- 综合排序
- 最热优先
- 最新优先
MLOps 概论
MLOps（Machine Learning Operations）是一个关注于将机器学习模型开发和部署流程标准化、自动化以及持续集成与持续部署（CI/CD）的实践领域。 MLOps旨在解决机器学习项目在开发、测试、部署和监控过程中的复杂性和挑战，以确保机器学习模型的生命周期管理能够高效、可靠和可扩展。MLOps的关键组成部分：1. ### MLOps的挑战：- **数据管理**：确保数据的质量和一致性。- **环境一致性**：在不同的开发和生产环境中保持模型行为的一致性。 MLOps是一个跨学科领域，它结合了数据科学、软件开发和运维的最佳实践，以实现机器学习项目的成功交付和维护。 随着机器学习技术的不断发展，MLOps在帮助组织高效、可靠地将机器学习模型集成到生产系统中发挥着越来越重要的作用。
63610编辑于 2024-08-05- 来自专栏深度学习与python
亚马逊正在重塑MLOps
1 AWS 的现有 MLOps 套件 亚马逊的现有产品完全基于 Sagemaker Studio。它为 ML 开发提供了业内首创的集成开发环境。 MLOps 在几个领域存在重大差距。 没有连贯的 CI/CD 管道可以将它们连在一起。没有这样的管道，感觉用户在使用一系列不同的服务。 大家要么用的是没那么理想的 MLOps 流程，要么建立了自己的 CI/CD 版本。 ML 的自制 CI/CD 框架存在的问题是它们无法推广，因此无法轻松开源。 这样是否可以让他们牢牢地把持最集成的 MLOps 套件的领先地位？我想是这样。亚马逊在开发云解决方案方面具有 3 到 5 年的领先优势（或更多？这里我找不到参考数据）。 但是，现在预测谁将赢得 MLOps 竞赛还为时过早。
1.4K30编辑于 2023-04-01 - 来自专栏鸿的学习笔记
MLOps 的学习清单
这周一直在读 MLOps 的资料，不过现在依然有点似懂非懂，怎么落笔都感觉有些奇怪，MLOps 到底有哪些实践呢？它所说的原则和思路如何在工程上实现，有些摸不着头脑。 MLOps 阅读思路 在了解一个概念之前，可以先读下维基百科： https://en.wikipedia.org/wiki/MLOps 跟着维基百科，可以了解到 MLOps 起源于谷歌的一篇论文Hidden 当然这时还不能叫做 MLOps 。 当然现在的 MLOps 已经有了官网和 Roadsmap。 剩下的一系列知乎专栏文章，可以说非常全面的讲了 MLOps。
2.2K30发布于 2021-06-17 - 来自专栏博文视点Broadview
什么是MLOps——机器学习运维，为什么要用MLOps
在企业应用中，除了一线科技巨头公司，也很少看到针对商业问题部署和管理ML的解决方案，而这部分正是MLOps（机器学习运维的简称）试图去实践的内容。 如果你是一名数据科学家或ML工程师，你可能会质疑：“我为什么要关心MLOps？我已经把模型做出来了，线下测试效果都很好，把它们带到生产中不是IT团队的工作吗？” 在添加数据和模型元素后，MLOps也将成为ML领域的关键突破。 实践MLOps意味着遵循标准化和流程化路径来自动化运行和监控ML部署工作流程的所有步骤，包括数据和基础设施管理、模型学习、测试、集成、部署、发布和实时监控。 本文内容摘自《MLOps实践：机器学习从开发到生产》一书，作者李攀登，非参数统计硕士， AlgoLink（专注于MLOps研发与应用）的创始人，出海游戏公司博乐科技数据专家。
75120编辑于 2022-05-07 - 来自专栏深度学习与python
亚马逊正在重塑 MLOps
1 AWS 的现有 MLOps 套件 亚马逊的现有产品完全基于 Sagemaker Studio。它为 ML 开发提供了业内首创的集成开发环境。 MLOps 在几个领域存在重大差距。 没有连贯的 CI/CD 管道可以将它们连在一起。没有这样的管道，感觉用户在使用一系列不同的服务。 大家要么用的是没那么理想的 MLOps 流程，要么建立了自己的 CI/CD 版本。 ML 的自制 CI/CD 框架存在的问题是它们无法推广，因此无法轻松开源。 数据库 ML 功能 虽然不太算是 MLOps，但亚马逊新的数据库 ML 服务确实属于一个共同的主题——建立一个平稳的生产级 ML 流程，从而完全消除了对运维的需求。 但是，现在预测谁将赢得 MLOps 竞赛还为时过早。
1.4K10发布于 2021-12-01 - 来自专栏AI快讯
什么是MLOps？为什么要使用MLOps进行机器学习实践
什么是MLOps？MLOps（Machine Learning Operations）是一种将机器学习（ML）模型整合到生产环境中的实践，目的是确保模型在生产过程中的有效性和可靠性。 MLOps 和 DevOps 都是旨在简化和自动化软件应用程序开发和部署的方法。 DevOps 专注于一般软件开发流程和 IT 运营，但 MLOps 专门针对机器学习应用程序的独特挑战和复杂性。 自动模型重训练 - 收集模型监控的指标信息针对性对模型进行重新训练MLOps基础设施和工具MLOps（机器学习运维）是一种方法，旨在加速机器学习应用程序的开发、部署和维护。 为什么要使用星鲸科技（starwhale.ai）这样的专业MLOps平台来进行机器学习实践。 MLOps 之旅，模型评估在机器学习中起着重要作用。
2.5K00编辑于 2023-06-22 - 来自专栏深度学习与python
MLOps主要是数据工程
作者 ｜ Kostas Pardalis 译者 ｜ 张乐 审校 ｜ 平川 MLOps 和数据工程之间有很大的重叠。 MLOps 主要是数据工程简而言之，MLOps 是一种新出现的工具类别，用于管理数据基础设施，主要面向 ML 用例，按照设想，这类用例会有独特的需求。 几年过去了，随着热度消退，MLOps 与数据工程的重叠显然比大多数人想象的要多。让我们看看这是为什么以及这对 MLOps 生态系统意味着什么。 介 绍 MLOps 是一个相对比较新的术语。 自那以后，人们对 MLOps 的兴趣一直很高。 MLOps 平台的组成 MLOps 供应商的产品可以划分为多个类别： 模型部署和服务，如 OctoML。 模型质量和监控，如 Weights & Biases。
54530编辑于 2023-04-10 - 来自专栏大数据IT趣圈
云智慧助力 MLOps 加速落地
MLOps 与 DevOps 的区别 MLOps 是一组特定于机器学习项目的工程实践，借鉴了软件工程中更广泛采用的 DevOps 原则。 MLOps 实施原则 图 1 MLOps 实施原则 MLOps 的实施原则是指导如何让我们在 MLOps 中实践。 CI/CD 自动化。 CI/CD 自动化提供持续集成、持续交付和持续部署。 机器学习工程师 / MLOps 工程师： ML 工程师或 MLOps 工程师结合了多个角色的各个方面，因此具有跨领域知识。 MLOps 基础设施和工具 MLOps（机器学习运维）是一种方法，旨在加速机器学习应用程序的开发、部署和维护。 为了实现这一目标，MLOps 使用了许多基础设施和工具。 结语 MLOps 将会越来越受到关注和重视。随着人工智能技术的不断发展和应用，MLOps 将成为机器学习应用的必要条件。
2.1K31编辑于 2023-04-26 - 来自专栏信数据得永生
大规模 MLOps 工程（五）
如果您曾经使用过公共云来启用您的应用程序进行自动缩放，即您可以轻松地添加或删除应用程序集群的计算节点功能，那么您已经使用了虚拟服务实例。您甚至可能使用过类似 ssh 的程序登录到您的实例，然后通过这个 ssh 会话远程管理它们。乍一看，Docker 容器实例似乎与虚拟服务器没有什么不同。如果您通过 ssh 登录到 Docker 容器中，与通过 AWS EC2 等公共云服务托管的虚拟服务器的会话相比，您可能甚至感觉不出差别。但是，虽然与 Docker 有关的传统公共云服务虚拟服务器存在相似之处，但 Docker 提供的重要功能是需要知道的。
25400编辑于 2024-05-24 - 来自专栏s09g的技术博客
Vertex AI & kubeflow: 从DevOps到MLOps
于是一个概念诞生了：MLOps，就像DevOps一样，来解决model开发到落地之间的差距。方案也不是没有，各家云厂商其实都在做：AI Platform pipeline。 所以光是提供一个AI Platform 是走不通的，最近几年MLOps这个词虽然存在，但是大家普遍认为这是炒概念，没有解决任何实际痛点。 公司需要额外的一群DevOps来管理集群了，也就是实际上的MLOps。（以前那种想让MLE或者DS来做MLOps的思路不能说行不通，只能说不合理… 最后说一句 目前看来，这东西可能真是一片蓝海。 MLOps目前还是很有搞头的
1.4K20编辑于 2022-07-06 - 来自专栏六点半就起来干博客！
机器学习—— 机器学习运维（MLOps）
机器学习—— 机器学习运维（MLOps） 机器学习运维（MLOps）——提高模型管理和部署效率的必备技能 随着机器学习技术的日益成熟，如何高效地将模型部署到生产环境并持续维护，成为许多企业关注的核心问题 MLOps（机器学习运维） 应运而生，它结合了传统的DevOps理念和机器学习的独特需求，旨在通过自动化和协作提高模型的开发、部署和监控效率。 什么是MLOps？ MLOps 示例：构建一个简单的ML流水线 以下是一个使用常见MLOps工具MLflow构建和管理机器学习流水线的示例。我们将训练一个简单的模型，并通过MLOps的流水线管理模型的版本和部署。 MLOps 的优势 提高生产力：MLOps通过自动化减少手工操作，让数据科学家专注于开发更好的模型，而不用过多考虑部署和维护。 结论 MLOps 是应对现代机器学习挑战的强大工具。通过自动化、标准化和持续监控，MLOps 提升了模型的开发、部署和维护效率，确保其在生产环境中的持续高效运行。
98010编辑于 2024-10-18 - 来自专栏云原生技术社区
Kubeflow将MLOps引入CNCF孵化器
Kubeflow 社区积极开发和支持面向 Kubernetes 的 MLOps，为其用户开发和部署流行的框架，包括 TensorFlow、PyTorch、XGBoost、Apache MXNet 等分布式机器学习 KServe 在简化端到端 MLOps 工作流程方面发挥着重要作用，显着简化了在生产中提供机器学习模型的过程。 该项目可以部署为独立组件或完整的端到端系统。
62530编辑于 2023-08-09 - 来自专栏Hadoop实操
0815-CML中的模型共享和MLOps简介
CML中的MLOps和SDX模型 Cloudera Machine Learning（CML）是Cloudera Data Platform（CDP）上的机器学习端到端工程化平台（CDP之前的年代名字叫做 Github存储库：https : //github.com/fastforwardlabs/mlops-wine-quality-demo 设置您的CML项目 要开始这个示例，我们需要一个有效的项目。 为企业生产ML的未来铺平道路 Cloudera Machine Learning的MLOps功能和ML模型的SDX为生产机器学习工作流程提供开放，标准化和灵活的工具。 Cloudera Machine Learning（CML）可以使用一组扩展的MLOps生产机器学习功能。 组织可以使用CML的新MLOps功能和用于模型的Cloudera SDX来管理和保护ML生命周期，以进行生产机器学习。
1.1K20发布于 2020-11-03 - 来自专栏喔家ArchiSelf
大模型应用系列：从MLOps到LLMOps
MLOps 和 LLMOps 都是管理机器学习系统的方法。MLOps 致力于解决机器学习生命周期的生产问题，促进数据科学家和运营专家之间的合作，提高机器学习系统的效率和质量。 MLOps 在机器学习领域，建立和部署模型仅仅是个开始。为了确保模型随着时间的推移保持准确、可靠和相关性，采用全面的 MLOps (机器学习操作)方法是至关重要的。 增强协作: MLOps 促进了数据科学家、工程师和操作团队之间的协作。 可伸缩性和治理: MLOps 实践使健壮的模型管理成为可能，并有助于扩展机器学习部署。 MLOps 是现代机器学习项目的基本实践，确保模型不仅能够高精度地开发，而且能够在生产环境中有效地部署和维护。 2.从MLOps 到LLMOps 从机器学习运营(MLOps)的基本原理过渡到大型语言模型运营(LLMOps)的专门领域，标志着人工智能领域的重大进展。
1.8K10编辑于 2024-12-23 - 来自专栏深度学习与python
DataOps、MLOps 和 AIOps，你要的是哪个Ops？
作者 | Merelda Wu 策划 | 田晓旭 如何在 DataOps、MLOps 和 AIOps 之间进行选择？大数据团队应该采取哪种 Ops？ 在以数据为中心的团队中诞生的各种 Ops: DataOps、MLOps、AIOps，由作者制作 1DataOps vs MLOps vs DevOps（以及 AIOps？） MLOps 更快地交付机器学习模型 一系列设计、构建和管理可重现、可测试和可持续的基于 ML 的软件实践。 附加：AIOps 利用 AI 的功能增强了 DevOps 工具 有时人们错误地将 MLOps 称为 AIOps，但它们是完全不同的。 为了重现结果，MLOps 需要对模型进行版本控制，DataOps 需要对数据进行版本控制。
1.9K20发布于 2021-02-22 - 来自专栏DeepHub IMBA
MLOps：构建生产机器学习系统的最佳实践
在这篇文章中，我将分享一些MLOps的最佳实践和技巧，它们将允许您在生产环境中使用您的ML模型并正确地操作它。在我们开始之前，让我们讨论一下我们可能都知道的典型的ML项目生命周期。 作者：Maggie MHANNA 原文地址:https://towardsdatascience.com/mlops-practices-for-data-scientists-dbb01be45dd8
1.6K20发布于 2021-04-16 - 来自专栏深度学习与python
MLOps正在改变机器学习模型的开发方式
MLOps 引入的共享原则（https://valohai.com/mlops/）鼓励数据科学家将机器学习视为一个持续的过程，开发、运行和维持机器学习能力，供现实世界使用，而不是与世隔绝的科学实验。 MLOps 的实际实现包括采用某些最佳实践和为支持这些最佳实践搭建的基础设施。 MLOps 实践建议将上面提到的针对所有组件进行版本控制作为一种标准实践，而且在大多数 MLOps 平台上都很容易实现这一点。 参考资料: MLOps——“为什么需要它?”和“它是什么?” （https://www.kdnuggets.com/2020/12/mlops-why-required-what-is.html） 数据科学与 Devops: MLOps 与 Jupyter、Git
70010发布于 2021-01-22 - 来自专栏深度学习与python
Cloudflare 的 ML 和 AI 之旅：MLOps 平台和最佳实践
作者 ｜ Claudio Masolo 译者 ｜ 马可薇 策划 ｜ Tina Cloudflare 的博客介绍了他们的 MLOps 平台和大规模运行人工智能（AI）部署的最佳实践。 Cloudflare 的 MLOps 是与数据科学家合作实施的最佳实践。 GitOps 是 Cloudflare MLOps 战略实践的基石，利用 Git 作为管理基础架构和部署流程的单一真相源。 为了协助数据科学家们使用正确工具，自信且高效地启动项目，Cloudflare 的 MLops 团队提供了模型模板，作为包含示例模型的生产就绪代码库。 /2023/12/cloudflare-mlops-platform/) 声明：本文为 InfoQ 翻译，未经许可禁止转载。
53110编辑于 2024-01-17 - 来自专栏鸿的学习笔记
吴恩达谈 MLOps：调优数据比调优模型更重要
3月25日，吴恩达开了一个直播讲 A Chat with Andrew on MLOps: From Model-centric to Data-centric AI ，看完后深受启发，便随手写下一些笔记 吴恩达认为 MLOps 可以解决这个问题，而 MLOps 确保了数据质量在整个的机器学习工程中都是高质量、一致的和好的。 MLOps 是另外的一个话题了，感兴趣的读者可以看看谷歌云的相关文档：https://cloud.google.com/solutions/machine-learning/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning 我的想法 单纯从一个工程师的角度来看，以数据为中心的机器学习策略相比于以模型为中心的机器学习策略更具有可操作性，特别是对应的 MLOps，目前来看有望让 AI 系统不再飘在云上，而是变成了一个标准化的流程 towardsdatascience.com/from-model-centric-to-data-centric-4beb8ef50475 https://www.amine-hy.com/post/mlops
1.3K40发布于 2021-04-23 - 来自专栏AI科技大本营的专栏
机器学习算法和架构在 MLOps 框架下的工程实践
当前市面上很多专攻MLOps领域的公司都是使用Jupyter来提供建模或分析环境的，如cnvrg.io、Domino Data Lab、InfuseAI等。 通过将运行时与UI界面隔离（实际上MLOps的设计也借鉴了类似的思路），Jupyter可以跨越多种编程语言，同时保持执行环境配置方式的灵活性。 具体地，随着新的ML开发框架不断兴起并取代传统工具，不建议对MLOps平台支持的语言或框架制定限制性的标准。 特征存储好比数据科学的数据仓库，它的主要目标是使数据科学家能够缩短从数据摄取到ML模型训练和推理的时间，填补了MLOps生命周期中的一个重要空白。 服务应该是可以复用的，这对MLOps平台来说特别有用，比如，特征存储的在线服务就是可复用的，可以满足不同团队和不同模型的使用要求。
88210编辑于 2022-05-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号