MLOps是AI时代的运维体系,是AI的基础设施,目标是简化整个组织的流程,实现全自动化,从而能够让机器学习团队更轻松和方便的提高效率。
MLOps具体的定义,知乎上有很多问题和解答,就不多阐述了。今天主要从人的角度做一些解答。
在一个AI团队中,往往或多或少有这么几个角色:
- 业务专家(或者叫主题专家):提供构建模型的业务目标,问题或者KPI,并能评估模型实际在业务中应用的效果。
- 数据科学家:构建模型来解决业务专家的需求,设计和交付模型,评估模型结果。
- 数据工程师:协助科学家处理数据以支持AI模型,当业务较小时候往往不需要过于专业的数据工程师,但当数据量变大的时候,专业的数据工程师非常有价值。
- 软件工程师:将ML模型集成到公司业务的应用或者系统里,保证整个机器学习的无缝协作和自动化。
- 运维:执行和构建系统的安全性,优化性能和可用性,CI/CD的pipeline管理,使公司更大规模的Devops策略的兼容。
- 模型风控/审计:常见于金融模型领域,让模型合规,合法,降低风险。
- 架构师:基于业务,公司架构,ML管道来构建整个模型的架构,考虑资源
以上是严格意义上的分工,但实际上只有巨头公司才会分的这么细,大多数中小型企业,往往都是身兼数职。
简单来说主要是三类:1 业务 2 数据/模型 3 工程。
题主所问的MLOps工程师,应该是聚焦于工程领域的“架构师+运维+软件工程师”,可能还需要有一些