Hopp til innholdet

MLOps

Hva er MLOps?

MLOps eller ML Ops står for Maskinlæringsoperasjoner, og kan beskrives som DevOps for maskinlæring. MLOps gjør det mulig for medarbeidere innen datavitenskap og IT å samarbeide, og øke tempoet av modellutvikling og implementering via overvåking, validering og styring av maskinlæringsmodeller. En fordel med MLOps er at det kan la deg levere innovasjon raskere.

MLOps er altså et sett med praksiser i skjæringspunktet mellom maskinlæring, DevOps og datateknikk. MLOps tar sikte på å distribuere og vedlikeholde maskinlæringsmodeller i produksjon – pålitelig og effektivt.

Ordet er en sammensetning av maskinlæring og kontinuerlig utvikling av DevOps innen programvareområdet. Maskinlæringsmodeller blir testet og utviklet i isolerte eksperimentelle systemer. Når en algoritme er klar til å bli lansert, praktiseres MLOps mellom ingeniører innen Data Science, DevOps og Machine Learning for å overføre algoritmen til produksjonssystemer.

I likhet med DevOps eller DataOps tilnærminger, søker MLOps å øke automatiseringen og forbedre kvaliteten på produksjonsmodellene, samtidig som de fokuserer på forretningskrav og forskriftskrav. MLOps startet som et sett med beste praksis, og utvikler seg til en uavhengig tilnærming til ML livssyklushåndtering.

MLOps gjelder hele livssyklusen – fra integrering med modellgenerering (programvareutvikling livssyklus, kontinuerlig integrering/kontinuerlig levering), orkestrering og distribusjon, til helse, diagnostikk, styring og forretningsmessige beregninger.

Ifølge Gartner er MLOps en delmengde av ModelOps. MLOps fokuserer på operasjonalisering av ML-modeller, mens ModelOps dekker operasjonalisering av alle typer AI-modeller.

SYSCO og MLOps:

I SYSCO verdsetter vi å jobbe i team, og vi investerer ressurser i MLOps. MLOps hjelper oss å få maskinlærings-modeller satt i produksjon – ved å legge til rette for fasilitering mellom data science-team og drifts-team.

Av natur er ikke modeller statiske, derfor benytter vi MLOps til å hjelpe våre team til å raskt justere eller endre våre modeller underveis i produksjon. Denne raskere ledelsesintervensjonen er spesielt viktig når det gjelder å forhindre forfordeling, noe som er viktig for oss i SYSCO.

MLOps øker troverdigheten, påliteligheten og produktiviteten av vår maskinlæringsutvikling, noe som gir våre kunder stor forretningsverdi.

Les mer om SYSCO sine tjenester innenfor Data og Analytics > 

Møt en av våre Data Scientists, Anais >

Relaterte ord:

Tilbake til toppen