MLOps为开发机器学习带来实践
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2021-01-08
随着这一趋势MLOps机器学习操作变得越来越重要
因为它是扩展和加速机器学习功能发展的下一步，MLOps的定义尚不十分清楚，但是该实践旨在使机器学习模型的训练，部署和监视方式系统化和自动化，机器学习社区中有一个强烈的共识，即MLOps是一组共享的实践，而不是单一的技术或平台，但是与大多数实践一样，技术选择对具体的实现有重大影响。
为了更具体地了解MLOps在实际中的外观
让我们深入研究两个关键组件：版本控制和机器学习管道，很长时间以来，版本控制一直是软件开发的标准实践，但是对于ML实践却不能说相同，在软件开发中，要存储的关键工件是代码，在机器学习中，从业人员还需要对数据，参数，元数据以及模型进行版本控制，为了保持任何生产模型的完全可复制性，需要全新的版本控制解决方案，当您具有多个数据集和多个版本的代码时，可能的终结果将成倍增加，从而说明了这种复杂性。
第二个关键组件是机器学习管道
机器学习通常是从以ML模型为产品的角度进行的，尽管该模型可以说是重要的工件，但它不应该是产品，因为它只是暂时的。随着基础数据的变化，机器学习模型会随着时间的推移而退化，这需要对模型进行一次又一次的重新训练，机器学习管道应封装组织已了解的有关构建模型的所有信息，包括如何转换和测试数据以及如何看待预测，鼓励将隐性知识和手动流程转换为管道内的代码，以确保以相同的方式训练每种生产模型并遵守一组标准。
当将管道视为产品时可以在整个扩展的组织内共享
因为它是扩展和加速机器学习功能发展的下一步，MLOps的定义尚不十分清楚，但是该实践旨在使机器学习模型的训练，部署和监视方式系统化和自动化，机器学习社区中有一个强烈的共识，即MLOps是一组共享的实践，而不是单一的技术或平台，但是与大多数实践一样，技术选择对具体的实现有重大影响。
为了更具体地了解MLOps在实际中的外观
让我们深入研究两个关键组件：版本控制和机器学习管道，很长时间以来，版本控制一直是软件开发的标准实践，但是对于ML实践却不能说相同，在软件开发中，要存储的关键工件是代码，在机器学习中，从业人员还需要对数据，参数，元数据以及模型进行版本控制，为了保持任何生产模型的完全可复制性，需要全新的版本控制解决方案，当您具有多个数据集和多个版本的代码时，可能的终结果将成倍增加，从而说明了这种复杂性。
第二个关键组件是机器学习管道
机器学习通常是从以ML模型为产品的角度进行的，尽管该模型可以说是重要的工件，但它不应该是产品，因为它只是暂时的。随着基础数据的变化，机器学习模型会随着时间的推移而退化，这需要对模型进行一次又一次的重新训练，机器学习管道应封装组织已了解的有关构建模型的所有信息，包括如何转换和测试数据以及如何看待预测，鼓励将隐性知识和手动流程转换为管道内的代码，以确保以相同的方式训练每种生产模型并遵守一组标准。
当将管道视为产品时可以在整个扩展的组织内共享
审查重用和迭代工作，并且开发可以像以前那样与人员一起扩展。此外，由于手动操作主要是自动化的，因此管道可以释放大量资源用于将来的开发，版本控制和机器学习管道绝不是MLOps中的核心组件，而是组织早就识别为工作流中缺少的组件，生产中的机器学习需要对如何构建机器学习系统有共同的了解，并且借助MLOps，该行业正在朝着通用的实践迈进。
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
