Machine learningowe know-how od AWS w duchu Well-Architected
19.6.2020 | LCloud
Machine learning polega na zapamiętywaniu i powielaniu pewnych wzorców i zachowań przez maszyny, które wspierają przetwarzanie i analizę dużych ilości danych, a to wiąże się z ogromnymi obciążeniami. By lepiej je kontrolować, warto kierować się wskazówkami zawartymi w Machine Learning Lens od AWS.
Jednak, na samym początku warto przywołać Framework Well-Architected od AWS, który jest zbiorem najlepszych praktyk i zasad związanych z projektowaniem infrastruktury w chmurze. To jak wspiera dobre projektowanie, zostało opisane w jednym z postów na blogu. Oprócz ogólnego zbioru zasad, jakim jest wspomniany framework, AWS opublikował również tzw. Lens, czyli whitepapery (dokumenty) związane z poszczególnymi obszarami związanymi m.in.: z Serverless, IoT, high performance i wspomnianym – machine learningiem. Są one uzupełnieniem dla głównego frameworka oraz, jak nazwa wskazuje, skupiają się na rozwiązaniach poświęconych konkretnej dziedzinie.
Machine Learning Lens koncentruje się wokół zagadnień jak projektować, budować i wdrażać w chmurze AWS zasoby związane z uczeniem maszynowym. Podobnie jak Well-Architected Framework jest on oparty na 5 filarach: operacyjnym, bezpieczeństwa, niezawodności, wydajności operacyjnej i optymalizacji kosztowej. Pomimo, że Lens został przygotowany tak, by wspierać Well-Architected Framework, może on być również wykorzystywany samodzielnie. Poniższy schemat pokazuje zasady działania Framework’a oraz przykładowe pytania weryfikacyjne podczas audytu workloadów, z użyciem Machine Learning Lens.
Źródło: Amazon Web Services
Jak korzystać z Machine Learning Lens?
Głównymi składowymi dokumentu są:
- filary,
- zasady projektowania obciążeń,
- pytania dotyczące oceny istniejących lub projektowanych obciążeń,
- best practices.
Zasada działania frameworka Well-Architected i Machine Learning Lens jest prosta. Każdy z opisanych filarów posiada zestaw pytań, odwzorowany w zasadach projektowania i w efekcie zawierających zestaw najlepszych praktyk dla obciążeń, w uczeniu maszynowym. By podjąć działania wdrożeniowe, należy rozpocząć od udzielenia odpowiedzi na pytania zawarte w dokumencie. Istotną jest identyfikacja obszarów, w których można dokonać ulepszeń. Ważne również jest wzięcie pod uwagę wszelkich elementów zaradczych, które mają zostać wdrożone. Dzięki temu, można stworzyć plan działania wraz z priorytetami. AWS zaleca korzystanie z “soczewki” podczas całego cyklu życia obciążeń machine learning, a zwłaszcza na etapie projektowania i implementacji, by móc wcześnie zidentyfikować potencjalne problemy oraz zapewnić czas niezbędny na ich analizę i przygotowanie rozwiązania. Ważnym aspektem w procesie projektowania, zgodnie z frameworkiem ML, jest również bezpieczeństwo. Workloady uczenia maszynowego w AWS, należy zabezpieczyć za pomocą kontroli uwierzytelniania i autoryzacji, które pełnią dozór nad tym, kto i co może uzyskać dostęp do różnych artefaktów machine learningu.
Korzyści z zastosowania Machine Learning Lens
Projektując zgodnie z frameworkiem Well-Architected, workloady machine learningu mogą być szybciej budowane i wdrażane. Kolejnym plusem jest ograniczenie ryzyka technologicznego (np. poprzez automatyzację deploymentu i możliwość jego ewaluacji podczas procesu projektowania). Zastosowanie best practices pozwala na podejmowanie bardziej świadomych decyzji biznesowych. Korzystanie z przygotowanych przez AWS “whitepaperów” pozwala uświadomić sobie jak spełnić nawet najbardziej restrykcyjne warunki projektowe czy prawne, zwłaszcza biorąc pod uwagę kwestie bieżącej aktualizacji zgodności z wymogami bezpieczeństwa narzędzi i usług dostarczanych przez AWS. Dodatkowym plusem jest możliwość wykonania bezpłatnej oceny egzystujących obciążeń i przygotowania zoptymalizowanego rozwiązania, w oparciu o darmowe vouchery na usługi AWS, które można uzyskać, przy udziale autoryzowanego Partnera AWS.
