什么是 MLOps？
什么是 MLOps？
MLOps 是一套自动化机器学习过程的策略，将模型创建、开发和运营联系起来。它将 DevOps 原则与机器学习结合使用，以防止机器学习项目中出现问题。MLOps 解决方案是一套融合机器学习和 DevOps 解决方案的智能方法。它有助于快速将 ML 模型付诸实践，并更快地向客户提供更新，就像软件功能的 DevOps 最佳实践一样。
为什么选择 MLOps？
机器学习 (ML) 与标准软件不同，因为它围绕数据展开。代码旨在处理数据，而不是传统的应用程序行为。ML 是一个不断变化的系统；真始。必须随着数据的变化定期监控、更新和重新部署模型，以获得最佳结果。MLOps 管道可确保您以更快、更可控的方式获得可靠的见解，将业务重点重新放在 ML 运营上。
MLOps 汇集了所有团队的知识，
以提高 ML 的效率。
它遵循 MLOps 最佳实践和指南，确保从想法到实验再到可用于生产的模型顺利进行。
通过合理划分专业知识可以避免延误。
通过 MLOps 管道，您可以快 WhatsApp 号码数据 速训练模型、跟踪实验并创建强大的 API 以供部署。
MLOps 如何工作？
MLOps 生命周期或工作流程包括以下步骤：
MLOps 可以通过三种方式采用：
1）手动流程
对于从机器学习 DevOps 开始的 以通过使用基础细分来完善这种 企业来说，此流程是标准的。如果您不需要经常更改或训练模型，则手动 ML 方法可能很合适。
在这种标准的数据科学技术中，您会在部署机器学习之初进行实验和迭代。每个流程步骤（如数据准备、模型训练和测试）都是手动完成的。使用 Jupyter Notebooks 等 MLOps 工具可以快速处理数据。但是，使用手动流程会增加现实世界中模型失败的风险。
2）机器学习管道自动化
这种架构非常适合使用新数据（而不是新 1000个手机号码 的机器学习理念）部署新模型。它使机器学习流程自动化，从而加快实验速度。它支持模型预测的持续部署，并自动使用生产中的新数据重新训练模型。您必须设置机器学习实验、自动数据处理、模型验证和元数据管理才能使其正常工作。
组件必须可重复使用和共享才能构建 MLOps 管道。探索性数据分析 (EDA) 代码可以存储在笔记本中，但组件源代码应该模块化。这种方法对于需要快速适应客户行为、价格和其他因素变化的系统很有用。但是，如果您想尝试新的 ML 想法并快速部署它们，您需要一个 CI/CD 基础设施来自动构建、测试和部署您的 ML 管道。
3）CI/CD 管道自动化
此级别适合需要频繁（有时甚至每小时一次）重新训练和更新模型的技术驱动型企业。他们同时在数千台服务器上部署这些模型。对于此类企业，端到端 MLOps 周期至关重要。在此级别，数据、机器学习模型和机器学习训练管道组件将自动创建、测试和部署，与上一级别相比有显著改进。
