{"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 tauchte in Fachkreisen und auf thematischen Konferenzen zu KI der Begriff MLOps auf, der sich schnell in der Branche etablierte und sich jetzt als eigenst\u00e4ndige Disziplin weiterentwickelt. MLOps k\u00f6nnte sich in Zukunft zu einem der gefragtesten Bereiche in der IT entwickeln. Was ist das genau und wie wird es genutzt? Das kl\u00e4ren wir im folgenden Abschnitt.<\/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 Integration entwickelter Modelle in Gesch\u00e4ftsprozesse) ist eine neue Form der Zusammenarbeit zwischen Gesch\u00e4ftsvertretern, Wissenschaftlern, Mathematikern, Fachleuten im Bereich des maschinellen Lernens und IT-Ingenieuren bei der Erstellung von k\u00fcnstlichen Intelligenzsystemen.<\/p>\n<p>Anders gesagt, es ist ein Weg, um Methoden und Technologien des maschinellen Lernens in n\u00fctzliche Werkzeuge f\u00fcr die L\u00f6sungen von Gesch\u00e4ftsproblemen zu verwandeln.\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\u00e4ftsaufgabe zu definieren, Hypothesen \u00fcber den Wert zu formulieren, der aus den Daten gezogen werden kann, und Gesch\u00e4ftsideen f\u00fcr deren Anwendung zu entwickeln.\u00a0<\/p>\n<p>Der Begriff MLOps entstand als Analogie zum Begriff DevOps in Bezug auf Modelle und Technologien des maschinellen Lernens. DevOps ist ein Ansatz zur Softwareentwicklung, der es erm\u00f6glicht, die Geschwindigkeit der Implementierung einzelner \u00c4nderungen zu erh\u00f6hen, w\u00e4hrend gleichzeitig Flexibilit\u00e4t und Zuverl\u00e4ssigkeit durch eine Reihe von Methoden gew\u00e4hrleistet werden, darunter kontinuierliche Entwicklung, Aufteilung von Funktionen in eine Reihe von unabh\u00e4ngigen Mikrodiensten, automatisiertes Testen und Deployment einzelner \u00c4nderungen, globale \u00dcberwachung der Funktionsf\u00e4higkeit sowie ein System zur schnellen Reaktion auf identifizierte Ausf\u00e4lle und mehr.\u00a0<\/p>\n<p>DevOps hat den Lebenszyklus von Software definiert, und in der Fachgemeinschaft entstand die Idee, dieselbe Methodik im Hinblick auf Big Data anzuwenden. DataOps ist der Versuch, die Methodik unter Ber\u00fccksichtigung der Besonderheiten der Speicherung, \u00dcbertragung und Verarbeitung gro\u00dfer Datenmengen in verschiedenen und miteinander interagierenden Plattformen anzupassen und zu erweitern.<br \/>\n\u00a0\u00a0<br \/>\nMit dem Auftreten einer bestimmten kritischen Masse an Machine-Learning-Modellen, die in die Gesch\u00e4ftsprozesse von Unternehmen integriert wurden, wurde eine starke \u00c4hnlichkeit zwischen dem Lebenszyklus mathematischer Machine-Learning-Modelle und dem Lebenszyklus von Software festgestellt. Der Unterschied liegt lediglich darin, dass die Algorithmen der Modelle mit Hilfe von Werkzeugen und Methoden des maschinellen Lernens erstellt werden. Daher entstand auf nat\u00fcrliche Weise die Idee, bereits bekannte Ans\u00e4tze zur Softwareentwicklung auf Machine-Learning-Modelle anzuwenden und anzupassen. Im Lebenszyklus von Machine-Learning-Modellen lassen sich daher folgende Schl\u00fcsselschritte hervorheben:<\/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 im Betrieb die Notwendigkeit besteht, das Modell mit neuen Daten zu \u00e4ndern oder nachzutrainieren, wird der Zyklus von neuem gestartet \u2013 das Modell wird \u00fcberarbeitet, getestet und eine neue Version bereitgestellt.<\/p>\n<blockquote><p>Einschub. Warum nachtrainieren und nicht neu trainieren? Der Begriff \u201eNeutraining des Modells\u201c hat eine doppelte Bedeutung: Unter Fachleuten bezieht er sich auf einen Fehler im Modell, wenn das Modell gut vorhersagt, tats\u00e4chlich den prognostizierten Parameter in der Trainingsgruppe wiederholt, aber in der externen Datenauswahl viel schlechter funktioniert. Nat\u00fcrlich stellt ein solches Modell einen Mangel dar, da dieser Fehler seine Anwendung ausschlie\u00dft.<\/p><\/blockquote>\n<p>\nIn diesem Lebenszyklus erscheint die Verwendung von DevOps-Tools logisch: automatisiertes Testen, Deployment und Monitoring sowie die Darstellung von Modellberechnungen als separate Mikrodienste. Es gibt jedoch eine Reihe von Besonderheiten, die die direkte Anwendung dieser Tools ohne zus\u00e4tzliche ML-Wrapper 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 Profit erzielt<\/h2>\n<p>\nAls Beispiel, an dem wir die Anwendung des MLOps-Ansatzes demonstrieren, nehmen wir die klassische Aufgabe der Robotisierung des Bank- (oder eines anderen) Produkt-Support-Chats. Normalerweise sieht der Gesch\u00e4ftsprozess zur Unterst\u00fctzung \u00fcber den Chat folgenderma\u00dfen aus: Der Kunde gibt eine Nachricht mit einer Frage im Chat ein und erh\u00e4lt eine Antwort von einem Spezialisten im Rahmen eines vorher festgelegten Dialogbaums. Die Automatisierung eines solchen Chats wird normalerweise durch expertenbasierte Regelsets gel\u00f6st, die sehr arbeitsintensiv in der Entwicklung und Wartung sind. Die Effektivit\u00e4t einer solchen Automatisierung kann, je nach 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 durch maschinelles Lernen entwickeltes Modell \u2014 vorteilhafter ist, das:<\/p>\n<ul>\n<li>in der Lage ist, ohne Beteiligung eines Operators eine gr\u00f6\u00dfere Anzahl von Anfragen zu bearbeiten (je nach Thema kann die Effizienz in einigen F\u00e4llen bis zu 70\u201380 % erreichen);\n<\/li>\n<li>besser auf unkonventionelle Formulierungen im Dialog reagiert \u2014 es kann die Absicht erkennen, das tats\u00e4chliche Anliegen des Benutzers durch ungenau formulierte Anfragen identifizieren;\n<\/li>\n<li>erkennen kann, wann die Antwort des Modells angemessen ist und wann es Zweifel an der \"Bewusstheit\" dieser Antwort gibt, die ihn zwingen, eine zus\u00e4tzliche Kl\u00e4rungsfrage zu stellen oder auf einen Operator umzuschalten;\n<\/li>\n<li>automatisiert weiter trainiert werden kann (anstatt von einer Gruppe von Entwicklern, die st\u00e4ndig die Antwortszenarien anpassen und korrigieren, wird das Modell von einem Data-Science-Spezialisten unter Anwendung entsprechender maschineller Lernbibliotheken weiter trainiert).\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 l\u00e4sst sich ein solches fortgeschrittenes Modell in Betrieb nehmen?\u00a0<\/p>\n<p>Wie bei der L\u00f6sung jeder anderen Aufgabe, muss auch vor der Entwicklung eines solchen Moduls der Gesch\u00e4ftsprozess definiert und die spezifische Aufgabe, die wir mit maschinellem Lernen l\u00f6sen wollen, formal beschrieben werden. An dieser Stelle beginnt der Prozess der Operationalisierung, der in der Abk\u00fcrzung Ops bezeichnet wird.\u00a0<\/p>\n<p>Der n\u00e4chste Schritt besteht darin, dass ein Data-Science-Spezialist in Zusammenarbeit mit einem Dateningenieur die Verf\u00fcgbarkeit und Angemessenheit der Daten sowie die Gesch\u00e4ftshypothese zur Funktionsf\u00e4higkeit der Gesch\u00e4ftsidee \u00fcberpr\u00fcft, indem er einen Prototyp des Modells entwickelt und dessen tats\u00e4chliche Effizienz testet. Nur nach Best\u00e4tigung durch das Unternehmen kann der \u00dcbergang von der Modellentwicklung zur Integration in Systeme beginnen, die spezifische Gesch\u00e4ftsprozesse ausf\u00fchren. Eine durchg\u00e4ngig geplante Implementierung und ein tiefes Verst\u00e4ndnis daf\u00fcr, wie das Modell in jeder Phase genutzt wird und welchen wirtschaftlichen Nutzen es bringen wird, sind grundlegende Aspekte im Prozess der Implementierung von MLOps in die technologische Landschaft des Unternehmens.<\/p>\n<p>Mit der Entwicklung der KI-Technologien nimmt die Anzahl und Vielfalt der Herausforderungen, die mit maschinellem Lernen gel\u00f6st werden k\u00f6nnen, exponentiell zu. Jeder dieser Gesch\u00e4ftsprozesse ist eine Ersparnis f\u00fcr das Unternehmen durch die Automatisierung von Arbeiten in Massenpositionen (z. B. Callcenter, Dokumentenpr\u00fcfung und -sortierung usw.), eine Erweiterung des Kundenstamms durch die Einf\u00fchrung neuer attraktiver und benutzerfreundlicher Funktionen, Einsparungen durch optimierte Ressourcennutzung und vieles mehr. Letztendlich zielt jeder Prozess darauf ab, Wert zu schaffen und sollte daher einen bestimmten wirtschaftlichen Nutzen bringen. Es ist sehr wichtig, die Gesch\u00e4ftsidee klar zu formulieren und den potenziellen Gewinn aus der Implementierung des Modells in die gesamte Wertsch\u00f6pfungsstruktur des Unternehmens zu berechnen. Es kommt vor, dass die Implementierung des Modells sich nicht lohnt und die Zeit, die von den Machine-Learning-Spezialisten aufgewendet wird, viel teurer ist als der Arbeitsplatz des Operators, der diese Aufgabe erledigt. Deshalb sollten solche F\u00e4lle bereits in den fr\u00fchen Phasen der Erstellung von KI-Systemen erkannt werden.<\/p>\n<p>Daher bringen die Gewinne des Modells erst dann Ertr\u00e4ge, wenn im MLOps-Prozess die Gesch\u00e4ftsanfrage korrekt formuliert, Priorit\u00e4ten gesetzt und in den fr\u00fchen Entwicklungsphasen der Implementierungsprozess des Modells in das System festgelegt wurde.<\/p>\n<h2>Neuer Prozess \u2013 neue Herausforderungen<\/h2>\n<p>\nEine umfassende Antwort auf die grundlegende Gesch\u00e4ftsfrage, inwieweit ML-Modelle zur L\u00f6sung von Aufgaben anwendbar sind, ist die allgemeine Frage des Vertrauens in KI \u2014 dies ist eine der zentralen Herausforderungen im Entwicklungs- und Implementierungsprozess von MLOps. Zun\u00e4chst sieht sich die Wirtschaft skeptisch gegen\u00fcber der Integration von maschinellem Lernen in Prozesse \u2014 es ist schwierig, auf Modelle an den Stellen zu vertrauen, an denen fr\u00fcher normalerweise Menschen arbeiteten. F\u00fcr Unternehmen erscheinen Programme als \"Schwarze K\u00e4sten\", deren Relevanz der Antworten noch bewiesen werden muss. Dar\u00fcber hinaus gibt es in der Bankwirtschaft, im Gesch\u00e4ft der Telekommunikationsanbieter und anderen Bereichen strenge Anforderungen seitens der staatlichen Aufsichtsbeh\u00f6rden. Alle Systeme und Algorithmen, die in Bankprozesse integriert sind, werden gepr\u00fcft. Um dieses Problem zu l\u00f6sen und der Wirtschaft und den Regulierungsbeh\u00f6rden die Angemessenheit und Korrektheit der Antworten der k\u00fcnstlichen Intelligenz zu beweisen, werden zusammen mit dem Modell \u00dcberwachungsinstrumente implementiert. Dar\u00fcber hinaus gibt es ein Verfahren zur unabh\u00e4ngigen Validierung, das f\u00fcr regulatorische Modelle erforderlich ist und den Anforderungen der Zentralbank entspricht. Eine unabh\u00e4ngige Expertengruppe f\u00fchrt eine Pr\u00fcfung der mit den Eingabedaten erzielten Ergebnisse des Modells durch.<\/p>\n<p>Die zweite Herausforderung besteht darin, die Modellrisiken bei der Implementierung von maschinellen Lernmodellen zu bewerten und zu ber\u00fccksichtigen. Wenn selbst der Mensch keine hundertprozentige Sicherheit hat, um die Frage zu beantworten, ob das Kleid wirklich wei\u00df oder blau war, hat auch die k\u00fcnstliche Intelligenz das Recht auf Fehler. Es ist auch zu beachten, dass sich die Daten im Laufe der Zeit \u00e4ndern k\u00f6nnen und die Modelle nachtrainiert werden m\u00fcssen, um ausreichend pr\u00e4zise Ergebnisse zu liefern. Damit der Gesch\u00e4ftsprozess nicht leidet, m\u00fcssen die Modellrisiken verwaltet und die Arbeit des Modells \u00fcberwacht werden, indem es regelm\u00e4\u00dfig mit neuen Daten nachtrainiert wird.<\/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 \/>\nDoch nach der ersten Phase des Misstrauens beginnt sich der umgekehrte Effekt zu zeigen. Je mehr Modelle erfolgreich in Prozesse integriert werden, desto gr\u00f6\u00dfer wird der Appetit der Unternehmen auf den Einsatz von k\u00fcnstlicher Intelligenz \u2014 es werden immer neue und neue Aufgaben gefunden, die mit Methoden des maschinellen Lernens gel\u00f6st werden k\u00f6nnen. Jede Aufgabe l\u00f6st einen ganzen Prozess aus, der verschiedene Kompetenzen erfordert:<\/p>\n<ul>\n<li>Dateningenieure bereiten die Daten vor und verarbeiten sie;\n<\/li>\n<li>Datenwissenschaftler wenden Werkzeuge des maschinellen Lernens an und entwickeln das Modell;\n<\/li>\n<li>IT implementiert das Modell im System;\n<\/li>\n<li>Der ML-Ingenieur bestimmt, wie dieses Modell korrekt in den Prozess integriert wird, welche IT-Tools je nach Anforderungen an den Anwendungsmodus des Modells in Bezug auf das Anfragevolumen, die Antwortzeit usw. verwendet werden.\u00a0\n<\/li>\n<li>Der ML-Architekt entwirft, wie das Softwareprodukt physisch in einem Industriensystem realisiert werden kann.\n<\/li>\n<\/ul>\n<p>\nDer gesamte Zyklus erfordert eine gro\u00dfe Anzahl hochqualifizierter Fachkr\u00e4fte. An einem bestimmten Punkt der Entwicklung und des Einsickerns von ML-Modellen in Gesch\u00e4ftsprozesse stellt sich heraus, dass die lineare Skalierung der Zahl der Fachkr\u00e4fte im Verh\u00e4ltnis zum Anwachsen der Aufgaben kostspielig und ineffizient wird. Deshalb stellt sich die Frage der Automatisierung des MLOps-Prozesses \u2013 die Definition mehrerer standardisierter Klassen von Machine-Learning-Aufgaben, die Entwicklung typischer Datenverarbeitungs- und Modell-Training-Pipelines. In einem idealen Szenario sind f\u00fcr die L\u00f6sung solcher Aufgaben Fachleute erforderlich, die gleich gut \u00fcber Kompetenzen an der Schnittstelle von Big Data, Data Science, DevOps und IT verf\u00fcgen. Daher ist das gr\u00f6\u00dfte Problem in der Data-Science-Branche und die gr\u00f6\u00dfte Herausforderung bei der Organisation der MLOps-Prozesse das Fehlen solcher Kompetenzen auf dem bestehenden Arbeitsmarkt. Fachkr\u00e4fte, die diese Anforderungen erf\u00fcllen, sind derzeit rar auf dem Arbeitsmarkt und werden hoch gesch\u00e4tzt.<\/p>\n<h2>Zu den Kompetenzen<\/h2>\n<p>\nTheoretisch k\u00f6nnen alle MLOps-Aufgaben mit klassischen DevOps-Tools gel\u00f6st werden, ohne auf eine spezialisierte Erweiterung des Rollenmodells zur\u00fcckzugreifen. Wie wir bereits oben festgestellt haben, sollte ein Data Scientist nicht nur Mathematiker und Datenanalytiker sein, sondern auch Guru der gesamten Pipeline \u2013 auf seinen Schultern lasten die Entwicklung der Architektur, die Programmierung von Modellen in mehreren Sprachen je nach Architektur, die Vorbereitung der Datenpr\u00e4sentation und das Deployment der Anwendung selbst. Allerdings ben\u00f6tigt die Erstellung der technologischen Anbindung, die im End-to-End-MLOps-Prozess umgesetzt wird, bis zu 80% des Arbeitsaufwands, was bedeutet, dass der qualifizierte Mathematiker, der ein hochwertiger Data Scientist ist, nur 20% seiner Zeit seiner Spezialit\u00e4t widmen kann. Daher wird die Abgrenzung der Rollen von Spezialisten, die den Prozess der Implementierung von Machine-Learning-Modellen durchf\u00fchren, lebensnotwendig.\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 Startup ein Spezialist, ein Arbeiter aus dem Pool an Fachkr\u00e4ften, selbst Ingenieur, Architekt und DevOps ist. Ganz anders ist es, wenn in einem gro\u00dfen Unternehmen alle Entwicklungsprozesse f\u00fcr Modelle auf mehreren hochqualifizierten Data Science Spezialisten konzentriert sind, w\u00e4hrend Programmierer oder Datenbankspezialisten \u2014 eine verbreitetere und kosteng\u00fcnstigere Kompetenz auf dem Arbeitsmarkt \u2014 einen Gro\u00dfteil der Routineaufgaben \u00fcbernehmen k\u00f6nnen.<\/p>\n<p>Daher h\u00e4ngt die Geschwindigkeit und Qualit\u00e4t der entwickelten Modelle sowie die Produktivit\u00e4t des Teams und das Mikroklima darin direkt davon ab, wo die Grenze bei der Auswahl der Spezialisten zur Gew\u00e4hrleistung des MLOps-Prozesses verl\u00e4uft und wie der Prozess der Operationalisierung der entwickelten Modelle organisiert ist.<\/p>\n<h2>Was unsere Mannschaft bereits jetzt erreicht hat<\/h2>\n<p>\nWir haben vor nicht allzu langer Zeit begonnen, die Struktur der Kompetenzen und die MLOps-Prozesse aufzubauen. Doch bereits jetzt befinden sich unsere Projekte zum Management des Lebenszyklus von Modellen und zur Bereitstellung von Modellen als Service in der MVP-Testphase.<\/p>\n<p>Wir haben auch die f\u00fcr gro\u00dfe Unternehmen optimale Struktur der Kompetenzen und die organisatorische Struktur f\u00fcr die Interaktion zwischen allen Teilnehmern am Prozess festgelegt. Agile-Teams wurden organisiert, die Aufgaben f\u00fcr das gesamte Spektrum der Gesch\u00e4ftskunden l\u00f6sen, und es wurde ein Prozess zur Interaktion mit den Projektteams zur Erstellung von Plattformen und Infrastrukturen eingerichtet, die das Fundament des entstehenden MLOps-Geb\u00e4udes bilden.<\/p>\n<h2>Fragen f\u00fcr die Zukunft<\/h2>\n<p>\nMLOps ist ein sich entwickelndes Gebiet, das einen Mangel an Kompetenzen hat und in Zukunft zunehmen wird. Aber momentan ist es am besten, sich von den Erfahrungen und Praktiken des DevOps abzuleiten. Das Hauptziel von MLOps ist eine effektivere Nutzung von ML-Modellen zur L\u00f6sung von Gesch\u00e4ftsproblemen. Dabei tauchen jedoch zahlreiche Fragen auf:<\/p>\n<ul>\n<li>Wie k\u00f6nnen wir die Zeit bis zur Produktionsbereitstellung der Modelle verk\u00fcrzen?\n<\/li>\n<li>Wie k\u00f6nnen wir b\u00fcrokratische Reibungsverluste zwischen Teams unterschiedlicher Kompetenzen verringern und die Zusammenarbeit f\u00f6rdern?\n<\/li>\n<li>Wie k\u00f6nnen wir Modelle \u00fcberwachen, Versionen verwalten und ein effektives Monitoring organisieren?\n<\/li>\n<li>Wie k\u00f6nnen wir einen wirklich zyklischen Lebenszyklus f\u00fcr moderne ML-Modelle schaffen?\n<\/li>\n<li>Wie k\u00f6nnen wir den Prozess des maschinellen Lernens standardisieren?\n<\/li>\n<\/ul>\n<p>\nDie Antworten auf diese Fragen werden ma\u00dfgeblich beeinflussen, 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 5.0.1.1 - 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\/de\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.1.1\" \/>\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.\" \/>\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 Machine Learning | ProHoster","description":"Im Jahr 2018 kam in Fachkreisen und auf thematischen Konferenzen zum Thema KI der Begriff MLOps auf, der sich schnell in der Branche etablierte und sich mittlerweile als eigenst\u00e4ndige Disziplin entwickelt.","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.","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","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"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}]}}