{"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\/de\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps in der Welt des Machine Learning","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Im Jahr 2018 trat das Konzept MLOps in Fachkreisen und auf Konferenzen zum Thema KI auf, das sich schnell in der Branche etablierte und mittlerweile als eigenst\u00e4ndiges Feld weiterentwickelt. MLOps k\u00f6nnte in Zukunft eines der gefragtesten Bereiche in der IT werden. Was genau ist das und wie funktioniert es? Hier erfahren Sie mehr.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps in der Welt des Machine Learning\" 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>Was ist MLOps<\/h2>\n<p>\nMLOps (die Kombination von Technologien und Prozessen des maschinellen Lernens sowie Ans\u00e4tzen zur Implementierung entwickelter Modelle in Gesch\u00e4ftsprozesse) ist eine neue Art der Zusammenarbeit zwischen Gesch\u00e4ftsvertretern, Wissenschaftlern, Mathematikern, Experten im Bereich maschinelles Lernen und IT-Ingenieuren bei der Schaffung von KI-Systemen.<\/p>\n<p>Mit anderen Worten, es ist ein Weg, Methoden und Technologien des maschinellen Lernens in ein n\u00fctzliches Werkzeug f\u00fcr die L\u00f6sung von Gesch\u00e4ftsproblemen umzuwandeln.\u00a0<\/p>\n<p>Es ist wichtig zu verstehen, dass die Produktivit\u00e4tskette lange vor der Modellentwicklung beginnt. Der erste Schritt besteht darin, die Gesch\u00e4ftsziele zu definieren, Hypothesen \u00fcber den Wert zu formulieren, den man aus den Daten ziehen kann, sowie Gesch\u00e4ftsideen zu entwickeln, wie dieser Wert angewendet werden kann.\u00a0<\/p>\n<p>Der Begriff MLOps entstand als Analogie zum Konzept von DevOps, angewendet auf Modelle und Technologien des maschinellen Lernens. DevOps ist ein Ansatz f\u00fcr die Softwareentwicklung, der es erm\u00f6glicht, die Geschwindigkeit der Implementierung einzelner \u00c4nderungen zu erh\u00f6hen, w\u00e4hrend Flexibilit\u00e4t und Zuverl\u00e4ssigkeit durch verschiedene Methoden erhalten bleiben. Dazu geh\u00f6ren kontinuierliche Entwicklung, Aufteilung von Funktionen in unabh\u00e4ngige Mikrodienste, automatisierte Tests und Deployment einzelner \u00c4nderungen, globales Monitoring der Betriebsbereitschaft sowie ein System zur schnellen Reaktion auf identifizierte Ausf\u00e4lle.\u00a0<\/p>\n<p>DevOps hat den Lebenszyklus der Softwareentwicklung definiert, und in der Community von Fachleuten entstand die Idee, dieselbe Methode auf Big Data anzuwenden. DataOps ist der Versuch, diese Methodik anzupassen und zu erweitern, um den Besonderheiten der Speicherung, \u00dcbertragung und Verarbeitung gro\u00dfer Datenmengen in verschiedenen, miteinander interagierenden Plattformen Rechnung zu tragen.<br \/>\n\u00a0\u00a0<br \/>\nMit der wachsenden kritischen Masse an Machine-Learning-Modellen, die in die Gesch\u00e4ftsprozesse von Unternehmen integriert wurden, zeigt sich eine starke \u00c4hnlichkeit zwischen dem Lebenszyklus von mathematischen Modellen des maschinellen Lernens und dem Lebenszyklus von Software. Der einzige Unterschied besteht darin, dass die Algorithmen der Modelle mithilfe von Werkzeugen und Methoden des maschinellen Lernens erstellt werden. Daher entstand nat\u00fcrlich die Idee, bereits bekannte Ans\u00e4tze der Softwareentwicklung auf Machine-Learning-Modelle anzuwenden und anzupassen. Im Lebenszyklus von Modellen des maschinellen Lernens k\u00f6nnen folgende Schl\u00fcsselphasen unterschieden werden:<\/p>\n<ul>\n<li>Definition der Gesch\u00e4ftsidee;\n<\/li>\n<li>Modelltraining;\n<\/li>\n<li>Testen und Implementieren des Modells in den Gesch\u00e4ftsprozess;\n<\/li>\n<li>Betrieb des Modells.\n<\/li>\n<\/ul>\n<p>\nWenn w\u00e4hrend des Betriebs die Notwendigkeit besteht, das Modell mit neuen Daten zu \u00e4ndern oder nachzutrainieren, beginnt der Zyklus von neuem \u2013 das Modell wird \u00fcberarbeitet, getestet und eine neue Version wird bereitgestellt.<\/p>\n<blockquote><p>Abschweifung. Warum neu trainieren, statt umtrainieren? Der Begriff \"Modell-Neutrainierung\" hat zwei Bedeutungen: Unter Fachleuten beschreibt er einen Mangel des Modells, bei dem das Modell gut vorhersagen kann, tats\u00e4chlich den prognostizierten Parameter in der Trainingsdatenmenge wiederholt, jedoch viel schlechter bei externen Datens\u00e4tzen funktioniert. Nat\u00fcrlich ist ein solches Modell fehlerhaft, da dieser Mangel seine Anwendung einschr\u00e4nkt.<\/p><\/blockquote>\n<p>\nIm Lebenszyklus erscheint der Einsatz von DevOps-Tools sinnvoll: automatisiertes Testen, Deployment und Monitoring sowie die Gestaltung der Modellerstellung in Form von separaten Mikrodiensten. Es gibt jedoch auch eine Reihe von Besonderheiten, die die direkte Anwendung dieser Tools ohne zus\u00e4tzliche ML-Integrationen behindern.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps in der Welt des Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Wie man Modelle zum Laufen bringt und Gewinn generiert<\/h2>\n<p>\nAls Beispiel, an dem wir den MLOps-Ansatz demonstrieren, nehmen wir die klassische Aufgabe der Automatisierung eines Support-Chats f\u00fcr Bank- (oder jedes andere) Produkt. Normalerweise sieht der Gesch\u00e4ftsprozess im Support-Chat folgenderma\u00dfen aus: Der Kunde gibt eine Nachricht mit einer Frage ein und erh\u00e4lt eine Antwort von einem Spezialisten auf Basis eines zuvor definierten Dialogbaums. Die Aufgabe der Automatisierung eines solchen Chats wird in der Regel durch fachlich festgelegte Regelsets gel\u00f6st, die sehr aufwendig in der Entwicklung und Wartung sind. Die Effizienz einer solchen Automatisierung kann, abh\u00e4ngig von der Komplexit\u00e4t der Aufgabe, 20\u201330 % betragen. Nat\u00fcrlich kommt die Idee auf, dass die Implementierung eines Moduls f\u00fcr k\u00fcnstliche Intelligenz \u2014 ein Modell, das mithilfe von maschinellem Lernen entwickelt wurde \u2014 vorteilhafter ist, das:<\/p>\n<ul>\n<li>in der Lage ist, ohne die Beteiligung eines Operators eine gr\u00f6\u00dfere Anzahl von Anfragen zu bearbeiten (je nach Thema kann die Effizienz in einigen F\u00e4llen 70\u201380 % erreichen);\n<\/li>\n<li>Sie passt besser an nicht standardisierte Formulierungen im Dialog an \u2013 sie kann die Absicht erkennen und das tats\u00e4chliche Bed\u00fcrfnis des Nutzers bei unscharfen Anfragen bestimmen;\n<\/li>\n<li>sie kann erkennen, wann die Antwort des Modells angemessen ist und wann es Zweifel an dieser \"Bewusstheit\" der Antwort gibt, sodass zus\u00e4tzliche Klarstellungsfragen gestellt oder auf einen Operator umgeschaltet werden m\u00fcssen;\n<\/li>\n<li>kann automatisiert weitergebildet werden (anstatt dass eine Gruppe von Entwicklern st\u00e4ndig Szenarien f\u00fcr Antworten anpasst und korrigiert, wird das Modell von einem Data-Science-Spezialisten unter Verwendung entsprechender Machine-Learning-Bibliotheken weitergebildet).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps in der Welt des Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nWie bringt man ein so fortschrittliches Modell zum Laufen?\u00a0<\/p>\n<p>Wie bei jeder anderen Aufgabe auch, muss man vor der Entwicklung eines solchen Moduls den Gesch\u00e4ftsprozess bestimmen und die genaue Aufgabe formell beschreiben, die wir mit der Methode des maschinellen Lernens l\u00f6sen wollen. An diesem Punkt beginnt der Operationalisierungsprozess, der in der Abk\u00fcrzung Ops dargestellt wird.\u00a0<\/p>\n<p>Im n\u00e4chsten Schritt \u00fcberpr\u00fcft ein Data Science-Spezialist in Zusammenarbeit mit einem Datentechniker die Verf\u00fcgbarkeit und Angemessenheit der Daten sowie die Gesch\u00e4ftshypothese zur Funktionalit\u00e4t der Gesch\u00e4ftsidee. Hierbei wird ein Prototyp des Modells entwickelt und dessen tats\u00e4chliche Wirksamkeit getestet. Erst nach Best\u00e4tigung durch das Unternehmen kann der \u00dcbergang von der Modellentwicklung zur Integration in die Systeme, die spezifische Gesch\u00e4ftsprozesse ausf\u00fchren, begonnen werden. Eine durchg\u00e4ngige Planung der Implementierung und ein tiefes Verst\u00e4ndnis dar\u00fcber, wie das Modell in jedem Schritt genutzt werden wird und welcher wirtschaftliche Nutzen daraus gezogen werden kann, sind entscheidende Faktoren bei der Einf\u00fchrung von MLOps-Ans\u00e4tzen in die technologische Landschaft des Unternehmens.<\/p>\n<p>Mit der Entwicklung der KI-Technologien w\u00e4chst die Anzahl und Vielfalt von Aufgaben, die durch maschinelles Lernen gel\u00f6st werden k\u00f6nnen, exponentiell. Jeder dieser Gesch\u00e4ftsprozesse f\u00fchrt zu Einsparungen f\u00fcr Unternehmen durch die Automatisierung von Arbeitspl\u00e4tzen in Massenschnittstellen (Callcenter, \u00dcberpr\u00fcfung und Sortierung von Dokumenten usw.), zur Erweiterung der Kundenbasis durch die Einf\u00fchrung neuer attraktiver und benutzerfreundlicher Funktionen, zur Einsparung von Ressourcen durch deren optimale Nutzung und Umverteilung sowie zu vielen weiteren Vorteilen. Letztendlich ist jeder Prozess darauf ausgerichtet, Werte zu schaffen und sollte entsprechend einen bestimmten wirtschaftlichen Nutzen generieren. Dabei ist es \u00e4u\u00dferst wichtig, die Gesch\u00e4ftsidee klar zu formulieren und den voraussichtlichen Gewinn aus der Implementierung des Modells im Rahmen der Wertsch\u00f6pfungsstruktur des Unternehmens zu berechnen. Es gibt Situationen, in denen die Implementierung eines Modells sich nicht rentiert und die Zeit, die von Machine Learning-Experten aufgewendet wird, wesentlich teurer ist als das Gehalt eines Operators, der diese Aufgabe bearbeitet. Daher ist es notwendig, solche F\u00e4lle fr\u00fchzeitig bei der Erstellung von KI-Systemen zu identifizieren.<\/p>\n<p>Profitabel wird das Modell erst, wenn die Gesch\u00e4ftsziele im MLOps-Prozess klar formuliert, Priorit\u00e4ten gesetzt und der Implementierungsprozess der Modelle in das System bereits in den fr\u00fchen Entwicklungsphasen definiert wurde.<\/p>\n<h2>Neuer Prozess \u2013 neue Herausforderungen<\/h2>\n<p>\nEine umfassende Antwort auf die grundlegende Frage, wie gut ML-Modelle zur L\u00f6sung gesch\u00e4ftlicher Herausforderungen geeignet sind, und die weit verbreitete Vertrauensfrage gegen\u00fcber KI sind wesentliche Herausforderungen bei der Entwicklung und Einf\u00fchrung von MLOps-Ans\u00e4tzen. Zun\u00e4chst ist die Gesch\u00e4ftswelt skeptisch gegen\u00fcber der Implementierung von maschinellem Lernen in Prozesse \u2013 es ist schwierig, sich auf Modelle zu verlassen, wenn zuvor in der Regel menschliche Arbeit geleistet wurde. F\u00fcr Unternehmen erscheinen diese Programme als \"Black Box\", deren Relevanz noch nachgewiesen werden muss. Dar\u00fcber hinaus gelten in der Bankenbranche, im Telekommunikationsgesch\u00e4ft und in anderen Bereichen strenge Anforderungen der staatlichen Aufsichtsbeh\u00f6rden. Alle Systeme und Algorithmen, die in Bankprozesse integriert sind, unterliegen einer Pr\u00fcfung. Um diese Herausforderung zu meistern und sowohl dem Gesch\u00e4ft als auch den Beh\u00f6rden die Angemessenheit und Richtigkeit der Antworten der KI nachzuweisen, werden Monitoring-Tools zusammen mit dem Modell implementiert. Zudem gibt es ein Verfahren zur unabh\u00e4ngigen Validierung, das f\u00fcr regulatorische Modelle obligatorisch ist und den Anforderungen der Zentralbank entspricht. Eine unabh\u00e4ngige Expertengruppe f\u00fchrt eine Pr\u00fcfung der Ergebnisse durch, die das Modell unter Ber\u00fccksichtigung der Eingangsdaten erzielt hat.<\/p>\n<p>Der zweite Schritt besteht darin, die Modellrisiken bei der Implementierung von Machine-Learning-Modellen zu bewerten und zu ber\u00fccksichtigen. Wenn selbst ein Mensch nicht mit absoluter Sicherheit sagen kann, ob das Kleid wei\u00df oder blau war, dann hat auch K\u00fcnstliche Intelligenz das Recht auf Fehler. Zudem sollte man beachten, dass sich die Daten im Laufe der Zeit \u00e4ndern k\u00f6nnen und die Modelle kontinuierlich weitertrainiert werden m\u00fcssen, um ausreichend pr\u00e4zise Ergebnisse zu liefern. Um sicherzustellen, dass der Gesch\u00e4ftsprozess nicht leidet, ist es notwendig, die Modellrisiken zu steuern und die Leistung des Modells regelm\u00e4\u00dfig zu \u00fcberwachen, indem man es mit neuen Daten weitertrainiert.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps in der Welt des Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nNach der ersten Phase des Misstrauens zeigt sich jedoch ein gegenteiliger Effekt. Je mehr Modelle erfolgreich in Prozesse integriert werden, desto gr\u00f6\u00dfer wird das Interesse des Unternehmens an der Nutzung von K\u00fcnstlicher Intelligenz \u2013 es ergeben sich immer wieder neue Herausforderungen, die mit Methoden des maschinellen Lernens gel\u00f6st werden k\u00f6nnen. Jede Herausforderung l\u00f6st einen umfangreichen Prozess aus, der verschiedene Kompetenzen erfordert:<\/p>\n<ul>\n<li>Dateningenieure bereiten Daten vor und verarbeiten sie;\n<\/li>\n<li>Datenwissenschaftler wenden Machine-Learning-Tools an und entwickeln das Modell;\n<\/li>\n<li>IT integriert das Modell in das System;\n<\/li>\n<li>Der ML-Ingenieur bestimmt, wie dieses Modell korrekt in den Prozess integriert werden kann, welche IT-Tools je nach Anforderungen an den Einsatzmodus unter Ber\u00fccksichtigung des Anfragevolumens, der Antwortzeiten usw. verwendet werden sollten.\u00a0\n<\/li>\n<li>Der ML-Architekt plant, wie das Softwareprodukt physisch in einem industriellen System umgesetzt werden kann.\n<\/li>\n<\/ul>\n<p>\nDer gesamte Prozess erfordert eine gro\u00dfe Anzahl hochqualifizierter Fachkr\u00e4fte. Zu einem bestimmten Zeitpunkt in der Entwicklung und dem Einsatz von ML-Modellen in Gesch\u00e4ftsprozesse wird offensichtlich, dass es kostspielig und ineffizient ist, die Anzahl der Spezialisten linear im Verh\u00e4ltnis zum Anstieg der Aufgaben zu skalieren. Daher stellt sich die Frage der Automatisierung des MLOps-Prozesses \u2013 die Definition von mehreren Standardklassen von Aufgaben im maschinellen Lernen, die Entwicklung standardisierter Datenverarbeitungs-Pipelines und das Fein-Tuning von Modellen. Um solche Aufgaben ideal zu l\u00f6sen, sind Fachleute erforderlich, die sowohl in den Bereichen Big Data, Data Science, DevOps als auch IT gleich gut kompetent sind. Daher ist das gr\u00f6\u00dfte Problem in der Data Science-Branche und die gr\u00f6\u00dfte Herausforderung bei der Organisation von MLOps-Prozessen der Mangel an dieser Kompetenz auf dem aktuellen Arbeitsmarkt. Fachkr\u00e4fte, die diesen Anforderungen entsprechen, sind derzeit auf dem Arbeitsmarkt rar und werden hoch gesch\u00e4tzt.<\/p>\n<h2>Zu den Kompetenzen<\/h2>\n<p>\nIn der Theorie k\u00f6nnen alle MLOps-Aufgaben mit klassischen DevOps-Tools gel\u00f6st werden, ohne auf eine spezialisierte Rollenmodell-Erweiterung zur\u00fcckgreifen zu m\u00fcssen. Wie bereits erw\u00e4hnt, muss ein Data Scientist jedoch nicht nur Mathematiker und Datenanalyse-Experte sein, sondern auch ein echter Guru des gesamten Pipelines \u2013 er ist verantwortlich f\u00fcr die Entwicklung der Architektur, Programmierung von Modellen in mehreren Sprachen je nach Architektur, Datenaufbereitung und das Deployment der Anwendung selbst. Dennoch nimmt die Erstellung der technologischen Infrastruktur, die im durchg\u00e4ngigen MLOps-Prozess realisiert wird, bis zu 80 % des Arbeitsaufwands in Anspruch. Das bedeutet, dass ein qualifizierter Mathematiker, wie es ein guter Data Scientist ist, nur 20 % seiner Zeit seiner Spezialit\u00e4t widmen wird. Daher wird die klare Trennung der Rollen der Fachleute, die den Prozess der Implementierung von maschinellen Lernmodellen durchf\u00fchren, zu einer lebenswichtigen Notwendigkeit.\u00a0<\/p>\n<p>Wie detailliert die Rollen abgegrenzt werden sollten, h\u00e4ngt von der Gr\u00f6\u00dfe des Unternehmens ab. Es ist etwas anderes, wenn in einem Start-up ein Spezialist als Allesk\u00f6nner agiert \u2013 vom Ingenieur \u00fcber den Architekten bis hin zum DevOps-Profi. Ganz anders ist es, wenn in einem gro\u00dfen Unternehmen alle Entwicklungsprozesse auf mehrere hochqualifizierte Data Science Spezialisten konzentriert sind, w\u00e4hrend Programmierer oder Datenbankexperten \u2013 vielfach verbreitete und kosteng\u00fcnstigere Fachkr\u00e4fte auf dem Arbeitsmarkt \u2013 einen Gro\u00dfteil der Routineaufgaben \u00fcbernehmen k\u00f6nnen.<\/p>\n<p>Daher h\u00e4ngt die Frage, wo die Grenze bei der Auswahl der Fachkr\u00e4fte f\u00fcr die Sicherstellung des MLOps-Prozesses verl\u00e4uft und wie der Prozess der Operationalisierung der entwickelten Modelle organisiert ist, direkt von der Geschwindigkeit und Qualit\u00e4t der entwickelten Modelle, der Produktivit\u00e4t des Teams und dem Mikroklima innerhalb des Teams ab.<\/p>\n<h2>Was unser Team bereits erreicht hat<\/h2>\n<p>\nWir haben vor nicht allzu langer Zeit begonnen, Kompetenzen und Prozesse im Bereich MLOps aufzubauen. Doch bereits jetzt befinden sich unsere Projekte zum Lebenszyklusmanagement von Modellen und zur Bereitstellung von Modellen als Service in der MVP-Testphase.<\/p>\n<p>Wir haben auch die optimale Kompetenzstruktur und organisatorische Struktur f\u00fcr gro\u00dfe Unternehmen festgelegt, die die Interaktion zwischen allen Beteiligten des Prozesses regelt. Agile-Teams wurden eingerichtet, um Aufgaben f\u00fcr das gesamte Spektrum der Gesch\u00e4ftskunden zu l\u00f6sen, und ein Prozess zur Zusammenarbeit mit den Projektteams zur Erstellung von Plattformen und Infrastruktur, die das Fundament des entstehenden MLOps-Geb\u00e4udes bilden, wurde organisiert.<\/p>\n<h2>Fragen f\u00fcr die Zukunft<\/h2>\n<p>\nMLOps ist ein sich entwickelndes Feld, das einen Mangel an Kompetenzen erlebt und in Zukunft an Bedeutung gewinnen wird. Bis dahin ist es am besten, von den Errungenschaften und Praktiken des DevOps auszugehen. Das Hauptziel von MLOps besteht darin, ML-Modelle effektiver zur L\u00f6sung von Gesch\u00e4ftsproblemen zu nutzen. Dabei treten jedoch zahlreiche Fragen auf:<\/p>\n<ul>\n<li>Wie kann die Zeit bis zur Einf\u00fchrung von Modellen in die Produktion verk\u00fcrzt werden?\n<\/li>\n<li>Wie k\u00f6nnen b\u00fcrokratische Reibungsverluste zwischen Teams mit unterschiedlichen Kompetenzen reduziert und die Zusammenarbeit gef\u00f6rdert werden?\n<\/li>\n<li>Wie l\u00e4sst sich das Tracking von Modellen, das Versionsmanagement und ein effizientes Monitoring organisieren?\n<\/li>\n<li>Wie kann ein wirklich zirkul\u00e4rer Lebenszyklus f\u00fcr moderne ML-Modelle geschaffen werden?\n<\/li>\n<li>Wie standardisiert man den Prozess des maschinellen Lernens?\n<\/li>\n<\/ul>\n<p>\nDie Antworten auf diese Fragen werden entscheidend daf\u00fcr sein, wie schnell MLOps sein volles Potenzial entfalten kann.<br \/>\n<br \/>Quelle: <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 4.9.10 - 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. \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\" \/>\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\/de\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 4.9.10\" \/>\n\t\t<meta property=\"og:locale\" content=\"de_DE\" \/>\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. \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\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/de\/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 in der Welt des maschinellen Lernens | ProHoster","description":"Im Jahr 2018 wurde auf Fachkonferenzen und in professionellen Kreisen das Konzept MLOps eingef\u00fchrt, das sich schnell in der Branche etablierte und nun als eigenst\u00e4ndiges Fachgebiet weiterentwickelt. In der Zukunft k\u00f6nnte MLOps eines der gefragtesten Bereiche in der IT werden. Was genau ist MLOps und wie funktioniert es? Das kl\u00e4ren wir im Folgenden. Was ist MLOps? MLOps (eine Kombination aus","canonical_url":"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"de_DE","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. \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","og:url":"https:\/\/prohoster.info\/de\/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"},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}