{"id":117965,"date":"2022-11-18T08:00:00","date_gmt":"2022-11-18T11:00:00","guid":{"rendered":"https:\/\/fluency.io\/br\/blog\/?p=14350"},"modified":"2023-08-01T15:06:41","modified_gmt":"2023-08-01T18:06:41","slug":"o-que-e-deploy","status":"publish","type":"post","link":"https:\/\/homolog.fluency.io\/br\/blog\/o-que-e-deploy\/","title":{"rendered":"Entenda o que \u00e9 deploy, por que ele \u00e9 importante e como faz\u00ea-lo!"},"content":{"rendered":"\n

A an\u00e1lise dos dados<\/a> \u00e9 parte integrante dos processos de Data Science<\/a>, e serve, dentre muitas coisas, para obter insights valiosos. Isso geralmente \u00e9 feito de duas formas: com uma an\u00e1lise explorat\u00f3ria<\/strong>, feita a partir de conceitos estat\u00edsticos<\/strong>, ou por meio da modelagem com Machine Learning<\/a>.\u00a0<\/p>\n\n\n\n

Nesse \u00faltimo caso, o cientista de dados<\/a> precisa transpor os modelos para produ\u00e7\u00e3o, o que \u00e9 feito a partir de um processo chamado Deploy<\/strong>.<\/p>\n\n\n\n

Qualquer profissional que deseje atuar com ML, assim como com modelagem de dados<\/strong>, precisa dominar o que \u00e9 deploy e saber como otimiz\u00e1-lo. E \u00e9 exatamente sobre isso que trataremos neste artigo.<\/p>\n\n\n\n

Explicamos a seguir no que consiste esse processo, sua import\u00e2ncia e como realiz\u00e1-lo. <\/p>\n\n\n\n

O que \u00e9 deploy?<\/strong><\/h2>\n\n\n\n

O processo de<\/strong> deploy <\/strong>em Ci\u00eancia de Dados<\/a> se refere \u00e0 aplica\u00e7\u00e3o de um modelo de Machine Learning<\/strong> para previs\u00e3o usando um novo dado.\u00a0<\/p>\n\n\n\n

Ele tamb\u00e9m pode ser descrito como uma etapa de prepara\u00e7\u00e3o<\/strong> de um modelo que ser\u00e1 usado no dia a dia. Ou seja, tem a ver com adaptar uma aplica\u00e7\u00e3o para uso de um algoritmo por parte dos usu\u00e1rios.<\/p>\n\n\n\n

Dependendo dos requisitos, a fase de deployment<\/strong> (implanta\u00e7\u00e3o) pode ser t\u00e3o simples quanto gerar um relat\u00f3rio ou t\u00e3o complexa quanto implementar um processo repet\u00edvel. Em muitos casos, ser\u00e1 o cliente, e n\u00e3o o engenheiro de dados<\/a>, quem realizar\u00e1 essas etapas de implanta\u00e7\u00e3o.\u00a0<\/p>\n\n\n\n

Por exemplo, uma empresa de cart\u00e3o de cr\u00e9dito pode querer implantar um modelo treinado ou um conjunto de modelos<\/strong> (redes neurais, meta-aprendiz etc.) para identificar rapidamente transa\u00e7\u00f5es que t\u00eam alta probabilidade de serem fraudulentas. <\/p>\n\n\n\n

No entanto, mesmo que o analista n\u00e3o realize o esfor\u00e7o de deployment, \u00e9 importante que o cliente entenda antecipadamente quais a\u00e7\u00f5es precisar\u00e3o ser realizadas para realmente fazer uso dos modelos criados.<\/p>\n\n\n\n

Os modelos de aprendizado de m\u00e1quina (ML)<\/strong> quase sempre s\u00e3o desenvolvidos em uma configura\u00e7\u00e3o offline, mas devem ser implantados em um ambiente de produ\u00e7\u00e3o para aprender com dados ao vivo e agregar valor.<\/p>\n\n\n\n

Quais os tipos de deploy?<\/strong><\/h3>\n\n\n\n

Agora que entendemos o que \u00e9 deploy, chegou a hora de conhecer seus diferentes tipos:<\/p>\n\n\n\n

Deploy blue-green\u00a0<\/strong><\/h4>\n\n\n\n
\"imagem
O deploy Blue-Green ocorre de forma progressiva em dois ambientes de produ\u00e7\u00e3o. Enquanto o azul \u00e9 um modelo atual ativo, o verde atua como ambiente de testes de uma nova vers\u00e3o. Imagem: deployplace.com<\/a><\/figcaption><\/figure>\n\n\n\n

O deploy do tipo blue-green envolve dois ambientes de produ\u00e7\u00e3o em vez de apenas modelos. O ambiente blue (azul) consiste no modelo ativo, enquanto o green (verde) consiste na nova vers\u00e3o desse modelo.<\/p>\n\n\n\n

Nesse processo, os dois ambientes id\u00eanticos consistem no mesmo banco de dados. Considerando que configurar um ambiente pode ser caro, normalmente alguns componentes s\u00e3o compartilhados entre os dois.<\/p>\n\n\n\n

Deploy Canary\u00a0<\/strong><\/h4>\n\n\n
\n
\"imagem
O Deploy Canary usa a nova vers\u00e3o de um modelo de forma incremental, isso permite tempo para testar a nova vers\u00e3o junto com a antiga antes de dimension\u00e1-la completamente. Imagem: arshren.medium.com<\/a><\/figcaption><\/figure>\n<\/div>\n\n\n

O deploy do tipo Canary<\/strong> visa implantar uma nova vers\u00e3o de um modelo aumentando gradativamente o n\u00famero de usu\u00e1rios. Nele, o novo modelo \u00e9 testado juntamente com o modelo ativo atual. Enquanto isso, alguns usu\u00e1rios verificaram sua confiabilidade, erros, desempenho etc.<\/p>\n\n\n\n

Ao contr\u00e1rio do blue-green, ele usa os usu\u00e1rios reais para testar o novo modelo. O n\u00famero de usu\u00e1rios pode ser aumentado ou diminu\u00eddo com base nos requisitos de teste. Como resultado, bugs e problemas podem ser detectados antes que o modelo seja implantado globalmente para todos eles.<\/p>\n\n\n\n

Caso o modelo seja bem-sucedido na fase de teste, ele poder\u00e1 ser implementado e, se n\u00e3o for, poder\u00e1 ser revertido sem tempo de inatividade, mas apenas alguns usu\u00e1rios ser\u00e3o expostos \u00e0 nova vers\u00e3o.<\/p>\n\n\n\n

Deploy Shadow Mode<\/strong><\/h4>\n\n\n
\n
\"imagem
No deploy Shadow Mode um novo modelo \u00e9 implantado ao lado do modelo antigo. Imagem: christophergs.com<\/a><\/figcaption><\/figure>\n<\/div>\n\n\n

No deploy Shadow ou Modo Shadow, um novo modelo \u00e9 implantado com novos recursos ao lado de um modelo antigo ao vivo. A nova vers\u00e3o a ser implantada nesse caso \u00e9 chamada de \u201cmodelo de sombra\u201d . Esse modelo trata todas as solicita\u00e7\u00f5es da mesma forma que o modelo ao vivo, exceto que n\u00e3o \u00e9 liberado ao p\u00fablico. <\/p>\n\n\n\n

Esse tipo de deploy permite avaliar melhor o modelo de sombra testando-o em dados do mundo real sem interromper os servi\u00e7os oferecidos pelo modelo ao vivo.<\/p>\n\n\n\n

Deploy de Teste A\/B<\/strong><\/h4>\n\n\n
\n
\"imagem
No deploy de teste A\/B, as diferentes vers\u00f5es de um modelo t\u00eam seu desempenho comparado para selecionar aquele que apresenta o melhor desempenho. Imagem: arshren.medium.com<\/a><\/figcaption><\/figure>\n<\/div>\n\n\n

O deploy de teste A\/B \u00e9 um m\u00e9todo baseado em dados. Ele \u00e9 usado para avaliar dois modelos, A e B, e serve para avaliar qual deles tem melhor desempenho em um ambiente controlado. <\/p>\n\n\n\n

Esse tipo \u00e9 usado principalmente em sites de com\u00e9rcio eletr\u00f4nico e plataformas de m\u00eddia social. Com o teste A\/B, os cientistas de dados<\/strong> podem avaliar e escolher o melhor design para o site com base nos dados recebidos dos usu\u00e1rios.  <\/p>\n\n\n\n

Os dois modelos diferem um pouco em termos de recursos e atendem a diferentes conjuntos de usu\u00e1rios<\/strong>. Com base na intera\u00e7\u00e3o e nos dados recebidos dos usu\u00e1rios, como feedback, os profissionais de dados escolhem um dos modelos que podem ser implantados globalmente na produ\u00e7\u00e3o.<\/p>\n\n\n\n

Vantagens e desvantagens<\/strong><\/h3>\n\n\n\n

As principais vantagens do processo de deploy incluem:<\/p>\n\n\n\n