{"id":86523,"date":"2020-06-26T07:42:14","date_gmt":"2020-06-26T05:42:14","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning"},"modified":"2020-06-26T07:42:14","modified_gmt":"2020-06-26T05:42:14","slug":"mlops-devops-v-mire-machine-learning","status":"publish","type":"post","link":"https:\/\/prohoster.info\/bs\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps u svijetu strojnog u\u010denja","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Godine 2018. u profesionalnim krugovima i na tematskim konferencijama posve\u0107enim AI-u, pojam MLOps je postao sve prisutniji i brzo se u\u010dvrstio u industriji, a sada se razvija kao samostalna disciplina. U budu\u0107nosti bi MLOps mogao postati jedno od najtra\u017eenijih podru\u010dja u IT-u. \u0160ta je to zapravo i kako se koristi, razjasni\u0107emo ispod.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps u svijetu strojnog u\u010denja\" src=\"\/wp-content\/uploads\/2020\/06\/03bcaaaf5b9ddd864c7e8e0a607d81c4.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>\u0160ta je MLOps<\/h2>\n<p>\nMLOps (spajanje tehnologija i procesa ma\u0161inskog u\u010denja i pristupa uvo\u0111enju razvijenih modela u poslovne procese) je novi na\u010din saradnje izme\u0111u predstavnika biznisa, nau\u010dnika, matemati\u010dara, stru\u010dnjaka za ma\u0161insko u\u010denje i IT in\u017eenjera u stvaranju sistema ve\u0161ta\u010dke inteligencije.<\/p>\n<p>Drugim re\u010dima, to je na\u010din pretvaranja metoda i tehnologija ma\u0161inskog u\u010denja u korisni alat za re\u0161avanje poslovnih zadataka.\u00a0<\/p>\n<p>Treba shvatiti da lanac produktivizacije po\u010dinje mnogo pre nego \u0161to se model razvije. Prvi korak je definisanje poslovnog zadatka, hipoteza o vrednosti koju je mogu\u0107e izvu\u0107i iz podataka, i poslovne ideje o njenoj primeni.\u00a0<\/p>\n<p>Sam pojam MLOps je nastao kao analogija pojmu DevOps u vezi sa modelima i tehnologijama ma\u0161inskog u\u010denja. DevOps je pristup razvoju softvera koji omogu\u0107ava pove\u0107anje brzine implementacije pojedina\u010dnih izmena uz o\u010duvanje fleksibilnosti i pouzdanosti kroz niz pristupa, me\u0111u kojima su kontinuirani razvoj, deljenje funkcionalnosti na niz nezavisnih mikroservisa, automatizovano testiranje i implementacija pojedina\u010dnih izmena, globalno pra\u0107enje funkcionalnosti, sistem hitnog reagovanja na uo\u010dene gre\u0161ke i drugi.\u00a0<\/p>\n<p>DevOps je definisao \u017eivotni ciklus softvera i u zajednici stru\u010dnjaka je nai\u0161la ideja da se ista metodologija primeni na velike podatke. DataOps je poku\u0161aj da se metodologija adaptira i pro\u0161iri uzimaju\u0107i u obzir karakteristike skladi\u0161tenja, prenosa i obrade velikih koli\u010dina podataka na raznolikim, me\u0111usobno povezanim platformama.<br \/>\n\u00a0\u00a0<br \/>\nS pojavom odre\u0111ene kriti\u010dne mase modela ma\u0161inskog u\u010denja implementiranih u poslovne procese preduze\u0107a, primje\u0107ena su jaka sli\u010dnost izme\u0111u \u017eivotnog ciklusa matemati\u010dkih modela ma\u0161inskog u\u010denja i \u017eivotnog ciklusa softvera. Razlika le\u017ei samo u tome da se algoritmi modela stvaraju koriste\u0107i alate i metode ma\u0161inskog u\u010denja. Stoga je prirodno do\u0161la ideja da se primijene i prilagode ve\u0107 poznati pristupi razvoju softvera za modele ma\u0161inskog u\u010denja. Tako se u \u017eivotnom ciklusu modela ma\u0161inskog u\u010denja mogu izdvojiti sljede\u0107e klju\u010dne faze:<\/p>\n<ul>\n<li>definisanje poslovne ideje;\n<\/li>\n<li>obuka modela;\n<\/li>\n<li>testiranje i implementacija modela u poslovni proces;\n<\/li>\n<li>upotreba modela.\n<\/li>\n<\/ul>\n<p>\nKada se tokom upotrebe pojavi potreba za promenom ili dotreningom modela na novim podacima, ciklus se ponovo pokre\u0107e \u2014 model se dopunjuje, testira, i implementira nova verzija.<\/p>\n<blockquote><p>Odstupanje. Za\u0161to dopuniti, a ne re-obu\u010diti? Termin \u201ere-obuka modela\u201c ima dvostruko zna\u010denje: me\u0111u stru\u010dnjacima ozna\u010dava defekt modela, kada model dobro predvi\u0111a, zapravo ponavlja predvi\u0111eni parametar na obu\u010davanju uzorku, ali mnogo lo\u0161ije funkcioni\u0161e na eksternom uzorku podataka. Prirodno, takav model je manjkav, po\u0161to ta gre\u0161ka ne omogu\u0107ava njegovu upotrebu.<\/p><\/blockquote>\n<p>\nU ovom \u017eivotnom ciklusu izgleda logi\u010dno koristiti DevOps alate: automatizovano testiranje, implementaciju i monitoring, formalizaciju izra\u010dunavanja modela u obliku pojedina\u010dnih mikroservisa. No, postoje i odre\u0111ene karakteristike koje spre\u010davaju direktnu primenu ovih alata bez dodatne ML infrastrukture.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps u svijetu strojnog u\u010denja\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Kako natjerati modele da rade i donose profit<\/h2>\n<p>\nKao primer na kojem \u0107emo demonstrirati primenu pristupa MLOps, uzmimo klasi\u010dan zadatak robotizacije \u010deta podr\u0161ke za bankarski (ili neki drugi) proizvod. Obi\u010dno poslovni proces podr\u0161ke putem \u010deta izgleda ovako: klijent unosi poruku sa pitanjem u \u010detu i dobija odgovor stru\u010dnjaka u okviru unapred definisanog stabla dijaloga. Automatsko re\u0161avanje ovog \u010deta obi\u010dno se posti\u017ee putem ekspertski definiranih setova pravila, \u0161to je veoma zahtevno za razvoj i odr\u017eavanje. Efikasnost takve automatizacije, u zavisnosti od slo\u017eenosti zadatka, mo\u017ee biti 20\u201330%. Naravno, javlja se ideja da je profitabilnije implementirati modul ve\u0161ta\u010dke inteligencije \u2014 model razvijen uz pomo\u0107 ma\u0161inskog u\u010denja koji:<\/p>\n<ul>\n<li>mo\u017ee obraditi ve\u0107i broj zahteva bez u\u010de\u0161\u0107a operatera (u zavisnosti od teme, u nekim slu\u010dajevima efikasnost mo\u017ee dostizati 70\u201380%);\n<\/li>\n<li>bolje se prilago\u0111ava nestandardnim formulacijama u dijalogu \u2014 ume da odredi nameru, stvarnu \u017eelju korisnika prema neprecizno postavljenom zahtevu;\n<\/li>\n<li>mo\u017ee da odredi kada je odgovor modela adekvatan, a kada postoje sumnje u \u201esvesnost\u201c tog odgovora i potrebno je postaviti dodatno poja\u0161njavaju\u0107e pitanje ili prebaciti se na operatera;\n<\/li>\n<li>mo\u017ee biti dodatno obu\u010dena automatizovano (umesto grupe programera koja stalno prilago\u0111ava i ispravlja scenarije odgovora, model dodatno obu\u010dava stru\u010dnjak za Data Science koriste\u0107i odgovaraju\u0107e biblioteke ma\u0161inskog u\u010denja).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps u svijetu strojnog u\u010denja\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nKako u\u010diniti da ovakav napredni model radi?\u00a0<\/p>\n<p>Kao i pri re\u0161avanju bilo kojeg drugog zadatka, pre nego \u0161to razvijemo takav modul, potrebno je definisati poslovni proces i formalno opisati konkretan zadatak koji \u0107emo re\u0161avati primenom metoda ma\u0161inskog u\u010denja. Na ovoj ta\u010dki po\u010dinje proces operativizacije, ozna\u010den akronimom Ops.\u00a0<\/p>\n<p>Sljede\u0107i korak stru\u010dnjaka za Data science u suradnji s in\u017eenjerom podataka je provjera dostupnosti i dovoljne koli\u010dine podataka, kao i poslovne hipoteze o odr\u017eivosti poslovne ideje. Oni razvijaju prototip modela i testiraju njegovu stvarnu u\u010dinkovitost. Tek nakon potvrde od strane poslovanja mo\u017ee po\u010deti prela\u017eenje s razvoja modela na njegovu integraciju u sustave koji izvode konkretne poslovne procese. Planiranje implementacije, duboko razumijevanje kako \u0107e se model koristiti na svakom koraku i koji \u0107e ekonomski u\u010dinak donijeti, klju\u010dni su u procesima implementacije MLOps-a u tehnolo\u0161ki pejza\u017e tvrtke.<\/p>\n<p>S razvojem tehnologije umjetne inteligencije, broj i raznolikost zadataka koji se mogu rije\u0161iti putem strojno u\u010denja dramati\u010dno se pove\u0107ava. Svaki takav poslovni proces predstavlja u\u0161tedu za tvrtku kroz automatizaciju rada zaposlenika na masovnim pozicijama (call centar, provjera i sortiranje dokumenata itd.), \u0161irenje baze klijenata dodavanjem novih atraktivnih i prakti\u010dnih funkcija, u\u0161tedu sredstava optimalnom raspodjelom resursa i jo\u0161 mnogo toga. Na kraju, svaki proces ima cilj stvaranje vrijednosti i, posljedi\u010dno, treba donositi odre\u0111eni ekonomski u\u010dinak. Ovdje je jako va\u017eno jasno formulirati poslovnu ideju i izra\u010dunati o\u010dekivanu dobit od implementacije modela unutar ukupne strukture stvaranja vrijednosti tvrtke. Doga\u0111aju se situacije kada implementacija modela ne opravdava o\u010dekivanja, a vrijeme koje su stru\u010dnjaci za strojno u\u010denje proveli na tome ko\u0161ta zna\u010dajno vi\u0161e od radnog mjesta operatera koji obavlja tu zada\u0107u. Zbog toga je va\u017eno takve slu\u010dajeve poku\u0161ati uo\u010diti ve\u0107 u ranim fazama stvaranja sustava umjetne inteligencije.<\/p>\n<p>Stoga, profit modela po\u010dinje se ostvarivati tek kada je u procesu MLOps-a ispravno definirana poslovna zada\u0107a, postavljeni prioriteti i na ranim fazama razvoja formuliran proces implementacije modela u sustav.<\/p>\n<h2>Novi proces - novi izazovi<\/h2>\n<p>\nSveobuhvatan odgovor na su\u0161tinsko pitanje poslovanja o tome koliko su ML modeli primjenjivi za rje\u0161avanje zadataka i op\u0161tenito pitanje povjerenja u AI \u2014 jedan je od klju\u010dnih izazova u procesu razvoja i implementacije MLOps pristupa. Na po\u010detku, poslovanje skepti\u010dno gleda na uvo\u0111enje ma\u0161inskog u\u010denja u procese \u2014 te\u0161ko je osloniti se na modele u podru\u010djima gdje su ranije obi\u010dno radili ljudi. Za poslovanje, programi se prikazuju kao 'crna kutija', \u010dija relevantnost odgovora jo\u0161 treba biti dokazana. Pored toga, u bankarskom sektoru, sektoru telekomunikacija i drugim, postoje strogi zahtjevi dr\u017eavnih regulatora. Svi sistemi i algoritmi koji su implementirani u bankarske procese podlije\u017eu reviziji. Da bi se rije\u0161io ovaj problem i dokazali poslovanju i regulatorima opravdanost i ta\u010dnost odgovora ve\u0161ta\u010dke inteligencije, zajedno s modelom implementiraju se alati za monitoring. Pored toga, postoji procedura nezavisne validacije, obavezna za regulatorne modele, koja ispunjava zahtjeve Centralne banke. Nezavisna ekspertska grupa vr\u0161i reviziju rezultata dobijenih modelom uzimaju\u0107i u obzir ulazne podatke.<\/p>\n<p>Drugi izazov \u2014 procjena i upravljanje modelnim rizicima prilikom implementacije modela ma\u0161inskog u\u010denja. Ako \u010dak ni ljudi ne mogu sa stopostotnom sigurno\u0161\u0107u odgovoriti na pitanje da li je haljina bila bela ili plava, onda ve\u0161ta\u010dka inteligencija tako\u0111e ima pravo na gre\u0161ku. Tako\u0111e treba uzeti u obzir da se podaci tokom vremena mogu menjati, a modelima je potrebno dodatno u\u010denje kako bi davali dovoljno ta\u010dne rezultate. Da bi poslovni proces ostao neometan, potrebno je upravljati modelnim rizicima i pratiti rad modela, redovno ga dodatno obu\u010davaju\u0107i na novim podacima.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps u svijetu strojnog u\u010denja\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nNo, nakon prve faze nepovjerenja po\u010dinje se javljati suprotan efekat. \u0160to vi\u0161e modela uspe\u0161no integri\u0161e u procese, to vi\u0161e raste apetit poslovanja za kori\u0161\u0107enje ve\u0161ta\u010dke inteligencije \u2014 pojavljuju se novi i novi zadaci koji se mogu re\u0161avati metodama ma\u0161inskog u\u010denja. Svaki zadatak pokre\u0107e ceo proces koji zahteva odre\u0111ene kompetencije:<\/p>\n<ul>\n<li>data in\u017eenjeri pripremaju i obra\u0111uju podatke;\n<\/li>\n<li>data nau\u010dnici primenjuju alate ma\u0161inskog u\u010denja i razvijaju model;\n<\/li>\n<li>IT implementira model u sistem;\n<\/li>\n<li>ML in\u017eenjer definira kako pravilno integrirati ovaj model u proces, koji IT alati koristiti u zavisnosti od zahtjeva za re\u017eim primjene modela, uzimaju\u0107i u obzir broj zahtjeva, vrijeme odgovora itd.\u00a0\n<\/li>\n<li>ML arhitekta projektuje kako fizi\u010dki realizovati softverski proizvod u industrijskom sistemu.\n<\/li>\n<\/ul>\n<p>\nCijeli ciklus zahtijeva veliki broj visoko kvalifikovanih stru\u010dnjaka. U odre\u0111enoj ta\u010dki razvoja i stepen penetracije ML modela u poslovne procese, postaje jasno da linearno pove\u0107avanje broja stru\u010dnjaka proporcionalno rastu broja zadataka postaje skupo i neefikasno. Stoga se postavlja pitanje automatizacije procesa MLOps \u2014 definiranje nekoliko standardnih klasa zadataka ma\u0161inskog u\u010denja, razvoj tipi\u010dnih pipeline-ova za obradu podataka i dodatno obu\u010davanje modela. U idealnoj situaciji za rje\u0161avanje takvih zadataka potrebni su stru\u010dnjaci koji podjednako dobro posjeduju kompetencije na sjeci\u0161tu Big Data, Data Science-a, DevOps-a i IT-a. Stoga je najve\u0107i problem u sektoru Data Science i najve\u0107i izazov pri organizaciji procesa MLOps \u2014 nedostatak takvih kompetencija na postoje\u0107em tr\u017ei\u0161tu rada. Stru\u010dnjaci koji ispunjavaju takve zahtjeve trenutno su rijetkost na tr\u017ei\u0161tu rada i cijene se kao zlato.<\/p>\n<h2>O pitanjima kompetencija<\/h2>\n<p>\nU teoriji, sve MLOps zadatke mogu\u0107e je rje\u0161avati klasi\u010dnim DevOps alatima, bez potrebe za specijalizovanim pro\u0161irenjem uloge. Kao \u0161to smo ve\u0107 spomenuli, data scientist ne smije biti samo matemati\u010dar i stru\u010dnjak za analitiku podataka, ve\u0107 i guru \u010ditavog pipeline-a \u2014 na njemu le\u017ei odgovornost za razvoj arhitekture, programiranje modela na vi\u0161e jezika u zavisnosti od arhitekture, pripremu izlog podataka i implementaciju same aplikacije. Me\u0111utim, kreiranje tehnolo\u0161ke infrastrukture koja se realizuje u i kroz proces MLOps, zauzima do 80% radnog vremena, \u0161to zna\u010di da kvalifikovani matemati\u010dar, koji je kvalitetan Data Scientist, provodi samo 20% svog vremena posve\u0107enog svojoj specijalnosti. Stoga postaje neophodno razdvojiti uloge stru\u010dnjaka koji sprovode proces implementacije modela ma\u0161inskog u\u010denja.\u00a0<\/p>\n<p>Koliko detaljno treba da budu razdvojene uloge zavisi od razmera preduze\u0107a. Jedna je stvar kada u startup-u postoji jedan stru\u010dnjak, radnik sa rezervom energije, koji je ujedno i in\u017eenjer, arhitekta i DevOps. Sasvim je druga stvar kada su u velikom preduze\u0107u svi procesi razvoja modela koncentrisani na nekoliko visoko kvalifikovanih stru\u010dnjaka za Data Science, dok programer ili stru\u010dnjak za baze podataka - mnogo je prisutnija i jeftinija kompetencija na tr\u017ei\u0161tu rada - mo\u017ee preuzeti ve\u0107i deo rutinskih zadataka.<\/p>\n<p>Dakle, gde prelazi granica u izboru stru\u010dnjaka za obezbe\u0111ivanje procesa MLOps i kako je organizovan proces operacionalizacije razvijenih modela, direktno uti\u010de na brzinu i kvalitet razvijenih modela, produktivnost tima i mikroklimat u njemu.<\/p>\n<h2>\u0160ta je ve\u0107 sada ura\u0111eno od na\u0161e strane<\/h2>\n<p>\nNedavno smo po\u010deli da gradimo strukturu kompetencija i procese MLOps. Ali ve\u0107 se u fazi testiranja MVP nalaze na\u0161i projekti za upravljanje \u017eivotnim ciklusom modela i primenu modela kao usluge.<\/p>\n<p>Tako\u0111e smo odredili optimalnu strukturu kompetencija i organizacionu strukturu interakcije izme\u0111u svih u\u010desnika procesa za veliko preduze\u0107e. Organizovane su Agile ekipe koje re\u0161avaju zadatke za ceo spektar poslovnih klijenata, kao i uspostavljen je proces interakcije sa projektnim timovima za izgradnju platformi i infrastrukture koja \u010dini temelj izgra\u0111enog MLOps sistema.<\/p>\n<h2>Pitanja za budu\u0107nost<\/h2>\n<p>\nMLOps je razvijaju\u0107i se pravac koji pati od nedostatka kompetencija i u budu\u0107nosti \u0107e dobiti na zamahu. A za sada je najbolje osloniti se na rad i prakse DevOps. Osnovni cilj MLOps je efikasnije kori\u0161\u0107enje ML modela za re\u0161avanje poslovnih zadataka. Me\u0111utim, javljaju se mnogobrojna pitanja:<\/p>\n<ul>\n<li>Kako skratiti vreme potrebno za pokretanje modela u proizvodnju?\n<\/li>\n<li>Kako smanjiti birokratske otpore izme\u0111u timova razli\u010ditih kompetencija i pove\u0107ati fokus na saradnju?\n<\/li>\n<li>Kako pratiti modele, upravljati verzijama i organizovati efikasan monitoring?\n<\/li>\n<li>Kako stvoriti zaista cikli\u010dni \u017eivotni ciklus za savremeni ML model?\n<\/li>\n<li>Kako standardizovati proces ma\u0161inskog u\u010denja?\n<\/li>\n<\/ul>\n<p>\nOd odgovora na ova pitanja u velikoj meri zavisi koliko brzo \u0107e MLOps ostvariti svoj pun potencijal.<br \/>\n<br \/>Izvor: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/vtb\/blog\/508012\/\">habr.com<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435. \u0412 \u043f\u0435\u0440\u0441\u043f\u0435\u043a\u0442\u0438\u0432\u0435 MLOps \u043c\u043e\u0436\u0435\u0442 \u0441\u0442\u0430\u0442\u044c \u043e\u0434\u043d\u043e\u0439 \u0438\u0437 \u043d\u0430\u0438\u0431\u043e\u043b\u0435\u0435 \u0432\u043e\u0441\u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u043d\u044b\u0445 \u0441\u0444\u0435\u0440 \u0432 IT. \u0427\u0442\u043e \u0436\u0435 \u044d\u0442\u043e \u0442\u0430\u043a\u043e\u0435 \u0438 \u0441 \u0447\u0435\u043c \u0435\u0433\u043e \u0435\u0434\u044f\u0442, \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0435\u043c\u0441\u044f \u043f\u043e\u0434 \u043a\u0430\u0442\u043e\u043c. \u0427\u0442\u043e \u0442\u0430\u043a\u043e\u0435 MLOps MLOps (\u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":86524,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-86523","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.5.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/bs\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.5.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"bs_BA\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47MLOps: DevOps \u0432 \u043c\u0438\u0440\u0435 Machine Learning | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/bs\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-06-26T05:42:14+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-06-26T05:42:14+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47MLOps: DevOps u svetu Ma\u0161inskog U\u010denja | ProHoster","description":"Godine 2018. u profesionalnim krugovima i na tematskim konferencijama posve\u0107enim AI-u, pojavila se terminologija MLOps, koja se brzo ustalila u industriji i sada se razvija kao samostalna disciplina.","canonical_url":"https:\/\/prohoster.info\/bs\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"bs_BA","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47MLOps: DevOps \u0432 \u043c\u0438\u0440\u0435 Machine Learning | ProHoster","og:description":"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.","og:url":"https:\/\/prohoster.info\/bs\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-06-26T05:42:14+00:00","article:modified_time":"2020-06-26T05:42:14+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"86523","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":null,"breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 14:13:23","updated":"2022-09-28 09:22:54","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/bs\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}