{"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\/da\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps i verden af Maskinl\u00e6ring","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>I 2018 blev begrebet MLOps hurtigt introduceret i professionelle kredse og p\u00e5 relevante konferencer om AI, hvor det hurtigt fik fodf\u00e6ste i branchen og nu udvikler sig som et selvst\u00e6ndigt omr\u00e5de. I fremtiden kan MLOps blive et af de mest eftertragtede omr\u00e5der inden for IT. Hvad er det egentlig, og hvordan anvendes det, lad os se n\u00e6rmere p\u00e5 det.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps i verden af Maskinl\u00e6ring\" 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>Hvad er MLOps<\/h2>\n<p>\nMLOps (sammensmeltning af teknologier og processer inden for maskinl\u00e6ring og metoder til implementering af udviklede modeller i forretningsprocesser) er en ny m\u00e5de at samarbejde p\u00e5 mellem repr\u00e6sentanter fra erhvervslivet, forskere, matematikere, maskinl\u00e6ringseksperter og IT-ingeni\u00f8rer ved oprettelsen af kunstig intelligens systemer.<\/p>\n<p>Med andre ord er det en m\u00e5de at omdanne metoder og teknologier fra maskinl\u00e6ring til et nyttigt v\u00e6rkt\u00f8j til at l\u00f8se forretningsudfordringer.\u00a0<\/p>\n<p>Det er vigtigt at forst\u00e5, at produktionsk\u00e6den begynder l\u00e6nge f\u00f8r udviklingen af modellen. Det f\u00f8rste skridt er at definere forretningsopgaven, hypoteser om den v\u00e6rdi, der kan udvindes fra data, og forretningsideen om dens anvendelse.\u00a0<\/p>\n<p>Selve begrebet MLOps opstod som en analogi til begrebet DevOps anvendt p\u00e5 modeller og teknologier inden for maskinl\u00e6ring. DevOps er en tilgang til softwareudvikling, der muligg\u00f8r hurtigere implementering af individuelle \u00e6ndringer, samtidig med at fleksibilitet og p\u00e5lidelighed opretholdes gennem en r\u00e6kke metoder, som omfatter kontinuerlig udvikling, opdeling af funktioner i en r\u00e6kke uafh\u00e6ngige mikrotjenester, automatiseret testning og deployment af individuelle \u00e6ndringer, global overv\u00e5gning af systemets ydeevne, samt system til hurtig respons p\u00e5 identificerede fejl og mere.\u00a0<\/p>\n<p>DevOps definerede softwarelivscyklussen, og der opstod en id\u00e9 i ekspertmilj\u00f8et om at anvende den samme metode p\u00e5 big data. DataOps er et fors\u00f8g p\u00e5 at tilpasse og udvide metoden under hensyntagen til de s\u00e6rlige forhold ved opbevaring, transmission og behandling af store datam\u00e6ngder p\u00e5 forskellige og interagerende platforme.<br \/>\n\u00a0\u00a0<br \/>\nMed fremkomsten af en kritisk masse af maskinl\u00e6ringsmodeller, der er implementeret i virksomheders forretningsprocesser, er der observeret en st\u00e6rk lighed mellem livscyklussen for matematiske modeller inden for maskinl\u00e6ring og livscyklussen for software. Forskellen ligger blot i, at algoritmerne for modellerne skabes ved hj\u00e6lp af v\u00e6rkt\u00f8jer og metoder til maskinl\u00e6ring. Derfor opstod id\u00e9en naturligt at anvende og tilpasse de allerede kendte tilgange til softwareudvikling for maskinl\u00e6ringsmodeller. S\u00e5ledes kan f\u00f8lgende n\u00f8glefaser identificeres i livscyklussen for maskinl\u00e6ringsmodeller:<\/p>\n<ul>\n<li>identifikation af forretningsideen;\n<\/li>\n<li>tr\u00e6ning af modellen;\n<\/li>\n<li>test og implementering af modellen i forretningsprocessen;\n<\/li>\n<li>drift af modellen.\n<\/li>\n<\/ul>\n<p>\nN\u00e5r der i driftsfasen opst\u00e5r behov for at \u00e6ndre eller genuddanne modellen med nye data, startes cyklussen forfra \u2014 modellen revideres, testes, og en ny version deployeres.<\/p>\n<blockquote><p>Det er et forbehold. Hvorfor genuddanne og ikke overuddanne? Begrebet \"overuddannelse af en model\" har en dobbelt betydning: blandt specialister betyder det en fejl i modellen, hvor modellen forudsiger godt og faktisk gentager den forudsagte parameter p\u00e5 tr\u00e6ningsdatas\u00e6ttet, men fungerer meget d\u00e5rligere p\u00e5 et eksternt datas\u00e6t. Naturligvis er en s\u00e5dan model en defekt, da denne fejl forhindrer dens anvendelse.<\/p><\/blockquote>\n<p>\nI denne livscyklus ser det logisk ud at bruge DevOps-v\u00e6rkt\u00f8jer: automatiseret test, deployment og overv\u00e5gning, samt at g\u00f8re modelberegninger til separate mikrotjenester. Men der er ogs\u00e5 en r\u00e6kke s\u00e6rlige forhold, der forhindrer direkte anvendelse af disse v\u00e6rkt\u00f8jer uden en ekstra ML-wrapper.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps i verden af Maskinl\u00e6ring\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Hvordan f\u00e5r man modeller til at fungere og generere overskud<\/h2>\n<p>\nSom et eksempel, hvor vi vil demonstrere anvendelsen af MLOps-tilgangen, vil vi tage den klassiske opgave med at automatisere chat-support for bankprodukter (eller andre produkter). Normalt ser forretningsprocessen for chat-support s\u00e5ledes ud: en kunde ind-taster en besked med et sp\u00f8rgsm\u00e5l i chatten og modtager et svar fra specialisten inden for rammerne af et foruddefineret dialogtr\u00e6. Automatisering af en s\u00e5dan chat l\u00f8ses typisk ved hj\u00e6lp af ekspertbestemte regels\u00e6t, som kan v\u00e6re meget tidskr\u00e6vende at udvikle og vedligeholde. Effektiviteten af s\u00e5dan automatisering kan, afh\u00e6ngigt af opgavens kompleksitet, v\u00e6re 20-30%. Det er naturligt at t\u00e6nke, at det vil v\u00e6re mere fordelagtigt at implementere en kunstig intelligens-modul \u2014 en model, der er udviklet ved hj\u00e6lp af maskinl\u00e6ring, som:<\/p>\n<ul>\n<li>kan h\u00e5ndtere et st\u00f8rre antal foresp\u00f8rgsler uden operat\u00f8rens deltagelse (afh\u00e6ngig af emnet kan effektiviteten i nogle tilf\u00e6lde n\u00e5 op p\u00e5 70-80%);\n<\/li>\n<li>bedre kan tilpasse sig us\u00e6dvanlige formuleringer i dialogen - kan identificere hensigten, det reelle \u00f8nske fra brugeren baseret p\u00e5 en uklart formuleret foresp\u00f8rgsel;\n<\/li>\n<li>kan vurdere, hvorn\u00e5r modellens svar er passende, og hvorn\u00e5r der er tvivl om 'bevidstheden' af dette svar, hvilket kr\u00e6ver at stille et yderligere pr\u00e6ciserende sp\u00f8rgsm\u00e5l eller skifte til en operat\u00f8r;\n<\/li>\n<li>kan automatiseres til at blive videreuddannet (i stedet for en gruppe udviklere, der konstant tilpasser og justerer svarscenarierne, bliver modellen videreuddannet af en Data Science-specialist, der anvender de relevante maskinl\u00e6ringsbiblioteker).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps i verden af Maskinl\u00e6ring\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nHvordan f\u00e5r man en s\u00e5dan avanceret model til at fungere?\u00a0<\/p>\n<p>Som med enhver anden opgave skal man, inden man udvikler et s\u00e5dant modul, f\u00f8rst definere forretningsprocessen og formelt beskrive den specifikke opgave, som vi vil l\u00f8se ved hj\u00e6lp af maskinl\u00e6ringsmetoden. Her begynder processen med operationalisering, som er markeret med forkortelsen Ops.\u00a0<\/p>\n<p>Det n\u00e6ste skridt er, at en Data science-specialist i samarbejde med en dataingeni\u00f8r vurderer tilg\u00e6ngeligheden og tilstr\u00e6kkeligheden af data samt forretningshypotesen om, hvorvidt forretningsideen fungerer. De udvikler en prototype af modellen og tester dens faktiske effektivitet. F\u00f8rst efter bekr\u00e6ftelse fra virksomheden kan overgangen fra modelludvikling til integration i systemer, der udf\u00f8rer specifikke forretningsprocesser, begynde. En omfattende plan for implementering, en dyb forst\u00e5else af, hvordan modellen vil blive brugt p\u00e5 hvert trin, og hvilken \u00f8konomisk effekt den vil have, er grundl\u00e6ggende i implementeringen af MLOps i virksomhedens teknologiske landskab.<\/p>\n<p>Med udviklingen af AI-teknologier vokser antallet og mangfoldigheden af opgaver, der kan l\u00f8ses ved hj\u00e6lp af maskinl\u00e6ring, eksponentielt. Hver s\u00e5dan forretningsproces repr\u00e6senterer et \u00f8konomisk besparelse for virksomheden gennem automatisering af arbejdsopgaver p\u00e5 massepositioner (callcenter, kontrol og sortering af dokumenter osv.), det er udvidelsen af kundebasen ved at tilf\u00f8je nye attraktive og praktiske funktioner, besparelser ved optimal ressourceanvendelse og omfordeling af ressourcer, og meget mere. I sidste ende er hver proces rettet mod at skabe v\u00e6rdi og b\u00f8r, som f\u00f8lge heraf, generere en bestemt \u00f8konomisk effekt. Her er det meget vigtigt klart at formulere forretningsideen og beregne den forventede fortjeneste ved implementeringen af modellen i den samlede v\u00e6rdiskabelsesstruktur i virksomheden. Der opst\u00e5r situationer, hvor implementeringen af modellen ikke retf\u00e6rdigg\u00f8r sig selv, og den tid, som maskinl\u00e6ringsspecialisterne bruger, kan v\u00e6re meget dyrere end en operat\u00f8rs arbejdsplads, der udf\u00f8rer denne opgave. Derfor er det n\u00f8dvendigt at fors\u00f8ge at identificere s\u00e5danne tilf\u00e6lde tidligt i systemudviklingen af AI.<\/p>\n<p>Derfor begynder modelens profit kun at komme, n\u00e5r forretningsopgaven i processen med MLOps er korrekt formuleret, prioriteterne er fastlagt, og implementeringsprocessen for modellen i systemet er formuleret tidligt i udviklingsforl\u00f8bet.<\/p>\n<h2>Ny proces \u2013 nye udfordringer<\/h2>\n<p>\nEt omfattende svar p\u00e5 det principielle sp\u00f8rgsm\u00e5l om, hvorvidt ML-modeller er anvendelige til at l\u00f8se opgaver, samt det overordnede sp\u00f8rgsm\u00e5l om tillid til AI \u2014 er en af de centrale udfordringer i udviklingen og implementeringen af MLOps-tilgange. Virksomheder er oprindeligt skeptiske over for implementeringen af maskinl\u00e6ring i processer \u2014 det er vanskeligt at stole p\u00e5 modeller i de situationer, hvor mennesker tidligere har arbejdet. For virksomheder fremst\u00e5r programmer som en \"black box\", hvis relevans for svarene endnu skal bevises. Desuden er der strenge krav fra statslige reguleringer inden for banksektoren, telekommunikation og andre omr\u00e5der. Alle systemer og algoritmer, der er implementeret i bankprocesser, er underlagt revision. For at l\u00f8se denne udfordring og overbevise b\u00e5de virksomheder og regulerende instanser om berettigelsen og korrektheden af svarene fra kunstig intelligens, implementeres overv\u00e5gningsv\u00e6rkt\u00f8jer sammen med modellen. Derudover er der en procedure for uafh\u00e6ngig validering, som er obligatorisk for reguleringsmodeller og opfylder kravene fra centralbanken. En uafh\u00e6ngig ekspertgruppe gennemf\u00f8rer en revision af de resultater, som modellen har opn\u00e5et baseret p\u00e5 inputdata.<\/p>\n<p>Den anden udfordring er vurdering og h\u00e5ndtering af modelrisici ved implementeringen af maskinl\u00e6ringsmodellen. Hvis selv en person ikke kan svare med hundrede procent sikkerhed p\u00e5, om det var en hvid eller bl\u00e5 kjole, s\u00e5 har kunstig intelligens ogs\u00e5 ret til at tage fejl. Det skal ogs\u00e5 tages i betragtning, at data kan \u00e6ndre sig over tid, og modellerne skal opdateres for at returnere tilstr\u00e6kkeligt pr\u00e6cise resultater. For at undg\u00e5 at forretningsprocessen lider, er det n\u00f8dvendigt at styre modelrisici og overv\u00e5ge modellens drift, regelm\u00e6ssigt opdatere den med nye data.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps i verden af Maskinl\u00e6ring\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nMen efter den f\u00f8rste fase med mistillid opst\u00e5r en tilbagevirkende effekt. Jo flere modeller der med succes implementeres i processerne, jo st\u00f8rre bliver virksomhedens appetit p\u00e5 at anvende kunstig intelligens \u2014 der opst\u00e5r konstant nye opgaver, som kan l\u00f8ses med maskinl\u00e6ringsmetoder. Hver opgave starter en hel proces, der kr\u00e6ver forskellige kompetencer:<\/p>\n<ul>\n<li>dataingeni\u00f8rer forbereder og behandler data;\n<\/li>\n<li>datascientister anvender v\u00e6rkt\u00f8jer til maskinl\u00e6ring og udvikler modeller;\n<\/li>\n<li>IT implementerer modellen i systemet;\n<\/li>\n<li>ML-ingeni\u00f8ren bestemmer, hvordan denne model korrekt skal integreres i processen, hvilket IT-v\u00e6rkt\u00f8j der skal bruges afh\u00e6ngigt af kravene til anvendelsesmetoden for modellen med hensyn til bel\u00f8bsstr\u00f8m, svartid osv.\u00a0\n<\/li>\n<li>ML-arkitekten designer, hvordan det fysisk kan implementeres som en softwarel\u00f8sning i et industrisystem.\n<\/li>\n<\/ul>\n<p>\nHele cyklus kr\u00e6ver mange h\u00f8jt kvalificerede specialister. P\u00e5 et bestemt udviklingstrin og niveauet for udbredelse af ML-modeller i forretningsprocesser viser det sig, at det bliver dyrt og ineffektivt at skalere antallet af specialister line\u00e6rt i forhold til stigende antal opgaver. Derfor opst\u00e5r sp\u00f8rgsm\u00e5let om automatiseringen af MLOps-processen \u2014 at definere flere standardklasser af opgaver inden for maskinl\u00e6ring, udvikle typiske databehandlingspipelines og genskoling af modeller. I det ideelle scenarie kr\u00e6ves der fagfolk, der er lige dygtige i krydsfeltet mellem Big Data, Data Science, DevOps og IT for at l\u00f8se s\u00e5danne opgaver. Derfor er den st\u00f8rste udfordring i Data Science-industrien og den st\u00f8rste udfordring ved organiseringen af MLOps-processerne manglen p\u00e5 s\u00e5danne kompetencer p\u00e5 det nuv\u00e6rende arbejdsmarked. Specialister, der opfylder s\u00e5danne krav, er i \u00f8jeblikket sj\u00e6ldne p\u00e5 arbejdsmarkedet og v\u00e6rds\u00e6ttes h\u00f8jt.<\/p>\n<h2>Om kompetencer<\/h2>\n<p>\nTeoretisk set kan alle MLOps-opgaver l\u00f8ses med klassiske DevOps-v\u00e6rkt\u00f8jer uden at ty til en specialiseret rollemodel. Som n\u00e6vnt tidligere b\u00f8r data scientist ikke kun v\u00e6re matematiker og specialist i dataanalyse, men ogs\u00e5 guru for hele pipelinen \u2014 det er ham, der st\u00e5r for udviklingen af arkitekturen, programmering af modeller p\u00e5 flere sprog afh\u00e6ngigt af arkitekturen, forberedelse af datavaner og deployment af selve applikationen. Dog tager oprettelsen af den teknologiske infrastruktur, der realiseres i den end-to-end MLOps-proces, op til 80% af arbejdsindsatsen, hvilket betyder, at en kvalificeret matematiker, som en kvalitets Data Scientist, kun vil dedikere 20% af sin tid til sit speciale. Derfor bliver det livsvigtigt at skelne mellem rollerne for specialister, der udf\u00f8rer processen med implementering af maskinl\u00e6ringsmodeller.\u00a0<\/p>\n<p>Hvor detaljeret roller skal opdeles, afh\u00e6nger af virksomhedens st\u00f8rrelse. Det er \u00e9n ting, n\u00e5r en specialist i en startup fungerer som b\u00e5de ingeni\u00f8r, arkitekt og DevOps, fordi der kun er \u00e9n person. Det er helt anderledes i en stor virksomhed, hvor alle udviklingsprocesser er koncentreret om et f\u00e5tal af h\u00f8jtuddannede Data Science-specialister, mens programm\u00f8rer eller specialister i databaser, der er mere almindelige og billigere p\u00e5 arbejdsmarkedet, kan tage sig af st\u00f8rstedelen af de rutinem\u00e6ssige opgaver.<\/p>\n<p>Derfor afh\u00e6nger gr\u00e6nsen mellem valg af specialister til at sikre MLOps-processen og hvordan operacionalisering af de udviklede modeller er organiseret, direkte heraf hastigheden og kvaliteten af de udviklede modeller, teamets produktivitet og mikroklimaet i det.<\/p>\n<h2>Hvad der allerede er gjort af vores team<\/h2>\n<p>\nVi begyndte for nylig at opbygge struktur for kompetencer og MLOps-processer. Men allerede nu er vores projekter inden for livscyklusstyring af modeller og anvendelse af modeller som en service i MVP-testfase.<\/p>\n<p>Vi har ogs\u00e5 defineret en optimal struktur for kompetencer og organisationsstruktur for interaktion mellem alle deltagere i processen for en stor virksomhed. Agile-teams er blevet organiseret for at l\u00f8se opgaver for hele spektret af forretningskunder, og der er etableret interaktionsprocesser med projektteams til oprettelse af platforme og infrastruktur, som danner fundamentet for det byggeri af MLOps.<\/p>\n<h2>Sp\u00f8rgsm\u00e5l til fremtiden<\/h2>\n<p>\nMLOps er et voksende omr\u00e5de, der lider af mangel p\u00e5 kompetencer og vil tage fart i fremtiden. Men indtil videre er det bedst at tage udgangspunkt i DevOps-praksisser. Hovedm\u00e5let med MLOps er at udnytte ML-modeller mere effektivt til at l\u00f8se forretningsopgaver. Men der opst\u00e5r mange sp\u00f8rgsm\u00e5l i den forbindelse:<\/p>\n<ul>\n<li>Hvordan kan tiden til at s\u00e6tte modeller i produktion forkortes?\n<\/li>\n<li>Hvordan kan bureaukratiske friktioner mellem teams med forskellige kompetencer reduceres og samarbejdsvilligheden \u00f8ges?\n<\/li>\n<li>Hvordan kan modeller overv\u00e5ges, versioner administreres og effektiv overv\u00e5gning organiseres?\n<\/li>\n<li>Hvordan skaber man en virkelig cirkul\u00e6r livscyklus for moderne ML-modeller?\n<\/li>\n<li>Hvordan kan processen med maskinl\u00e6ring standardiseres?\n<\/li>\n<\/ul>\n<p>\nHvor hurtigt MLOps helt kan realisere sit potentiale, afh\u00e6nger i h\u00f8j grad af svarene p\u00e5 disse sp\u00f8rgsm\u00e5l.<br \/>\n<br \/>Kilde: <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 5.0.3 - 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\/da\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.3\" \/>\n\t\t<meta property=\"og:locale\" content=\"da_DK\" \/>\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\/da\/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 i verden af Machine Learning | ProHoster","description":"I 2018 opstod begrebet MLOps i professionelle kredse og p\u00e5 temakonferencer dedikeret til AI, og det har hurtigt sl\u00e5et rod i branchen og udvikler sig nu som en selvst\u00e6ndig retning.","canonical_url":"https:\/\/prohoster.info\/da\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"da_DK","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\/da\/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\/da\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/da\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}