{"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 tekkis professionaalses keskkonnas ja AI-teemalistel konverentsidel m\u00f5isted MLOps, mis haarasid kiiresti valdkonda ja arenevad n\u00fc\u00fcd iseseisva suunana. Tulevikus v\u00f5ib MLOps muutuda \u00fcheks k\u00f5ige n\u00f5utumaks valdkonnaks IT-s. Mis see t\u00e4psemalt on ja kuidas seda rakendada, uurime edasi.<\/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 \u00e4riprotsessidesse juurutamise l\u00e4henemiste \u00fchendamine) on uus koost\u00f6\u00f6viis \u00e4ri esindajate, teadlaste, matemaatikute, masin\u00f5ppe spetsialistide ja IT-inseneride vahel, et luua tehisintellekti s\u00fcsteeme.<\/p>\n<p>Teisis\u00f5nu, see on viis muuta masin\u00f5ppe meetodid ja tehnoloogiad kasulikeks t\u00f6\u00f6riistadeks \u00e4riarvestuse probleemide lahendamiseks.\u00a0<\/p>\n<p>Tuleb m\u00f5ista, et tootmisprotsess hakkab pihta palju enne mudeli arendamist. Selle esimeseks sammuks on m\u00e4\u00e4ratleda \u00e4ri\u00fclesanne, h\u00fcpotees andmete v\u00e4\u00e4rtusest, mida neist v\u00f5ib saada, ja \u00e4riidee selle rakendamiseks.\u00a0<\/p>\n<p>MLOps m\u00f5isted tekkisid analoogiana DevOps m\u00f5istest masin\u00f5ppe mudelite ja tehnoloogiate kontekstis. DevOps on tarkvaraarenduse l\u00e4henemisviis, mis v\u00f5imaldab suurendada muudatuste rakendamise kiirus, s\u00e4ilitades samas paindlikkuse ja usaldusv\u00e4\u00e4rsuse mitmete l\u00e4henemisviiside kaudu, sealhulgas pidev arendus, funktsioonide jagamine s\u00f5ltumatuteks mikroteenusteks, automatiseeritud testimine ja eraldi muudatuste juurutamine, globaalne j\u00f5udluse j\u00e4lgimine, s\u00fcsteem kiireks reageerimiseks tuvastatud t\u00f5rgetele jne.\u00a0<\/p>\n<p>DevOps m\u00e4\u00e4ratles tarkvaraarenduse eluts\u00fckli ja spetsialistide seas tekkis idee kasutada sama meetodit suurte andmete kontekstis. DataOps on katse kohandada ja laiendada seda meetodit, arvestades suurte andmemahtude salvestamise, edastamise ja t\u00f6\u00f6tlemise spetsiifikat erinevates ja omavahel suhtlevates platvormides.<br \/>\n\u00a0\u00a0<br \/>\nTehis\u00f5ppe mudelite teatud kriitilise massi sisenemisega ettev\u00f5tte \u00e4riprotsessidesse on m\u00e4rgatud tugevat sarnasust tehis\u00f5ppe mudelite eluiga ja tarkvara arenduse eluiga. Erinevus seisneb vaid selles, et mudelite algoritmid luuakse tehis\u00f5ppe t\u00f6\u00f6riistade ja meetodite abil. Seet\u00f5ttu tekkis loomulikult idee rakendada ja kohandada juba tuntud tarkvara arenduse l\u00e4henemisviise tehis\u00f5ppe mudelite jaoks. Seega saab tehis\u00f5ppe mudelite eluajas eristada j\u00e4rgmisi peamisi etappe:<\/p>\n<ul>\n<li>\u00e4riidee m\u00e4\u00e4ratlemine;\n<\/li>\n<li>mudeli koolitamine;\n<\/li>\n<li>mudeli testimine ja integreerimine \u00e4riprotsessi;\n<\/li>\n<li>mudeli kasutamine.\n<\/li>\n<\/ul>\n<p>\nKui kasutamise k\u00e4igus on vaja mudelit uute andmete p\u00f5hjal muuta v\u00f5i t\u00e4iendavalt koolitada, k\u00e4ivitub ts\u00fckkel uuesti \u2014 mudel t\u00e4iustatakse, testitakse ja juurutatakse uus versioon.<\/p>\n<blockquote><p>Tagasiastumine. Miks eelistada t\u00e4iendamist ja mitte \u00fcmber\u00f5pet? Termin 'mudeli \u00fcmber\u00f5pe' omab kaht t\u00e4hendust: spetsialistide seas viitab see mudeli defektile, kus mudel ennustab h\u00e4sti, peegeldades ennustatavat parameetrit treeningandmetes, kuid t\u00f6\u00f6tab v\u00e4liste andmekogude puhul palju halvemini. Loomulikult on selline mudel defektne, kuna see viga ei luba seda rakendada.<\/p><\/blockquote>\n<p>\nSelles eluts\u00fcklis tundub m\u00f5istlik kasutada DevOps t\u00f6\u00f6riistu: automatiseeritud testimist, juurutamist ja j\u00e4lgimist, ning mudelite arvestuse vormistamist eraldi mikroteenustena. Kuid on ka mitmeid erisusi, mis takistavad nende t\u00f6\u00f6riistade otsekasutust ilma t\u00e4iendava ML-kihtita.<\/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 mudeleid t\u00f6\u00f6le ja teenima kasumit<\/h2>\n<p>\nN\u00e4iteks, mida kasutame MLOpsi l\u00e4henemise rakendamise demonstreerimiseks, v\u00f5tame klassikaliseks saanud \u00fclesande pangatoe (v\u00f5i m\u00f5ne muu) toote vestlusrobotiks. Tavaliselt n\u00e4eb \u00e4ri\u00fchingu tugivestlus v\u00e4lja j\u00e4rgmiselt: klient saadab vestluses s\u00f5numi k\u00fcsimusega ja saab vastuse spetsialistilt eelt\u00e4idetud dialoogipuu raames. Sellise vestluse automatiseerimise \u00fclesanne lahendatakse tavaliselt ekspertide m\u00e4\u00e4ratud reeglite kogumite abil, mis on arendamisel ja hooldamisel v\u00e4ga t\u00f6\u00f6mahukad. Sellise automatiseerimise efektiivsus v\u00f5ib s\u00f5ltuvalt \u00fclesande keerukusest ulatuda 20\u201330%-ni. Loomulikult tekib idee, et tasub rakendada tehisintellekti moodulit \u2014 mudelit, mis on v\u00e4lja t\u00f6\u00f6tatud masin\u00f5ppe abil, mis:<\/p>\n<ul>\n<li>suudab t\u00f6\u00f6tada operaatori osaluseta suurema hulga p\u00e4ringute kallal (teema s\u00f5ltuvalt v\u00f5ib efektiivsus ulatuda 70\u201380%-ni);\n<\/li>\n<li>parem kohanduma ebatavalistele v\u00e4ljendustele dialoogis \u2014 suudab m\u00e4\u00e4ratleda kavatsuse, t\u00f5elise soovimise kasutaja poolt ebamugavalt formuleeritud taotluse kaudu;\n<\/li>\n<li>suudab tuvastada, millal mudeli vastus on asjakohane ja millal on kahtlusi selle vastuse \"teadlikkuses\" ning on vajalik esitada lisak\u00fcsimus v\u00f5i minna edasi operaatori juurde;\n<\/li>\n<li>seda saab automatiseeritult t\u00e4iendavalt koolitada (arendajate meeskonna asemel, kes pidevalt kohandavad ja parandavad vastuste stsenaariume, koolitab spetsialist Data Science, rakendades vastavaid masin\u00f5ppe teeke).\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 sundida niisugust arenenud mudelit t\u00f6\u00f6tama?\u00a0<\/p>\n<p>Nagu iga muu \u00fclesande lahendamise korral, tuleb enne sellise mooduli arendamist m\u00e4\u00e4rata \u00e4riteenuse protsess ja vormiliselt kirjeldada konkreetne \u00fclesanne, mida me kavatseme lahendada masin\u00f5ppe meetodi rakendamise kaudu. Just siit algab operatsioonide teostamise protsess, mida t\u00e4histatakse l\u00fchendiga Ops.\u00a0<\/p>\n<p>J\u00e4rgmise sammuna kontrollib andmete teadlane koos andmeinseneriga, kas andmed on kergesti k\u00e4ttesaadavad ja piisavad ning kas \u00e4riidee h\u00fcpotees on teostatav, arendades v\u00e4lja mudeli protot\u00fc\u00fcbi ja testides selle tegelikku t\u00f5husust. Ainult p\u00e4rast \u00e4ri kinnitust v\u00f5ib alata \u00fcleminek mudeli v\u00e4ljat\u00f6\u00f6tamiselt selle integreerimisele s\u00fcsteemidesse, mis t\u00e4idavad konkreetseid \u00e4ri protsesse. \u00dcksikasjalik rakendamise planeerimine ja s\u00fcgavad teadmised selle iga etapi kohta, kuidas mudelit kasutatakse ning milline majanduslik kasu see toob, on MLOpsi l\u00e4henemiste rakendamise protsesside keskne komponent ettev\u00f5tte tehnoloogilises maastikus.<\/p>\n<p>Tehnoloogia arengu t\u00f5ttu suureneb kiiresti tehisintellekti kaudu lahendatavate \u00fclesannete arv ja mitmekesisus. Iga selline \u00e4riprotsess t\u00e4hendab ettev\u00f5tte t\u00f6\u00f6j\u00f5ukulude kokkuhoidu t\u00f6\u00f6tajate automatiseerimise kaudu (nt k\u00f5nekeskused, dokumentide kontroll ja sorteerimine jne), kliendibaasi laiendamist uute atraktiivsete ja mugavate funktsioonide lisamisega, rahade s\u00e4\u00e4stmist nende optimaalse kasutamise ja ressursside \u00fcmberjaotamise kaudu ning palju muud. L\u00f5ppkokkuv\u00f5ttes on iga protsessi eesm\u00e4rk v\u00e4\u00e4rtuse loomine, mis omakorda peaks tooma kaasa kindla majandusliku efekti. Siin on \u00e4\u00e4rmiselt oluline selgelt s\u00f5nastada \u00e4rimudel ja arvutada, milline on oodatav kasum mudeli rakendamisest ettev\u00f5tte v\u00e4\u00e4rtuse loomise \u00fcldstruktuuris. Esinevad olukorrad, kus mudeli rakendamine ei \u00f5igusta end, ning masin\u00f5ppe spetsialistide kulutatud aeg osutub palju kallimaks kui selle t\u00f6\u00f6\u00fclesande t\u00e4itmine operaatori poolt. Seet\u00f5ttu tuleks neid juhtumeid p\u00fc\u00fcda tuvastada s\u00fcsteemide loomise varajastes etappides.<\/p>\n<p>Seega hakkab mudeli kasum tootma vaid siis, kui MLOpsi protsessis on \u00f5igesti m\u00e4\u00e4ratletud \u00e4rieesm\u00e4rk,Prioriteedid on paika pandud ning mudeli s\u00fcsteemi juurutamise protsess on arenduse varases etapis s\u00f5nastatud.<\/p>\n<h2>Uus protsess \u2013 uued v\u00e4ljakutsed<\/h2>\n<p>\nK\u00e4sitletav k\u00fcsimus, kui palju on ML-mudeleid v\u00f5imalik kasutada \u00e4riprobleemide lahendamiseks, ning tehisintellekti usaldusv\u00e4\u00e4rsus on \u00fcks peamisi v\u00e4ljakutseid MLOps'i l\u00e4henemiste arengus ja rakendamises. Alguses on \u00e4ri ettevaatlik masin\u00f5ppe rakenduste suhtes \u2014 keeruline on usaldada mudeleid seal, kus varem tegid t\u00f6\u00f6d inimesed. \u00c4ri jaoks paistavad programmid kui \"must kast\", mille vastuste asjakohasust tuleb veel t\u00f5estada. Lisaks kehtivad panganduses, telekommunikatsiooniettev\u00f5tetes ja mujal ranged regulatiivsed n\u00f5uded. K\u00f5ik panganduses rakendatud s\u00fcsteemid ja algoritmid on auditi all. Selle probleemiga tegelemiseks, et veenda \u00e4ri ja regulatoore tehisintellekti vastuste \u00f5igustatuse ja korrektsuse osas, rakendatakse koos mudeliga ka j\u00e4lgimisvahendeid. Samuti on olemas s\u00f5ltumatu valideerimise protseduur, mis on regulatiivsete mudelite jaoks kohustuslik ja vastab Keskpanga n\u00f5uetele. S\u00f5ltumatu ekspertgrupp viib l\u00e4bi mudeli poolt saadud tulemuste auditi, arvestades sisendeid.<\/p>\n<p>Teine samm on mudelite riskide hindamine ja arvestamine masin\u00f5ppe mudeli rakendamisel. Kui isegi inimene ei saa sajaprotsendilise kindlusega \u00f6elda, kas kleit oli valge v\u00f5i sinine, siis on ka tehisintellektil \u00f5igus eksida. Samuti tuleb arvestada, et andmed v\u00f5ivad aja jooksul muutuda ning mudeleid tuleb t\u00e4iendavalt \u00f5petada, et nad suudaksid anda piisavalt t\u00e4pse tulemuse. Et \u00e4riprotsess ei kannataks, on oluline juhtida mudelite riske ja j\u00e4lgida mudeli t\u00f6\u00f6d, harjutades 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 hakkab v\u00e4ljenduma vastupidine efekt. Mida rohkem mudeleid edukalt protsessidesse rakendatakse, seda suurem on ettev\u00f5tte isu tehisintellekti kasutamiseks \u2014 ilmnevad uusi ja uusi \u00fclesandeid, mida saab lahendada masin\u00f5ppe meetoditega. Iga \u00fclesanne k\u00e4ivitab terve protsessi, mis n\u00f5uab erinevaid oskusi:<\/p>\n<ul>\n<li>andmeinsenerid ette 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 osakond rakendab mudeli s\u00fcsteemi;\n<\/li>\n<li>ML-insener m\u00e4\u00e4ratleb, kuidas seda mudelit \u00f5igesti integreerida protsessi, milliseid IT-t\u00f6\u00f6riistu kasutada modelleerimise rakendamise n\u00f5uete, p\u00e4ringuhulga, vastuseaja jne j\u00e4rgi.\u00a0\n<\/li>\n<li>ML-arhitekt projekteerib, kuidas f\u00fc\u00fcsiliselt rakendada tarkvaratoodet 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 \u00e4ritegevusse s\u00fcvenemise hetkel selgub, et spetsialistide arvu lineaarne suurendamine, mis on proportsionaalne \u00fclesannete arvu kasvuga, muutub kalliks ja ebaefektiivseks. Seet\u00f5ttu tekib vajadus MLOps protsesside automatiseerimise j\u00e4rele \u2014 m\u00e4\u00e4ratlemine mitmest standardklassist masin\u00f5ppe \u00fclesannetest, andmete t\u00f6\u00f6tlemise t\u00fc\u00fcppipeede arendamine ja mudelite t\u00e4iendamine. Ideaalses olukorras vajavad selliste \u00fclesannete lahendamiseks professionaalid, kes valdavad v\u00f5rdselt h\u00e4sti teadmisi BigData, andmete teaduse, DevOpsi ja IT piirialal. Seet\u00f5ttu on suurim probleem andmete teaduse t\u00f6\u00f6stuses ja suurim v\u00e4ljakutse MLOps protsesside korraldamisel \u2014 sellise p\u00e4devuse puudumine praegusel t\u00f6\u00f6j\u00f5uturul. Spetsialiste, kes vastavad nendele n\u00f5uetele, leidub praegu t\u00f6\u00f6j\u00f5uturul vaid \u00fcksikuid ja nad on kulda v\u00e4\u00e4rivad.<\/p>\n<h2>P\u00e4devuste k\u00fcsimus<\/h2>\n<p>\nTeoorias saab k\u00f5iki MLOpsi \u00fclesandeid lahendada klassikaliste DevOpsi t\u00f6\u00f6riistadega, ilma et peaks spetsialiseeritud rollimudeli laiendusele toetuma. Nagu oleme juba eespool maininud, peab andmete teadlane olema mitte ainult matemaatik ja andmeanal\u00fc\u00fctika spetsialist, vaid ka kogu t\u00f6\u00f6voo guru \u2014 tema \u00fclesandeks on arhitektuuri v\u00e4ljat\u00f6\u00f6tamine, mudelite programmeerimine mitmes keeles, s\u00f5ltuvalt arhitektuurist, andmete vitriini ettevalmistamine ja rakenduse ise juurutamine. Kuid tehnilise raamistikku loomine, mis teostatakse MLOpsi protsessis, v\u00f5tab kuni 80% t\u00f6\u00f6j\u00f5udest, mis t\u00e4hendab, et kvalifitseeritud matemaatik, kelleks on kvaliteetne andmete teadlane, p\u00fchendab vaid 20% oma ajast oma spetsialiteedile. Seet\u00f5ttu muutub spetsialistide rollide eristamine, kes teostavad masin\u00f5ppemudelite rakendamise protsessi, eluliselt vajalikuks.\u00a0<\/p>\n<p>Kuidas rolle detailselt eristada, s\u00f5ltub ettev\u00f5tte suurusest. \u00dcks asi on see, kui idufirmas on \u00fcks inimene, kes t\u00e4idab k\u00f5iki rolle: insener, arhitekt ja DevOps. T\u00e4iesti teine asi on see, kui suures ettev\u00f5ttes on k\u00f5ik mudelite arendamise protsessid koondatud k\u00f5rgelt kvalifitseeritud andmete teadlaste k\u00e4tte, samas kui programmeerija v\u00f5i andmebaaside spetsialist \u2014 tavaline ja taskukohasem kompetents t\u00f6\u00f6turul \u2014 suudab v\u00f5tta enda peale suure osa rutiinsetest \u00fclesannetest.<\/p>\n<p>Seega s\u00f5ltub otsekohe, kus l\u00e4heb piir spetsialistide valikul MLOpsi protsessi tagamiseks ja kuidas on korraldatud arendatud mudelite operatsioonalisatsiooni protsess, arendatud mudelite kiirus ja kvaliteet, meeskonna tootlikkus ja selles valitsev mikrokliima.<\/p>\n<h2>Mida meie tiim on juba saavutanud<\/h2>\n<p>\nMe ei ole nii kaua aega tagasi alustanud kompetentsistruktuuri ja MLOpsi protsesside \u00fclesehitamist. Kuid juba praegu on meie mudelihalduse projektid ja mudelite rakendamine teenusena MVP testimise staadiumis.<\/p>\n<p>Oleme samuti m\u00e4\u00e4ranud suurt ettev\u00f5tet toetava kompetentsi struktuuri ja organisatsioonilise koost\u00f6\u00f6 struktuuri k\u00f5ikide protsessi osalejate vahel. Oleme loonud Agile-meeskonnad, kes lahendavad \u00fclesandeid k\u00f5igi \u00e4ri tellijate jaoks ja korraldanud koost\u00f6\u00f6protsessi projektimeeskondadega, kes arendavad platvorme ja infrastruktuuri, mis on MLOpsi hoone vundament.<\/p>\n<h2>K\u00fcsimused tulevikuks<\/h2>\n<p>\nMLOps on arenev valdkond, mis tunneb kompetentside puudust ja tulevikus t\u00f5useb see kindlasti esile. Praegu on parim aluseks v\u00f5tta DevOpsi kogemused ja praktikad. MLOpsi peamine eesm\u00e4rk on ML-mudelite t\u00f5husam kasutamine \u00e4ri\u00fclesannete lahendamiseks. Selle k\u00e4igus tekib aga palju k\u00fcsimusi:<\/p>\n<ul>\n<li>Kuidas l\u00fchendada mudelite tootmisseviimise aega?\n<\/li>\n<li>Kuidas v\u00e4hendada b\u00fcrokraatlikke takistusi erinevate kompetentsidega meeskondade vahel ja suurendada koost\u00f6\u00f6suundumust?\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 modernse ML-mudeli jaoks?\n<\/li>\n<li>Kuidas standardiseerida masin\u00f5ppe protsessi?\n<\/li>\n<\/ul>\n<p>\nNendele k\u00fcsimustele vastamine m\u00f5jutab oluliselt, kui kiiresti MLOps oma potentsiaali t\u00e4ielikult avab.<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 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\/et\/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=\"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. \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\/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 professionaalsetes ringkondades ja AI-levi konverentsidel tekkis MLOpsi m\u00f5isted, mis kinnistus kiiresti valdkonnas ja areneb n\u00fc\u00fcd iseseisva suuna suunas. Tulevikus v\u00f5ib MLOps saada \u00fcheks k\u00f5ige n\u00f5utumaks valdkonnaks IT-s. Mis see on ja millega seda s\u00fc\u00fcakse, selgitame allpool. Mis on MLOps MLOps (\u00fchendamine","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. \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\/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"},"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}]}}