{"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\/hr\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps u svijetu Machine Learninga","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Godine 2018. u profesionalnim krugovima i na tematskim konferencijama posve\u0107enim AI-u, pojam MLOps je postao popularan, brzo se ustalio u industriji i sada se razvija kao samostalna disciplina. U perspektivi, MLOps bi mogao postati jedno od najtra\u017eenijih polja u IT-u. \u0160to je to zapravo i kako ga koristiti, saznajte u nastavku.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps u svijetu Machine Learninga\" 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>\u0160to je MLOps<\/h2>\n<p>\nMLOps (spoj tehnologija i procesa strojnog u\u010denja te pristupa implementaciji razvijenih modela u poslovne procese) predstavlja novi na\u010din suradnje izme\u0111u poslovnih predstavnika, znanstvenika, matemati\u010dara, stru\u010dnjaka za strojno u\u010denje i IT in\u017eenjera pri stvaranju sustava umjetne inteligencije.<\/p>\n<p>Drugim rije\u010dima, to je na\u010din pretvaranja metoda i tehnologija strojnog u\u010denja u korisni alat za rje\u0161avanje poslovnih zadataka.\u00a0<\/p>\n<p>Va\u017eno je razumjeti da lanac produktivizacije po\u010dinje mnogo prije razvoja modela. Prvi korak se sastoji u definiranju poslovnog zadatka, hipoteze o vrijednosti koju se mo\u017ee izvu\u0107i iz podataka i poslovne ideje o njenoj primjeni.\u00a0<\/p>\n<p>Sam pojam MLOps nastao je kao analogija konceptu DevOps primijenjenom na modele i tehnologije strojnog u\u010denja. DevOps je pristup razvoju softvera koji omogu\u0107ava pove\u0107anje brzine implementacije pojedina\u010dnih promjena uz o\u010duvanje fleksibilnosti i pouzdanosti kroz niz metoda, uklju\u010duju\u0107i kontinuirani razvoj, podjelu funkcija na neovisne mikroslu\u017ebe, automatizirano testiranje i uvo\u0111enje promjena, globalno pra\u0107enje operativnosti, sustav brzog reagiranja na otkrivene kvarove i drugo.\u00a0<\/p>\n<p>DevOps je definirao \u017eivotni ciklus softvera, a u zajednici stru\u010dnjaka pojavila se ideja o kori\u0161tenju iste metodologije u kontekstu velikih podataka. DataOps je poku\u0161aj prilagodbe i pro\u0161irenja metodologije uzimaju\u0107i u obzir karakteristike pohrane, prijenosa i obrade velikih skupova podataka na raznim i me\u0111usobno povezanih platformama.<br \/>\n\u00a0\u00a0<br \/>\nS pojavom odre\u0111ene kriti\u010dne mase modela strojnog u\u010denja integriranih u poslovne procese poduze\u0107a, primje\u0107eno je sna\u017eno sli\u010dnost \u017eivotnog ciklusa matemati\u010dkih modela strojnog u\u010denja i \u017eivotnog ciklusa softvera. Razlika je samo u tome \u0161to se algoritmi modela kreiraju pomo\u0107u alata i metoda strojnog u\u010denja. Stoga se prirodno pojavila ideja primijeniti i prilagoditi poznate pristupe razvoju softvera za modele strojnog u\u010denja. Tako se u \u017eivotnom ciklusu modela strojnog u\u010denja mogu izdvojiti sljede\u0107e klju\u010dne faze:<\/p>\n<ul>\n<li>definiranje poslovne ideje;\n<\/li>\n<li>obuka modela;\n<\/li>\n<li>testiranje i implementacija modela u poslovni proces;\n<\/li>\n<li>upotreba modela.\n<\/li>\n<\/ul>\n<p>\nKada tijekom upotrebe nastane potreba za promjenom ili dodatnom obukom modela na novim podacima, ciklus se ponovno pokre\u0107e \u2014 model se doradjuje, testira, i deploya nova verzija.<\/p>\n<blockquote><p>Odstupanje. Za\u0161to dodatno obu\u010diti, a ne ponovo obu\u010diti? Termin \u201eponovno obu\u010davanje modela\u201c ima dvostruko zna\u010denje: me\u0111u stru\u010dnjacima ozna\u010dava defekt modela, kada model dobro predvi\u0111a, zapravo ponavlja predvi\u0111eni parametar na obu\u010davaju\u0107em skupu, ali mnogo lo\u0161ije radi na vanjskom skupu podataka. Prirodno, takav model je neispravan, budu\u0107i da taj defekt ne dopu\u0161ta njegovu primjenu.<\/p><\/blockquote>\n<p>\nU ovom \u017eivotnom ciklusu izgleda logi\u010dnim koristiti DevOps alate: automatizirano testiranje, implementacija i pra\u0107enje, oblikovanje izra\u010duna modela u obliku zasebnih mikroslu\u017ebi. No postoje i odre\u0111ene osobitosti koje sprje\u010davaju izravnu primjenu tih alata bez dodatne ML omotnice.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps u svijetu Machine Learninga\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Kako natjerati modele da rade i donose profit<\/h2>\n<p>\nKao primjer na kojem \u0107emo demonstrirati primjenu pristupa MLOps, uzet \u0107emo klasi\u010dan zadatak automatizacije chata podr\u0161ke za bankovni (ili bilo koji drugi) proizvod. Obi\u010dno, poslovni proces podr\u0161ke putem chata izgleda ovako: klijent unosi u chat poruku s pitanjem i dobiva odgovor stru\u010dnjaka unutar unaprijed definiranog stabla dijaloga. Zadatak automatizacije takvog chata obi\u010dno se rje\u0161ava putem skupova pravila koje definira ekspert, \u0161to je vrlo zahtjevno za razvoj i odr\u017eavanje. U\u010dinkovitost takve automatizacije, ovisno o slo\u017eenosti zadatka, mo\u017ee iznositi 20-30%. Naravno, javlja se ideja da je isplativije uvesti modul umjetne inteligencije \u2014 model razvijen uz pomo\u0107 strojnog u\u010denja, koji:<\/p>\n<ul>\n<li>mo\u017ee obraditi ve\u0107u koli\u010dinu zahtjeva bez sudjelovanja operatera (ovisno o temi, u nekim slu\u010dajevima u\u010dinkovitost mo\u017ee dose\u0107i 70-80%);\n<\/li>\n<li>bolje se prilago\u0111ava nekonvencionalnim formulacijama u dijalogu \u2014 zna odrediti namjeru, stvarnu \u017eelju korisnika prema nejasno oblikovanom zahtjevu;\n<\/li>\n<li>mo\u017ee odrediti kada je odgovor modela adekvatan, a kada postoji dvojba o 'svijesti' tog odgovora i treba postaviti dodatno poja\u0161njenje ili prebaciti se na operatera;\n<\/li>\n<li>mo\u017ee se automatizirano dodatno obu\u010diti (umjesto grupe razvija\u010da koja neprekidno prilago\u0111ava i ispravlja scenarije odgovora, model dodatno obu\u010dava stru\u010dnjak za podatke, primjenjuju\u0107i odgovaraju\u0107e biblioteke strojnog u\u010denja).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps u svijetu Machine Learninga\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nKako natjerati takav napredni model da radi?\u00a0<\/p>\n<p>Kao i pri rje\u0161avanju bilo kojeg drugog zadatka, prije nego \u0161to zapo\u010dnemo razvoj takvog modula, potrebno je definirati poslovni proces i formalno opisati konkretan problem koji \u0107emo rje\u0161avati primjenom metode strojnog u\u010denja. Na ovoj to\u010dki zapo\u010dinje proces operacionalizacije, ozna\u010den akronimom Ops.\u00a0<\/p>\n<p>Sljede\u0107i korak je da stru\u010dnjak za Data science u suradnji s in\u017eenjerom za podatke provjeri dostupnost i dovoljnost podataka te poslovnu hipotezu o izvedivosti poslovne ideje, razvijaju\u0107i prototip modela i testiraju\u0107i njegovu stvarnu u\u010dinkovitost. Tek nakon potvrde od strane poslovanja mo\u017ee zapo\u010deti prijelaz od razvoja modela do njegovog integriranja u sustave koji izvr\u0161avaju odre\u0111eni poslovni proces. Sveobuhvatno planiranje implementacije, duboko razumijevanje na svakom koraku kako \u0107e se model koristiti i kakav ekonomski u\u010dinak \u0107e donijeti, predstavlja temeljnu to\u010dku u procesima implementacije MLOps u tehnolo\u0161ki pejza\u017e tvrtke.<\/p>\n<p>S razvojem tehnologije AI, broj i raznolikost zadataka koje je mogu\u0107e rije\u0161iti pomo\u0107u strojno u\u010denje rapidno raste. Svaki takav poslovni proces podrazumijeva u\u0161tedu za tvrtku kroz automatizaciju rada zaposlenika u masovnim pozicijama (call centri, provjera i sortiranjem dokumenata itd.), pro\u0161irenje baze klijenata dodavanjem novih privla\u010dnih i prakti\u010dnih funkcija, u\u0161tedu sredstava kroz optimalnu upotrebu i preraspodjelu resursa i mnogo vi\u0161e. Na kraju, svaki proces usmjeren je na stvaranje vrijednosti i, kao rezultat, trebao bi donijeti odre\u0111eni ekonomski u\u010dinak. Ovdje je vrlo va\u017eno jasno formulirati poslovnu ideju i izra\u010dunati predvi\u0111eni profit od implementacije modela u ukupnom okviru stvaranja vrijednosti tvrtke. Dogoditi \u0107e se situacije kada implementacija modela ne opravdava samu sebe, a vrijeme koje su potro\u0161ili stru\u010dnjaci za strojno u\u010denje puno je skuplje od radnog mjesta operatera koji izvr\u0161ava taj zadatak. Zato je va\u017eno nastojati prepoznati takve slu\u010dajeve u ranim fazama izrade AI sustava.<\/p>\n<p>Stoga, profit od modela po\u010dinju donositi samo kada je u procesu MLOps pravilno definirana poslovna zada\u0107a, postavljeni prioriteti i u ranim fazama razvoja formuliran proces implementacije modela u sustav.<\/p>\n<h2>Novi proces - novi izazovi<\/h2>\n<p>\nSveobuhvatan odgovor na klju\u010dno poslovno pitanje koliko su ML modeli primjenjivi za rje\u0161avanje problema, op\u0107enito pitanje povjerenja u AI \u2014 jedno je od glavnih izazova u razvoju i implementaciji MLOps pristupa. Prvotno, poduze\u0107a skepti\u010dno gledaju na implementaciju strojnog u\u010denja u procese \u2014 te\u0161ko je osloniti se na modele na mjestima gdje su ranije obi\u010dno radili ljudi. Za poduze\u0107e programi se prikazuju kao \u201ecrna kutija\u201d, \u010dija relevantnost odgovora jo\u0161 treba biti dokazana. Osim toga, u bankarstvu i u poslovanju telekomunikacijskih operatera postoje strogi zahtjevi dr\u017eavnih regulativa. Sve sustave i algoritme koji su implementirani u bankarske procese podvrgavaju reviziji. Da bi se rije\u0161io ovaj problem, dokazao poduze\u0107ima i regulatorima opravdanost i ispravnost odgovora umjetne inteligencije, uz model se implementiraju alati za nadzor. Tako\u0111er, postoji postupak neovisne validacije, obavezan za regulatorne modele, koji zadovoljava zahtjeve CB-a. Neovisna stru\u010dna skupina provodi reviziju rezultata koje je model generirao uzimaju\u0107i u obzir ulazne podatke.<\/p>\n<p>Drugi izazov \u2014 procjena i uzimanje u obzir rizika modele prilikom implementacije modela strojnog u\u010denja. Ako \u010dak ni \u010dovjek ne mo\u017ee s potpunom sigurno\u0161\u0107u odgovoriti na pitanje je li haljina bila bijela ili plava, tada umjetna inteligencija tako\u0111er ima pravo na pogre\u0161ku. Tako\u0111er, treba uzeti u obzir da se podaci tijekom vremena mogu mijenjati, te modeli zahtijevaju dodatno u\u010denje kako bi davali dovoljno to\u010dne rezultate. Da poslovni proces ne bi bio ugro\u017een, potrebno je upravljati rizicima modela i pratiti rad modela, redovito ga dodatno u\u010de\u0107i na novim podacima.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps u svijetu Machine Learninga\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nNo nakon prve faze nepovjerenja, po\u010dinje se manifestirati obratni u\u010dinak. \u0160to vi\u0161e modela uspje\u0161no se implementira u procese, to vi\u0161e poduze\u0107ima raste apetiti za kori\u0161tenjem umjetne inteligencije \u2014 pojavljuju se nove i nove zada\u0107e koje se mogu rije\u0161iti metodama strojnog u\u010denja. Svaka zada\u0107a pokre\u0107e \u010ditav proces, koji zahtijeva razli\u010dite kompetencije:<\/p>\n<ul>\n<li>data in\u017eenjeri pripremaju i obra\u0111uju podatke;\n<\/li>\n<li>data znanstvenici primjenjuju alate strojnog u\u010denja i razvijaju model;\n<\/li>\n<li>IT implementira model u sustav;\n<\/li>\n<li>ML in\u017eenjer odre\u0111uje kako ispravno integrirati taj model u proces, koji IT alati koristiti ovisno o zahtjevima za na\u010dinom primjene modela, uzimaju\u0107i u obzir tok zahtjeva, vrijeme odgovora itd.\u00a0\n<\/li>\n<li>ML arhitekt dizajnira kako fizi\u010dki realizirati softverski proizvod u industrijskom sustavu.\n<\/li>\n<\/ul>\n<p>\nCijeli ciklus zahtijeva veliki broj visoko kvalificiranih stru\u010dnjaka. U odre\u0111enoj to\u010dki razvoja i stupnja penetracije ML modela u poslovne procese pokazuje se da linearno skaliranje broja stru\u010dnjaka proporcionalno rastu broja zadataka postaje skupo i neu\u010dinkovito. Stoga se postavlja pitanje automatizacije procesa MLOps \u2013 definiranje nekoliko standardnih klasa zadataka strojog u\u010denja, razvoj tipi\u010dnih pipelineova za obradu podataka i nadogradnju modela. U idealnoj slika za rje\u0161avanje takvih zadataka potrebni su profesionalci koji jednako dobro ovladavaju kompetencijama na sjeci\u0161tu BigData, Data Science, DevOps i IT. Stoga je najve\u0107i problem u industriji Data Science i najve\u0107i izazov u organizaciji procesa MLOps \u2013 nedostatak takve kompetencije na postoje\u0107em tr\u017ei\u0161tu rada. Stru\u010dnjaci koji ispunjavaju takve zahtjeve trenutno su rijetki na tr\u017ei\u0161tu rada i cijene se kao zlato.<\/p>\n<h2>Pitanje kompetencija<\/h2>\n<p>\nU teoriji se svi MLOps zadaci mogu rje\u0161avati klasi\u010dnim DevOps alatima bez pribjegavanja specijaliziranom pro\u0161irenju uloge modela. No, kao \u0161to smo ve\u0107 spomenuli, data scientist mora biti ne samo matemati\u010dar i stru\u010dnjak za analizu podataka, ve\u0107 i guru cijelog pipelinea \u2013 na njegovim je le\u0111ima razvoj arhitekture, programiranje modela na nekoliko jezika ovisno o arhitekturi, priprema prednje strane podataka i implementacija same aplikacije. Me\u0111utim, stvaranje tehnolo\u0161ke poveznice koja se ostvaruje u vremenskom procesu MLOps oduzima do 80% radnog vremena, a to zna\u010di da kvalificirani matemati\u010dar, koji je kvalitetan Data Scientist, provodi samo 20% svog vremena u svojoj struci. Stoga razdvajanje uloga stru\u010dnjaka koji provode proces implementacije modela strojog u\u010denja postaje od vitalne va\u017enosti.\u00a0<\/p>\n<p>Koliko detaljno treba razdvojiti uloge, ovisi o veli\u010dini poduze\u0107a. Jedna je stvar kada u startupu radi jedan stru\u010dnjak, radnik na energiju, koji je sam sebi in\u017eenjer, arhitekt i DevOps. Sasvim je druga stvar kada je u velikom poduze\u0107u sve procese razvoja modela koncentrirano na nekoliko visoko kvalificiranih Data Science stru\u010dnjaka, dok programer ili stru\u010dnjak za baze podataka \u2014 vi\u0161e je rasprostranjena i manje skupa kompetencija na tr\u017ei\u0161tu rada \u2014 mo\u017ee preuzeti ve\u0107i dio rutinskih zadataka.<\/p>\n<p>Dakle, od toga gdje prolazi granica u izboru stru\u010dnjaka za osiguranje procesa MLOps i kako je organiziran proces operacionalizacije razvijenih modela, izravno ovisi brzina i kvaliteta razvijenih modela, produktivnost tima i mikroklima unutar njega.<\/p>\n<h2>\u0160to je ve\u0107 sada u\u010dinjeno od na\u0161e strane<\/h2>\n<p>\nNedavno smo po\u010deli graditi strukturu kompetencija i procese MLOps. No ve\u0107 sada su u fazi testiranja MVP na\u0161i projekti za upravljanje \u017eivotnim ciklusom modela i primjenom modela kao usluga.<\/p>\n<p>Tako\u0111er smo odredili optimalnu strukturu kompetencija za velika poduze\u0107a i organizacijsku strukturu suradnje me\u0111u svim sudionicima procesa. Organizirani su Agile timovi koji rje\u0161avaju zadatke za cijeli spektar poslovnih naru\u010ditelja, a uspostavljen je i proces suradnje s projektnim timovima za izradu platformi, infrastrukture koja je temelj rastezanja MLOps.<\/p>\n<h2>Pitanja za budu\u0107nost<\/h2>\n<p>\nMLOps \u2014 razvijaju\u0107a se disciplina koja pati od nedostatka kompetencija i u budu\u0107nosti \u0107e dobiti zamah. A za sada je najbolje osloniti se na dosada\u0161nje radove i prakse DevOps-a. Glavni cilj MLOps-a je u\u010dinkovitije kori\u0161tenje ML modela za rje\u0161avanje poslovnih zadataka. No, pritom se postavlja niz pitanja:<\/p>\n<ul>\n<li>Kako skratiti vrijeme potrebno za pu\u0161tanje modela u proizvodnju?\n<\/li>\n<li>Kako smanjiti birokratske trenje izme\u0111u timova razli\u010ditih kompetencija i pove\u0107ati usmjerenost na suradnju?\n<\/li>\n<li>Kako pratiti modele, upravljati verzijama i organizirati u\u010dinkovito pra\u0107enje?\n<\/li>\n<li>Kako stvoriti zaista cikli\u010dni \u017eivotni ciklus za suvremeni ML model?\n<\/li>\n<li>Kako standardizirati proces strojno u\u010denje?\n<\/li>\n<\/ul>\n<p>\nOd odgovora na ova pitanja u velikoj mjeri \u0107e ovisiti koliko brzo \u0107e MLOps otkriti svoj puni potencijal.<br \/>\n<br \/>Izvor: <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 5.0.5.1 - 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\/hr\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.5.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"hr_HR\" \/>\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\/hr\/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 u svijetu strojnog u\u010denja | ProHoster","description":"Godine 2018. u profesionalnim krugovima i na tematskim konferencijama posve\u0107enim AI-u, pojam MLOps je brzo u\u0161ao u upotrebu i sada se razvija kao samostalna disciplina.","canonical_url":"https:\/\/prohoster.info\/hr\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"hr_HR","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\/hr\/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\/hr\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/hr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/hr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/hr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/hr\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/hr\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/hr\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/hr\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/hr\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/hr\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}