ML Ops — это практика перемещения моделей из исследовательской в ​​производственную, которая существует уже некоторое время, но до сих пор малоизвестна. По сути, ML Ops является расширением DevOps — термина, описывающего, как инженеры-программисты могут быстро двигаться и ломать вещи, чтобы быстрее внедрять новые функции в производство. Цель состоит в том, чтобы применить принципы DevOps к данным и машинному обучению для управления всем жизненным циклом машинного обучения (сбор данных, создание модели, согласование данных/модели, развертывание модели, мониторинг и контроль модели, переобучение модели) и продолжать переобучение моделей. Быстрее.

Вот несколько источников, которые я считаю чрезвычайно полезными для изучения ML Ops и способов его реализации.

  1. Очень хорошо проработанная статья и различные другие источники вместе -› https://neptune.ai/blog/mlops
  2. Рассказывает о том, как некоторые крупные компании управляют операциями машинного обучения —› https://www.kdnuggets.com/2020/07/tour-end-to-end-machine-learning-platforms.html
  3. Подробная информация о важности непрерывной доставки в машинном обучении -› https://martinfowler.com/articles/cd4ml.html
  4. Хорошее сравнение различных инструментов для ML Ops -› https://neptune.ai/blog/best-mlops-tools
  5. Чрезвычайно полезный ресурс для более подробной информации - › https://amzn.to/3V5zUMi

PS. Любые взгляды, выраженные в этом блоге, являются личными и принадлежат исключительно мне как владельцу блога и не отражают взгляды людей, учреждений или организаций, с которыми я могу или не могу быть связан в профессиональном или личном качестве, за исключением случаев, когда указано явно.

Я занимаюсь наукой о данных и активно выступаю за то, чтобы сделать эту замечательную область доступной для всех.

Мысли? Оставьте комментарий, и я отвечу, как только смогу. Следите за новостями.