MLOps-pipeline
En automatiseret sekvens af trin, der håndterer hele livscyklussen for maskinlæringsmodeller: fra dataforberedelse og træning til implementering, overvågning og genoptræning.
Kort fortalt
En MLOps-pipeline er en opskrift, der automatiserer alt arbejdet med at få en AI-model fra idé til produktion og holde den kørende.
- Kategori
- teknik
- Niveau
- øvet
Betydninger
1- 1
En pipeline, der automatiserer MLOps-processer, herunder data validering, modeltræning, model evaluering, implementering og overvågning.
- Virksomheden implementerede en MLOps-pipeline for at reducere tiden fra eksperiment til produktion.
- En velfungerende MLOps-pipeline kræver tæt integration mellem dataingeniører, data scientists og driftsfolk.
Hvornår bruges det
MLOps-pipelines anvendes i produktionsmiljøer for at sikre reproducerbarhed, skalerbarhed og kontinuerlig levering af ML-modeller. De integrerer værktøjer til versionsstyring, CI/CD, modelregistrering og overvågning.
Kodeeksempel
pipeline:
name: my-ml-pipeline
steps:
- name: data-ingestion
image: python:3.9
command: ["python", "ingest.py"]
- name: training
image: ml-training:latest
command: ["python", "train.py"]
- name: evaluation
image: ml-eval:latest
command: ["python", "eval.py"]
- name: deployment
image: ml-deploy:latest
command: ["python", "deploy.py"]Eksempel på en simpel MLOps-pipeline defineret i YAML. Hvert trin kører i en container.
Oprindelse
Sammensat af MLOps (en forkortelse for Machine Learning Operations, dannet efter DevOps) og pipeline (en sekvens af behandlingstrin).