MLOps или ML Ops - это набор практик, направленных на надежное и эффективное развертывание и поддержку моделей машинного обучения в производственной среде. [1] Это слово представляет собой сочетание «машинного обучения» и практики непрерывного развития DevOps в области программного обеспечения. Модели машинного обучения тестируются и разрабатываются в изолированных экспериментальных системах. Когда алгоритм готов к запуску, специалисты по Data Scientists, DevOps и инженеры по машинному обучению практикуют MLOps для перевода алгоритма в производственные системы. [2] Подобно DevOps или DataOpsMLOps стремится повысить автоматизацию и качество производственных моделей, уделяя при этом внимание бизнес-требованиям и нормативным требованиям. Хотя MLOps начинался как набор передовых практик, он постепенно превращается в независимый подход к управлению жизненным циклом ML. MLOps применяется ко всему жизненному циклу - от интеграции с генерацией моделей ( жизненный цикл разработки программного обеспечения , непрерывная интеграция / непрерывная доставка ), оркестровки и развертывания до работоспособности, диагностики, управления и бизнес-показателей. Согласно Gartner , MLOps - это подмножество ModelOps . MLOps ориентирован на внедрение моделей машинного обучения, в то время как ModelOps охватывает ввод в действие всех типов моделей искусственного интеллекта.[3]
Проблемы постоянного использования машинного обучения в приложениях были освещены в документе 2015 года. [4]
Прогнозируемый рост машинного обучения предполагал удвоение пилотных проектов и внедрений машинного обучения с 2017 по 2018 год и снова с 2018 по 2020 год [5].
Отчеты показывают, что большинство (до 88%) корпоративных инициатив в области искусственного интеллекта изо всех сил пытаются выйти за рамки этапов тестирования [ необходима цитата ] . Однако те организации, которые фактически внедрили ИИ и машинное обучение в производство, увидели рост прибыли на 3-15%. [6]
Рынок MLOps оценивался в 23,2 миллиарда долларов в 2019 году и, по прогнозам, достигнет 126 миллиардов долларов к 2025 году из-за быстрого внедрения. [7]
Системы машинного обучения можно разделить на восемь различных категорий: сбор данных, обработка данных, разработка функций, маркировка данных, проектирование моделей, обучение и оптимизация моделей, развертывание конечных точек и мониторинг конечных точек. Каждый этап жизненного цикла машинного обучения построен в отдельной системе, но требует взаимосвязи. Это минимальный набор систем, необходимых предприятиям для масштабирования машинного обучения в своей организации.
Существует ряд целей, которые предприятия хотят достичь с помощью систем MLOps, успешно внедряющих машинное обучение на предприятии, в том числе: [8]
Стандартная практика, такая как MLOps, учитывает каждую из вышеупомянутых областей, что может помочь предприятиям оптимизировать рабочие процессы и избежать проблем во время внедрения.
Общая архитектура системы MLOps будет включать платформы для анализа данных, на которых создаются модели, и аналитические механизмы, на которых выполняются вычисления, с инструментом MLOps, который управляет перемещением моделей машинного обучения, данных и результатов между системами. [8]