Hasło słownika
MLOps
Praktyki i narzędzia do wdrażania, monitorowania i utrzymywania modeli uczenia maszynowego w produkcji.
DevOpskategoria
4aliasy
Machine Learning Operations ML Ops pipeline MLOps praktyki MLOps
Opis
MLOps przenosi dyscyplinę DevOps do świata modeli: wersjonowanie danych i modeli, pipeline treningowy, walidację, deployment, monitoring jakości, rollback i kontrolę kosztów inferencji. Dla zespołów AI sama dostępność GPU nie wystarczy. Potrzebne są powtarzalne procesy, zgodne środowiska, obserwowalność i szybka ścieżka od eksperymentu do produkcji.
Przykłady
- Pipeline MLOps trenuje model, uruchamia ewaluacje i publikuje zaakceptowany artefakt.
- Migracja do nowej chmury GPU jest łatwiejsza, gdy pipeline MLOps używa standardowych kontenerów i Kubernetes.