MLOps
forkortelse for Machine Learning Operations
MLOps er et sæt af praksisser, der kombinerer maskinlæring, DevOps og data engineering for at sikre pålidelig og effektiv implementering og vedligeholdelse af ML-modeller i produktion.
Kort fortalt
Kort fortalt er MLOps en metode til at drifte maskinlæringsmodeller i praksis, så de kører stabilt og automatisk i produktion.
- Kategori
- teknik
- Niveau
- øvet
Betydninger
1- 1
Den overordnede disciplin og praksis for at håndtere hele livscyklussen for maskinlæringsmodeller, fra udvikling og træning til deployment, overvågning og kontinuerlig forbedring, med fokus på automatisering, samarbejde og reproducerbarhed.
- Ved at implementere MLOps kunne teamet reducere tiden fra modeludvikling til produktion med 60 %.
- En vigtig del af MLOps er at automatisere genoptræning af modeller, når nye data bliver tilgængelige.
Hvornår bruges det
MLOps anvendes i virksomheder og organisationer, der udvikler og deployer ML-modeller, for at automatisere workflow, versionere data og modeller, samt overvåge modelpræstation og -drift. Det er særligt relevant i større teams, hvor flere modeller skal vedligeholdes over tid.
Oprindelse
Udtrykket er en sammentrækning af 'Machine Learning' (ML) og 'Operations' (Ops), efter mønster af DevOps.
Afledte ord
2Kilder
2- Hidden Technical Debt in Machine Learning Systems (Google, 2015)
- MLOps: Continuous Delivery and Automation Pipelines in Machine Learning (Google Cloud, 2019)