Machine learning operations (MLOps) é o uso de máquinas de aprendizagem modelos por equipas de desenvolvimento/operação (DevOps). MLOps procura adicionar disciplina ao desenvolvimento e implementação de modelos de aprendizagem de máquinas definindo processos para tornar o desenvolvimento ML mais fiável e produtivo.
O desenvolvimento de modelos de aprendizagem de máquinas é inerentemente experimental, e as falhas são frequentemente uma parte do processo. A disciplina ainda está evoluindo e entende-se que às vezes até mesmo um modelo ML de sucesso pode não funcionar da mesma maneira no dia seguinte. Documenting reliable processes and creating safeguarding measures to help reduce development time can create better models.
The MLOps development philosophy is used by those who develop machine learning models, those who deploy them and those who manage the infrastructure that supports them. Standard practices for MLOps include:
- Starting with existing product API from existing AI services.
- Taking a modular approach.
- Running parallel model development, halving the problems if a single model fails.
- Having pre-trained models ready to show proof of concept.
- Generalized algorithms showing some success can be further trained for their specific task.
- Bridging gaps in training data with publicly available data sources.
- /li>>span> Tempo para desenvolver IA generalizada a fim de ampliar as oportunidades.>/li>/li>
>Staffing é uma parte importante e desafiadora do desenvolvimento de MLOps. Isto porque os mesmos data scientists responsáveis pelo desenvolvimento de algoritmos de aprendizagem de máquinas podem não ser os mais eficazes em implementá-los -- ou explicar aos desenvolvedores de software como usá-los. Algumas das melhores equipes MLOps abraçam a idéia de diversidade cogntiva, a inclusão de pessoas que têm estilos diferentes de resolução de problemas e podem oferecer perspectivas únicas porque pensam diferente.