機器學習操作（簡稱MLOps）是機器學習(ML)工程的一個關鍵方面，專注于簡化和加速將ML模型交付到生產以及維護和監控它們的過程。MLOps涉及不同團隊之間的協作，包括數據科學家、DevOps工程師、IT專家等。

MLOps可以幫助組織創建和提高其AI和機器學習解決方案的質量。采用MLOps允許機器學習工程師和數據科學家通過實施持續集成和持續部署(CI/CD)實踐來協作提高模型性能。它通過整合ML模型的適當監控、治理和驗證來加速ML模型開發過程。

什么是DevOps？　　

DevOps結合了開發和運營的概念，描述了一種協作方法來執行通常與單獨的應用程序開發和IT運營團隊相關的任務。從最廣泛的意義上說，DevOps是一種哲學，它鼓勵組織內這些（和其他）團隊之間改進溝通與合作。

在最狹義的意義上，DevOps是指采用能夠部署和維護迭代應用程序開發、自動化和可編程基礎架構的實踐。它還包括工作場所文化的變化，例如開發人員、系統管理員和其他團隊成員之間的信任建立和聯系。DevOps使技術與業務目標保持一致，可以改變軟件交付鏈、工作職能、服務、工具和最佳實踐。

MLOps對比DevOps：主要差異　　

以下是MLOps和傳統DevOps之間的一些主要區別。

開發

開發的概念是指每個模型中的不同事物，CI/CD管道略有不同。

開發運維：

• 通常，代碼會創建一個接口或應用程序。
• 在使用一組檢查進行部署和測試之前，將代碼包裝到可執行文件或工件中。
• 理想情況下，這個自動化循環將一直持續到最終產品準備好。

MLOps：

• 該代碼使團隊能夠構建或訓練機器學習模型。
• 輸出工件包括可以接收數據輸入以生成推理的序列化文件。
• 驗證包括根據測試數據檢查訓練模型的性能。
• 這個循環也應該一直持續到模型達到指定的性能閾值。

版本控制　　

開發運維：

• 版本控制通常只跟蹤代碼和工件的更改。
• 需要跟蹤的指標很少。

MLOps：

• MLOps管道通常有更多要跟蹤的因素。構建和訓練ML模型涉及一個迭代實驗周期，需要跟蹤每個實驗的各種指標和組件（對于以后的審計至關重要）。
• 要跟蹤的其他組件包括訓練數據集、模型構建代碼和模型工件。
• 指標包括超參數和模型性能指標，例如錯誤率。

可重用性

開發運維：

• DevOps管道專注于可重復的流程。
• 團隊可以混合和匹配流程，而無需遵循特定的工作流程。

MLOps：

• MLOps管道重復應用相同的工作流。跨項目的通用框架有助于提高一致性并允許團隊更快地取得進展，因為他們從熟悉的流程開始。
• 項目模板提供結構，支持定制以滿足每個用例的獨特需求。
• 使用集中式數據管理來整合組織的數據，以加速發現和培訓過程。集中化的常見方法包括單一事實來源和數據倉庫。

持續監控　　

監控對于DevOps和MLOps都是必不可少的，但原因略有不同。

開發運維：

• 站點可靠性工程(SRE)在過去幾年一直是趨勢，強調從開發到生產部署監控軟件的必要性。
• 軟件不會像ML模型那樣退化。

MLOps：

• 機器學習模型會迅速退化，需要持續監控和更新。
• 生產環境中的條件會影響模型的準確性。部署到生產環境后，模型開始根據來自現實世界的新數據生成預測。這些數據不斷變化和適應，降低了模型性能。
• MLOps通過合并程序以促進持續監控和模型再培訓，確保算法保持生產就緒。

基礎設施　　

DevOps和MLOps都嚴重依賴云技術，但有不同的操作要求。

DevOps依賴于基礎設施，例如：

• 基礎設施即代碼（IaC）
• 構建服務器
• CI/CD自動化工具

MLOps依賴于以下基礎設施：

• 深度學習和機器學習框架
• 大型數據集的云存儲
• 用于深度學習和計算密集型ML模型的GPU

DevOps和MLOps趨勢　　

以下是推動DevOps和MLOps發展的一些主要趨勢。

GitOps

作為DevOps工作流程的新演變，GitOps是一種用于控制和自動化基礎架構的新范例。面向Kubernetes的范例使開發人員和運營團隊能夠使用Git管理Kubernetes集群并交付容器化應用程序。為運營和開發團隊實施Git工作流程允許開發人員利用Git拉取請求來管理軟件部署和基礎設施。

GitOps整合了現有的開發工具，通過CI/CD管理云原生和基于集群的應用程序。它使用Git存儲庫作為單一事實來源，自動部署、監控和維護云原生應用程序。

GitOps是一種在Kubernetes中實現和維護集群的方法。持續交付和部署允許開發人員通過增量發布更快地構建、測試和部署軟件。Kubernetes持續集成和運行時管道必須能夠讀取和寫入文件、更新容器存儲庫以及從Git加載容器。GitOps通過版本控制、實時監控和配置更改警報來幫助企業管理其基礎架構。

綜合數據　　

合成數據是人工生成的任何信息，而不是從真實事件中收集的信息。算法生成合成數據，用作操作和生產測試數據集的替代品。合成數據集也可用于驗證數學模型和訓練機器學習模型。

合成數據的好處包括：

• 盡量減少與使用敏感和受監管數據相關的限制。
• 根據實際數據中不可用的特定要求和條件自定義數據。
• 為DevOps團隊生成用于測試軟件質量和性能的數據。

無代碼機器學習和人工智能　　

機器學習通常涉及計算機代碼來設置和處理模型訓練，但情況并非總是如此。無代碼機器學習是一種編程方法，它消除了ML應用程序通過耗時過程的需要。

CodelessML消除了專家開發系統軟件的需要。它的部署和實施也更簡單、更便宜。在機器學習過程中使用拖放輸入可以通過以下方式簡化培訓工作：

• 評估結果。
• 拖放訓練數據。
• 創建預測報告。
• 使用純文本查詢。

Codeless ML使開發人員可以輕松訪問機器學習應用程序，但它不能替代高級、細致入微的項目。這種方法適用于缺乏資金來維持內部數據科學團隊的小型企業。

TinyML　　

TinyML是一種機器學習和人工智能模型開發的新方法。它涉及在具有硬件限制的設備上運行模型，例如為智能汽車、冰箱和電表供電的微控制器。這種策略最適合這些用例，因為它加快了算法的速度——數據不需要在服務器上來回傳輸。它在大型服務器上尤為重要，可以加快整個ML開發過程。

在物聯網邊緣設備上運行TinyML程序有很多好處：

• 更低的能源消耗。
• 減少延遲。
• 用戶隱私保證。
• 降低帶寬要求。

使用TinyML提供了更大的隱私，因為計算過程完全是本地的。它消耗更少的功率和帶寬，從而降低延遲，因為它不需要將數據發送到中央位置進行處理。正在利用這一創新的行業包括農業和醫療保健。他們通常使用嵌入了TinyML算法的物聯網設備，使用收集到的數據來監控和預測現實世界的事件。

結論

本文介紹了MLOps和DevOps之間的主要區別：

• 開發——DevOps管道專注于開發新版本的軟件產品，而MLOps專注于提供有效的機器學習模型。
• 版本控制——DevOps主要關注跟蹤二進制文件和軟件工件，而MLOps跟蹤其他因素，如超參數和模型性能。
• 可重用性——DevOps和MLOps都努力創建可重用的流程和管道，但使用不同的策略來實現可重復性。
• 持續監控——監控對DevOps很重要，但在MLOps中更為重要，因為模型和數據漂移會導致模型性能下降。

最后介紹了一些將在不久的將來改變DevOps和MLOps的關鍵趨勢。我希望這將有助于您在新的、令人興奮的開發生態系統中發現自己的位置。