什么是 MLOps

     ​​​​​​MLOps 是一组方法和技术，用于在生产环境中可靠高效地部署和维护机器学习 （ML） 模型。因此，MLOps 是机器学习、DevOps 和数据工程的交集

机器学习模型过程

一般来说，ML模型过程包括八个阶段（图2和图3），其中可能包括数据收集和/或数据标记[1]：

1. 数据准备

2. 特征工程

3. 模型设计

4. 模型训练和优化

5. 模型评估

6. 模型部署

7. 模型服务

8. 模型监控

图 2：ML 模型 SDLC 的阶段 [2]

图 3：包括监控的 ML 模型 SDLC [2]

相比之下，ModelOps 专注于管理各种 AI 模型的完整软件开发生命周期 （SDLC），包括机器学习、知识图谱、规则、优化、自然语言和基于代理的模型（图 4）。

机器学习工作流

机器学习需要试验各种数据集、数据准备和算法，以构建最大化某些目标指标的模型。构建模型后，下一步是将最终模型部署到生产系统，监视模型性能，并根据新数据不断重新训练模型并将其与其他模型进行比较。

MLOps 平台必须提供至少五个功能来帮助管理 ML 工作流 [3]：

跟踪：一个 API，用于在运行机器学习代码并稍后可视化结果时记录参数、代码版本、指标和项目。
项目：用于打包可重用 ML 代码的标准格式。
模型：一种约定，用于将 ML 模型打包为多种风格，以及帮助部署它们的各种工具。
注册表：集中式模型存储、一组 API 和 UI，用于协作管理 ML 模型的整个生命周期。
可伸缩性：旨在扩展到大型数据集、大型输出文件和大量实验。
结论
MLOps 是一组用于部署和维护机器学习 （ML） 模型的方法和技术。但是，MLOps 当前未定义任何标准，因此请务必牢记这一点。因此，重要的是要看到“大局”，它涉及了解 MLOps 的关键概念、阶段、功能和挑战。