{"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\/et\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps masin\u00f5ppe maailmas","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>2018. aastal ilmus MLOpsi m\u00f5iste professionaalsete ringide ja AI-teemaliste konverentside seas, mis kiiresti kinnistus valdkonnas ja areneb n\u00fc\u00fcd iseseisva suunana. Tulevikus v\u00f5ib MLOps saada \u00fcheks k\u00f5ige n\u00f5utumaks valdkonnaks IT-s. Mis see t\u00e4pselt on ja kuidas seda kasutada, saame teada j\u00e4rgnevalt.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps masin\u00f5ppe maailmas\" 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>Mis on MLOps<\/h2>\n<p>\nMLOps (masin\u00f5ppe tehnoloogiate ja protsesside ning v\u00e4lja t\u00f6\u00f6tatud mudelite rakendamise l\u00e4henemiste \u00fchendamine ettev\u00f5tte \u00e4riprotsessidesse) on uus koost\u00f6\u00f6viis ettev\u00f5tete esindajate, teadlaste, matemaatikute, masin\u00f5ppe spetsialistide ja IT-inseneride vahel kunstliku intelligentsuse s\u00fcsteemide loomisel.<\/p>\n<p>Teisis\u00f5nu, see on viis, kuidas muuta masin\u00f5ppe meetodid ja tehnoloogiad t\u00f5husaks t\u00f6\u00f6riistaks \u00e4riprobleemide lahendamiseks.\u00a0<\/p>\n<p>On oluline m\u00f5ista, et tootmise ahel algab kaua enne mudeli v\u00e4ljat\u00f6\u00f6tamist. Selle esimene samm on \u00e4rik\u00fcsimuse m\u00e4\u00e4ratlemine, h\u00fcpoteese v\u00e4\u00e4rtuse kohta, mida andmetest v\u00e4lja tuua, ja \u00e4riidee selle rakendamiseks.\u00a0<\/p>\n<p>MLOpsi m\u00f5iste tekkis analoogiana DevOpsi m\u00f5istele masin\u00f5ppe mudelite ja tehnoloogiate rakendamise kontekstis. DevOps on tarkvaraarenduse l\u00e4henemine, mis v\u00f5imaldab suurendada eraldiseisvate muudatuste rakendamise kiirus, s\u00e4ilitades samal ajal paindlikkuse ja usaldusv\u00e4\u00e4rsuse, kasutades mitmeid l\u00e4henemisi, sealhulgas pidev arendus, funktsioonide jagamine s\u00f5ltumatuteks mikroteenusteks, automatiseeritud testimine ja eraldi muudatuste rakendamine, globaalne t\u00f6\u00f6 monitorimine, s\u00fcsteem kiiresti reageerimiseks tuvastatud probleemidele jne.\u00a0<\/p>\n<p>DevOps m\u00e4\u00e4ratles tarkvara eluts\u00fckli ja spetsialistide seas tekkis idee kasutada sama metoodikat suurte andmete kontekstis. DataOps \u2014 katse kohandada ja laiendada metoodikat, arvestades suurte andmemahtude hoidmise, edastamise ja t\u00f6\u00f6tlemise erip\u00e4rasid erinevates ja omavahel seotud platvormides.<br \/>\n\u00a0\u00a0<br \/>\nTeatud kriitilise massi masin\u00f5ppe mudelite, mis on juurutatud \u00e4rihaldusprotsessidesse, ilmnemisel on m\u00e4rgata tugevat sarnasust masin\u00f5ppe matemaatiliste mudelite eluts\u00fckli ja tarkvara eluts\u00fckli vahel. Erinevus seisneb vaid selles, et mudelite algoritmid luuakse masin\u00f5ppe t\u00f6\u00f6riistade ja meetodite abil. Seet\u00f5ttu tekkis loomulikult idee rakendada ja kohandada juba tuntud tarkvaraarenduse l\u00e4henemisviise masin\u00f5ppe mudelite jaoks. Seega saab masin\u00f5ppe mudelite eluts\u00fcklist v\u00e4lja tuua j\u00e4rgmised p\u00f5hietapid:<\/p>\n<ul>\n<li>\u00e4riidee m\u00e4\u00e4ratlemine;\n<\/li>\n<li>mudeli koolitamine;\n<\/li>\n<li>mudeli testimine ja juurutamine \u00e4riprotsessi;\n<\/li>\n<li>mudeli kasutamine.\n<\/li>\n<\/ul>\n<p>\nKui kasutamise k\u00e4igus tekib vajadus mudelit uute andmete alusel muuta v\u00f5i uuesti koolitada, k\u00e4ivitub ts\u00fckkel uuesti \u2014 mudelit t\u00e4iustatakse, testitakse ja juurutatakse uus versioon.<\/p>\n<blockquote><p>Kaldkiri. Miks uuesti koolitada, mitte \u00fcle koolitada? M\u00f5isted \"mudeli \u00fcle koolitamine\" on kaheastmelised: spetsialistide seas t\u00e4hendab see mudeli defekti, kui mudel ennustab h\u00e4sti, kordab tegelikult ette ennustatavat parameetrit koolitusseltskonnas, kuid t\u00f6\u00f6tab v\u00e4liste andmete valimil palju halvemini. Loomulikult on selline mudel defektne, kuna selline viga ei v\u00f5imalda seda rakendada.<\/p><\/blockquote>\n<p>\nSelles eluts\u00fcklis n\u00e4ib loogiline kasutada DevOps-t\u00f6\u00f6riistu: automatiseeritud testimine, juurutamine ja j\u00e4lgimine, mudelite arvutuste vormistamine eraldi mikroteenustena. Kuid on ka mitmeid erip\u00e4ra, mis takistavad nende t\u00f6\u00f6riistade otsest rakendamist ilma t\u00e4iendava ML-\u00fchendita.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps masin\u00f5ppe maailmas\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Kuidas panna mudelid t\u00f6\u00f6le ja kasumit tooma<\/h2>\n<p>\nN\u00e4iteks, mille abil demonstreerime MLOpsi l\u00e4henemise rakendamist, v\u00f5tame klassikalise \u00fclesande panga (v\u00f5i m\u00f5ne muu) toote tugichati automatiseerimise. T\u00fc\u00fcpiliselt n\u00e4eb tugiprotsess v\u00e4lja j\u00e4rgmiselt: klient saadab chat'is s\u00f5numi k\u00fcsimusega ja saab vastuse spetsialistilt eelnevalt m\u00e4\u00e4ratud dialoogipuus. Sellise chati automatiseerimise \u00fclesanne lahendatakse tavaliselt ekspertide m\u00e4\u00e4ratud reeglite kogumitega, mille arendamine ja hooldamine on \u00e4\u00e4rmiselt t\u00f6\u00f6mahukas. Sellise automatiseerimise efektiivsus, s\u00f5ltuvalt \u00fclesande keerukusest, v\u00f5ib ulatuda 20\u201330%ni. Loomulikult tekib idee, et kasulikum on rakendada tehisintellekti moodulit \u2013 mudelit, mis on v\u00e4lja t\u00f6\u00f6tatud masin\u00f5ppe abil, mis:<\/p>\n<ul>\n<li>on v\u00f5imeline t\u00f6\u00f6tlema suuremat hulka p\u00e4ringuid ilma operaatori abita (teema s\u00f5ltuvalt v\u00f5ib efektiivsus m\u00f5nel juhul ulatuda 70\u201380%ni);\n<\/li>\n<li>paremini kohandub mittestandardsete s\u00f5nastustega dialoogis \u2013 suudab m\u00e4\u00e4rata kavatsuse, kasutaja tegeliku soovi ebat\u00e4pselt formuleeritud p\u00e4ringu p\u00f5hjal;\n<\/li>\n<li>oskab m\u00e4\u00e4rata, millal mudeli vastus on asjakohane ja millal on selle vastuse \"teadlikkuses\" kahtlusi ning on vajalik esitada t\u00e4iendav t\u00e4psustav k\u00fcsimus v\u00f5i suunata juhtum operaatorile;\n<\/li>\n<li>seda saab automaatselt edasi koolitada (arendajate grupi asemel, kes pidevalt kohandavad ja parandavad vastuste stsenaariume, koolitab mudelit edasi Data Science'i spetsialist, kasutades vastavaid masin\u00f5ppe raamatukogusid).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps masin\u00f5ppe maailmas\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nKuidas panna selline arenenud mudel t\u00f6\u00f6le?\u00a0<\/p>\n<p>Nagu mis tahes muu \u00fclesande lahendamisel, tuleb enne sellise mooduli arendamist m\u00e4\u00e4ratleda \u00e4riprotsess ja formaalselt kirja panna konkreetne \u00fclesanne, mida me lahendame masin\u00f5ppe meetodi rakendamisega. Just siin algab operatsioonide operacionaliseerimise protsess, mida t\u00e4histab l\u00fchend Ops.\u00a0<\/p>\n<p>J\u00e4rgmine samm on andeteaduse spetsialisti ja andengineeri koost\u00f6\u00f6, et kontrollida, kas andmed ja \u00e4riplaanid on piisavad ja kas \u00e4riidee t\u00f6\u00f6tab, arendades mudeli protot\u00fc\u00fcpi ja testides selle tegelikku efektiivsust. Ainult p\u00e4rast \u00e4ripoolt kinnitust v\u00f5ib alata \u00fcleminek mudeli arendamiselt selle integreerimisele s\u00fcsteemidesse, mis t\u00e4idavad konkreetseid \u00e4riprotsesse. Terve protsessi l\u00e4bi m\u00f5eldud rakendamine, s\u00fcgavam arusaam igast etapist, kuidas mudelit kasutatakse ja milline majanduslik m\u00f5ju see toob, on MLOpsi l\u00e4henemisviiside rakendamise h\u00e4davajalik aspekt ettev\u00f5tte tehnoloogilises maastikus.<\/p>\n<p>Tehnoloogia arengu t\u00f5ttu AI valdkonnas suureneb plahvatuslikult \u00fclesannete arv ja mitmekesisus, mida saab lahendada masin\u00f5ppe abil. Iga selline \u00e4ri protsess t\u00e4hendab ettev\u00f5tte jaoks t\u00f6\u00f6j\u00f5u automatiseerimist madalamate taseme ametikohtade (klienditeenindus, dokumentide kontrollimine ja sorteerimine jne) kaudu, see toob kaasa kliendibaasi laienemise uute atraktiivsete ja mugavate funktsioonide lisamisega, samuti rahaliste vahendite s\u00e4\u00e4stmisest optimaalsete kasutusviiside t\u00f5ttu ja ressursside \u00fcmberjaotamisest. L\u00f5ppkokkuv\u00f5ttes on iga protsessi eesm\u00e4rk luua v\u00e4\u00e4rtust ja, seega, see peab tooma kindla majandusliku efekti. Siin on \u00e4\u00e4rmiselt oluline selgelt s\u00f5nastada \u00e4ridee ja arvutada mudeli rakendamise eeldatav kasum kogu ettev\u00f5tte v\u00e4\u00e4rtuse loomise struktuuris. On olukordi, kus mudeli rakendamine ei \u00f5igusta end, ja masin\u00f5ppe spetsialistide kulutatud aeg on palju kallim kui operaatori palk, kes seda \u00fclesannet t\u00e4idab. Seet\u00f5ttu on neid olukordi oluline tuvastada AI s\u00fcsteemide arendamise varastele etappidele.<\/p>\n<p>Seega hakkab mudel kasumit teenima ainult siis, kui MLOpsi protsessi k\u00e4igus on \u00f5igesti s\u00f5nastatud \u00e4rik\u00fcsimus, prioriteedid on paika pandud ja varases arendusetapis on s\u00f5nastatud mudeli rakendamise protsess s\u00fcsteemis.<\/p>\n<h2>Uus protsess \u2013 uued v\u00e4ljakutsed<\/h2>\n<p>\n\u00dcksikasjalik vastus \u00e4ri p\u00f5hiprobleemile, kui rakendatavad on ML-mudelid \u00fclesannete lahendamiseks, ja usaldusv\u00e4\u00e4rsuse k\u00fcsimus AI suhtes \u2014 see on \u00fcks peamisi v\u00e4ljakutseid MLOpsi l\u00e4henemisviiside arendamise ja rakendamise k\u00e4igus. \u00c4ri suhtub esialgu masin\u00f5ppe rakendamisse skepsisega \u2014 on keeruline toetuda mudelitele valdkondades, kus varem t\u00f6\u00f6tasid tavaliselt inimesed. \u00c4ri jaoks on programmid nagu \u201emust kast\u201d, mille vastuste asjakohasust tuleb veel t\u00f5estada. Lisaks on panganduses, telekommunikatsiooniettev\u00f5tetes ja muudes valdkondades rangelt reguleeritud n\u00f5uded. K\u00f5ikidesse s\u00fcsteemidesse ja algoritmidesse, mis on rakendatud pangaprotsessidesse, kohaldatakse auditi. Probleemi lahendamiseks, et t\u00f5estada \u00e4rile ja reguleerivatele asutustele tehisintellekti vastuste p\u00f5hjendatust ja t\u00e4psust, rakendatakse koos mudeliga ka j\u00e4lgimisvahendeid. Lisaks on iseseisva valideerimise protseduur, mis on kohustuslik reguleerivatele mudelitele ja vastab keskpanga n\u00f5uetele. Iseseisev ekspertgrupp viib l\u00e4bi auditi tulemuste kohta, mis mudel on saanud sisendite alusel.<\/p>\n<p>Teine v\u00e4ljakutse on mudeliriskide hindamine ja arvestamine masin\u00f5ppemudeli rakendamisel. Kui isegi inimene ei saa sajaprotsendilise Kindlusega \u00f6elda, kas see kleit oli valge v\u00f5i sinine, siis on ka tehisintellektil \u00f5igus eksida. Samuti tuleb arvestada, et andmed v\u00f5ivad aja jooksul muutuda ja mudelid peavad uuesti \u00f5ppima, et anda piisavalt t\u00e4pseid tulemusi. Et \u00e4ri protsess ei kannataks, on oluline juhtida mudeliriske ja j\u00e4lgida mudeli t\u00f6\u00f6d, koolitades seda regulaarselt uute andmetega.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps masin\u00f5ppe maailmas\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nKuid p\u00e4rast esimest usaldamatuse etappi ilmnevad vastupidised effekid. Mida rohkem mudeleid edukalt rakendatakse protsessidesse, seda suurem on \u00e4ri isu tehisintellekti kasutamiseks \u2014 leitakse uusi ja uusi \u00fclesandeid, mida saab lahendada masin\u00f5ppe meetoditega. Iga \u00fclesanne k\u00e4ivitab terve protsessi, mis n\u00f5uab erinevaid p\u00e4devusi:<\/p>\n<ul>\n<li>andmeinsenerid valmistavad ja t\u00f6\u00f6tlevad andmeid;\n<\/li>\n<li>andmete teadlased rakendavad masin\u00f5ppe t\u00f6\u00f6riistu ja arendavad mudelit;\n<\/li>\n<li>IT rakendab mudelit s\u00fcsteemi;\n<\/li>\n<li>ML-insener m\u00e4\u00e4ratleb, kuidas see mudel \u00f5igesti protsessi integreerida, milliseid IT- t\u00f6\u00f6riistu kasutada s\u00f5ltuvalt mudeli rakendamise n\u00f5udmistest, arvestades p\u00f6\u00f6rdumiste voogu, vastusaega jne.\u00a0\n<\/li>\n<li>ML-arhitekt projekteerib, kuidas f\u00fc\u00fcsiliselt tarkvaratoote rakendada t\u00f6\u00f6stuss\u00fcsteemis.\n<\/li>\n<\/ul>\n<p>\nKogu ts\u00fckkel n\u00f5uab suurt hulka k\u00f5rgelt kvalifitseeritud spetsialiste. Teatud arengu ja ML-mudelite \u00e4riprotsessidesse tungimise astmes selgub, et spetsialistide arvu lineaarselt kasvatamine \u00fclesannete arvu suurenemisega muutub kalliks ja ebaefektiivseks. Seet\u00f5ttu tekib k\u00fcsimus MLOpsi protsessi automatiseerimisest \u2013 standardsete masin\u00f5ppe\u00fclesannete m\u00e4\u00e4ratlemine, t\u00fc\u00fcpiliste andmet\u00f6\u00f6tlus- ja mudeli t\u00e4iendamise voogude arendamine. Ideaalsetes tingimustes, et neid \u00fclesandeid lahendada, on vaja spetsialiste, kes valdavad kompetentse BigData, Data Science, DevOpsi ja IT vahel. Seet\u00f5ttu on suurim probleem Data Science'i valdkonnas ja suurim v\u00e4ljakutse MLOpsi protsesside korraldamisel \u2013 selliste kompetentside puudumine praegusel t\u00f6\u00f6turul. Spetsialiste, kes vastavad nendele n\u00f5uetele, on praegu t\u00f6\u00f6turul \u00fcksikud ning neid hinnatakse kuldav\u00e4\u00e4rt.<\/p>\n<h2>Kompetentside k\u00fcsimus<\/h2>\n<p>\nTeoorias on k\u00f5ik MLOpsi \u00fclesanded v\u00f5imalikud lahendada klassikaliste DevOpsi t\u00f6\u00f6riistade abil, ilma et oleks vaja spetsialiseeritud rollide mudeli laiendamist. Nagu me juba eespool mainisime, peab andmete teadlane olema mitte ainult matemaatik ja andmeanal\u00fc\u00fcsi ekspert, vaid ka kogu voograja guru \u2013 tema \u00f5lule lasub arhitektuuri v\u00e4ljat\u00f6\u00f6tamine, mudelite programmeerimine mitmesugustes keeltes s\u00f5ltuvalt arhitektuurist, andmete vitriini ettevalmistamine ja rakenduse \u00fclesseade. Siiski, tehnoloogia side loomine, mis rakendub katkematus MLOpsi protsessis, n\u00f5uab kuni 80% t\u00f6\u00f6j\u00f5ust, mis t\u00e4hendab, et kvalifitseeritud matemaatik, kelleks on kvaliteetne andmete teadlane, p\u00fchendab oma erialale vaid 20% ajast. Seega muutub spetsialistide rollide eristamine, kes viivad ellu masin\u00f5ppe mudelite rakendamise protsessi, h\u00e4davajalikuks.\u00a0<\/p>\n<p>Rohade jagamine s\u00f5ltub ettev\u00f5tte suurusest. \u00dcks asi on see, kui idufirmas on \u00fcks spetsialist, energiat t\u00e4is t\u00f6\u00f6taja, kes on nii insener, arhitekt kui ka DevOps. T\u00e4iesti teine asi on see, kui suures ettev\u00f5ttes on k\u00f5ik mudelite arendamise protsessid koondatud m\u00f5ne k\u00f5rge tasemega andmeteadlase k\u00e4tte, samas kui programmeerija v\u00f5i andmebaasi spetsialist \u2013 t\u00f6\u00f6j\u00f5uturul laialdasem ja odavam oskusteave \u2013 v\u00f5ib v\u00f5tta endale suure osa rutiinsetest \u00fclesannetest.<\/p>\n<p>Seega s\u00f5ltub see, kus t\u00e4pselt jooned spetsialistide valikul MLOpsi protsessi tagamiseks ja kuidas on korraldatud arendatud mudelite operacionaliseerimise protsess, otseselt arendatavate mudelite kiirusest ja kvaliteedist, meeskonna tootlikkusest ja selle mikroklimatist.<\/p>\n<h2>Mida on meie meeskond juba praegu saavutanud<\/h2>\n<p>\nMe alustasime mitte nii kaua aega tagasi kompetentsistruktuuride ja MLOpsi protsesside loomist. Kuid juba praegu on katsetamisel meie projektid mudelite eluts\u00fckli haldamise ja mudelite kasutamise teenusena.<\/p>\n<p>Samuti oleme m\u00e4\u00e4ratlenud optimaalse kompetentsistruktuuri ja organisatsioonilise struktuuri, mis h\u00f5lmab k\u00f5iki protsessis osalejaid suures ettev\u00f5ttes. Oleme korraldanud Agile-meeskonnad, kes lahendavad \u00fclesandeid kogu \u00e4riklientide spektrile ning kehtestanud suhtlemise protsessi projektimeeskondadega platvormide ja infrastruktuuri loomiseks, mis on aluseks MLOpsi rajamisele.<\/p>\n<h2>K\u00fcsimused tulevikuks<\/h2>\n<p>\nMLOps on arenev valdkond, millel on puudus kompetentsidest ja tulevikus kasvab n\u00f5udlus. Praegu on k\u00f5ige parem tugineda DevOps'i saavutustele ja praktikatele. MLOpsi peamine eesm\u00e4rk on kasutada masin\u00f5ppe mudeleid t\u00f5husamalt \u00e4ri\u00fclesannete lahendamiseks. Kuid sellega seoses kerkib esile palju k\u00fcsimusi:<\/p>\n<ul>\n<li>Kuidas v\u00e4hendada mudelite tootmisse viimise aega?\n<\/li>\n<li>Kuidas v\u00e4hendada b\u00fcrokraatlikke takistusi erinevate kompetentside meeskondade vahel ja suurendada koost\u00f6\u00f6le suunatust?\n<\/li>\n<li>Kuidas j\u00e4lgida mudeleid, hallata versioone ja korraldada t\u00f5husat j\u00e4lgimist?\n<\/li>\n<li>Kuidas luua t\u00f5eliselt ts\u00fckliline eluts\u00fckkel t\u00e4nap\u00e4eva ML mudelite jaoks?\n<\/li>\n<li>Kuidas standardiseerida masin\u00f5ppe protsess?\n<\/li>\n<\/ul>\n<p>\nNendel, kuidas need k\u00fcsimused vastatakse, s\u00f5ltub, kui kiiresti MLOps oma potentsiaali t\u00e4ielikult avaldab.<br \/>\n<br \/>Allikas: <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\/et\/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=\"et_EE\" \/>\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\/et\/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 masin\u00f5ppe maailmas | ProHoster","description":"2018. aastal ilmus professionaalsetes ringkondades ja AI-teemalistel konverentsidel m\u00f5isted MLOps, mis kindlustas endale kiiresti koha t\u00f6\u00f6stuses ja areneb n\u00fc\u00fcd iseseisva suuna.","canonical_url":"https:\/\/prohoster.info\/et\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"et_EE","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\/et\/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\/et\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/et\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}