regulacyjnych (takich jak identyfikowalność danych). Komponenty te obejmowały wersjonowanie danych, śledzenie eksperymentów, zarządzanie procesami danych/przetwarzania i wiele innych. Wszystkie zostały wdrożone z wykorzystaniem również mnogich możliwości chmury — włączając paradygmat infrastruktury jako kod (IaaC) oraz technologie w chmurze kompatybilne z różnymi środowiskami — takie jak Kubernetes — zapewniając klientowi możliwość bezproblemowego przełączania się między różnymi dostawcami chmury, jeśli to konieczne.
Projekt można uznać za sukces, ponieważ wdrożone komponenty MLOps znacznie pomagają wprowadzić strukturę i wydajność do zarządzania i przetwarzania danych, wprowadzając również cykl życia rozwoju uczenia maszynowego (zaprezentowany na grafice powyżej), ułatwiając współpracę między naukowcami i inżynierami danych klienta. Ponadto wykorzystanie technologii chmurowych i infrastruktury jako kodu umożliwiło klientowi łatwe odtwarzanie środowiska w razie potrzeby oraz dostosowanie się do przyszłego rozwoju.
W przyszłej współpracy, z niecierpliwością czekamy na kontynuowanie dostarczenia modeli przeszkolonych do obsługi ich użytkownikom końcowym w skalowalny i opłacalny sposób, pomagając w dostarczaniu innowacyjnych przypadków użycia biotechnologii do szerszego grona odbiorców.
