MLOps eller ML Ops står för Machine Learning Operations och kan beskrivas som DevOps för Machine Learning. MLOps gör det möjligt för anställda inom datavetenskap och IT att samarbeta och öka takten i modellutveckling och implementering genom övervakning, validering och hantering av maskininlärningsmodeller. En fördel med MLOps är att den kan låta dig leverera innovation snabbare.
MLOps är således en uppsättning metoder i skärningspunkten mellan maskininlärning, DevOps och datorteknik. MLOps syftar till att distribuera och underhålla maskininlärningsmodeller i produktionen – pålitligt och effektivt.
Ordet är en sammansättning av maskininlärning och kontinuerlig utveckling av DevOps inom mjukvaruområdet. Maskininlärningsmodeller testas och utvecklas i isolerade experimentella system. När en algoritm är redo att lanseras praktiseras MLOps mellan ingenjörer inom Data Science, DevOps och Machine Learning för att överföra algoritmen till produktionssystem.
I likhet med DevOps eller DataOps tillvägagångssätt försöker MLOps öka automatiseringen och förbättra kvaliteten på produktionsmodeller, samtidigt som de fokuserar på affärs- och lagkrav. MLOps började som en uppsättning med bästa praxis och har utvecklat sig till en oberoende strategi för ML livscykelhantering.
MLOps gäller hela livscykeln – från integration med modellgenerering (mjukvaruutveckling livscykel, kontinuerlig integration / kontinuerlig leverans), orkestrering och distribution, till hälsa, diagnostik, hantering och affärsmässiga beräkningar.
Enligt Gartner är MLOps en delmängd av ModelOps. MLOps fokuserar på att operationalisera ML-modeller, medan ModelOps täcker in allt för att operationalisera alla typer av AI-modeller.
På Cegal värdesätter vi att arbeta i team och vi investerar resurser i MLOps. MLOps hjälper oss att sätta maskininlärningsmodeller i produktion – genom att underlätta för fascilitering mellan data science-team och driftsteam.
Av naturen är modeller inte statiska, så vi använder MLOps för att hjälpa våra team att snabbt justera eller ändra våra modeller under produktionen. Denna snabbare ledningsintervention är särskilt viktig när det gäller att förhindra förfördelning, vilket är viktigt för oss på Cegal.
MLOps ökar trovärdigheten, tillförlitligheten och produktiviteten i vår maskininlärningsutveckling, vilket ger våra kunder stort affärsvärde.