与 DevOps 类似的机器和操作学习 （MLOps）是使用数据科学和运营团队通过机器学习 （ML）、AI、监视、验证、协作和通信改进模型部署的实践和工具的组合。
微软 Azure – MLOps
这是因为根据 Gartner 的数据，许多公司开发机器学习模型，但只有 47% 的模型在生产中发布。尽管如此，88% 的 AI 计划仍难以通过测试阶段。
Azure ML由执行定型和部署模型的 Web 界面和 SDK 组成。该过程（如下图所示）涉及数据管理、数据清理、编写和显示实验、发布模型以收集实际数据（在生产中）和应用模型改进。
MLOps
- 实验：数据科学家进行各种实验，进化和收集数据，寻找业务需求的答案。DevOps 和软件工程概念（或 MLOps）的基本原理建议避免在其他环境中推广编写不良的模型的做法。
- 开发： 算法培训 （Azure ML 培训服务），数据管道 （ETL）， 以及如何移液 CI/CD 实践 （Azure DevOps 管道） 来部署生成的 ML 实验。
- 操作：推理、监视（使用分析/分析、应用程序遥测等）、自动测试和数据反馈循环，以便从导致模型改进的数据中学习。
您可能还需要阅读：
面向开发人员的机器学习简介
好处
与团队一起工作（数据科学家和运营），鼓励作为数据驱动的业务运营，使用范围或发现见解和实施行动。其中一些优点是：
- 可重复性和可读性：在适用和可重现的管道中创建模型，启用回滚（在出现错误时）和需要跟踪时进行审核
MLOps 阶段
Azure 中 AI 解决方案的 DevOps 框架可以宏表示如下：
它包括从设计创建到部署的四个主要阶段：
- 模型创建和培训：使用学习管道培训创建可重现的管道，将所有步骤（从数据准备到模型评估）汇集在一起。
- 模型部署：我们打包模型进行部署和分析，以帮助配置内存、CPU 和验证模型。
- 自动化或学习 E2E：使用 Azure 机器学习和 GitHub 经常更新模板，使用其他应用程序和服务测试和实现增强功能。
- 审核跟踪：收集端到端数据以定义审核跟踪。例如：模型发布者数据、实现数据、生产使用等。
微软 Azure – MLOps（
改编）
