{"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\/hu\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps a Machine Learning vil\u00e1g\u00e1ban","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>2018-ban a szakmai k\u00f6r\u00f6kben \u00e9s az AI-nek szentelt konferenci\u00e1kon megjelent az MLOps fogalma, amely gyorsan elterjedt az ipar\u00e1gban, \u00e9s most \u00f6n\u00e1ll\u00f3 ir\u00e1nyk\u00e9nt fejl\u0151dik. A j\u00f6v\u0151ben az MLOps az IT egyik legkeresettebb ter\u00fclet\u00e9v\u00e9 v\u00e1lhat. Mi is ez val\u00f3j\u00e1ban, \u00e9s hogyan haszn\u00e1lj\u00e1k, azt most megtudjuk.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps a Machine Learning vil\u00e1g\u00e1ban\" 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>Mi az MLOps<\/h2>\n<p>\nAz MLOps (a g\u00e9pi tanul\u00e1si technol\u00f3gi\u00e1k \u00e9s folyamatok, valamint a kidolgozott modellek \u00fczleti folyamatokba val\u00f3 integr\u00e1l\u00e1s\u00e1nak megk\u00f6zel\u00edt\u00e9se) egy \u00faj egy\u00fcttm\u0171k\u00f6d\u00e9si m\u00f3dszer az \u00fczleti k\u00e9pvisel\u0151k, tud\u00f3sok, matematikai szak\u00e9rt\u0151k, g\u00e9pi tanul\u00e1s szak\u00e9rt\u0151k \u00e9s IT m\u00e9rn\u00f6k\u00f6k k\u00f6z\u00f6tt az mesters\u00e9ges intelligencia rendszerek l\u00e9trehoz\u00e1sakor.<\/p>\n<p>M\u00e1s szavakkal, ez a g\u00e9pi tanul\u00e1si m\u00f3dszerek \u00e9s technol\u00f3gi\u00e1k hasznos eszk\u00f6zz\u00e9 alak\u00edt\u00e1s\u00e1nak m\u00f3dja az \u00fczleti probl\u00e9m\u00e1k megold\u00e1s\u00e1ra.\u00a0<\/p>\n<p>Fontos meg\u00e9rteni, hogy a termel\u00e9kenys\u00e9g l\u00e1ncolata j\u00f3val a modell fejleszt\u00e9se el\u0151tt kezd\u0151dik. Az els\u0151 l\u00e9p\u00e9s az \u00fczleti feladat meghat\u00e1roz\u00e1sa, az adatokb\u00f3l kinyerhet\u0151 \u00e9rt\u00e9k hipot\u00e9zisei \u00e9s az ezek alkalmaz\u00e1s\u00e1ra vonatkoz\u00f3 \u00fczleti \u00f6tletek kidolgoz\u00e1sa.\u00a0<\/p>\n<p>Az MLOps fogalma a DevOps fogalm\u00e1nak anal\u00f3gi\u00e1jak\u00e9nt sz\u00fcletett meg a g\u00e9pi tanul\u00e1s modelleire \u00e9s technol\u00f3gi\u00e1ira vonatkoz\u00f3an. A DevOps egy szoftverfejleszt\u00e9si megk\u00f6zel\u00edt\u00e9s, amely lehet\u0151v\u00e9 teszi a v\u00e1ltoztat\u00e1sok gyorsabb bevezet\u00e9s\u00e9t, mik\u00f6zben meg\u0151rzi a rugalmass\u00e1got \u00e9s megb\u00edzhat\u00f3s\u00e1got, t\u00f6bbek k\u00f6z\u00f6tt folyamatos fejleszt\u00e9s, sz\u00e9tv\u00e1lasztott funkci\u00f3k f\u00fcggetlen mikroszolg\u00e1ltat\u00e1sokra, automatiz\u00e1lt tesztel\u00e9s \u00e9s a v\u00e1ltoztat\u00e1sok bevezet\u00e9se, glob\u00e1lis teljes\u00edtm\u00e9ny figyel\u00e9s \u00e9s a felmer\u00fcl\u0151 hib\u00e1kra val\u00f3 gyors reag\u00e1l\u00e1s rendszer\u00e9nek alkalmaz\u00e1s\u00e1val.\u00a0<\/p>\n<p>A DevOps meghat\u00e1rozta a szoftver \u00e9letciklus\u00e1t, \u00e9s a szak\u00e9rt\u0151i k\u00f6z\u00f6ss\u00e9gben felmer\u00fclt az \u00f6tlet, hogy ugyanazt a m\u00f3dszert alkalmazz\u00e1k a nagym\u00e9ret\u0171 adatokra. A DataOps arra tett k\u00eds\u00e9rletet, hogy a nagym\u00e9ret\u0171 adatanyagok t\u00e1rol\u00e1s\u00e1nak, tov\u00e1bb\u00edt\u00e1s\u00e1nak \u00e9s feldolgoz\u00e1s\u00e1nak saj\u00e1toss\u00e1gainak figyelembev\u00e9tel\u00e9vel alkalmazza \u00e9s b\u0151v\u00edtse a m\u00f3dszert.<br \/>\n\u00a0\u00a0<br \/>\nA g\u00e9pi tanul\u00e1s modelljeinek \u00fczleti folyamatokba t\u00f6rt\u00e9n\u0151 integr\u00e1ci\u00f3j\u00e1nak bizonyos kritikus t\u00f6meg\u00e9vel er\u0151teljes hasonl\u00f3s\u00e1g figyelhet\u0151 meg a g\u00e9pi tanul\u00e1s matematikai modelljeinek \u00e9letciklusa \u00e9s a szoftver \u00e9letciklusa k\u00f6z\u00f6tt. A k\u00fcl\u00f6nbs\u00e9g csak annyi, hogy a modellek algoritmusait g\u00e9pi tanul\u00e1si eszk\u00f6z\u00f6k \u00e9s m\u00f3dszerek seg\u00edts\u00e9g\u00e9vel hoz\u00e1k l\u00e9tre. Ez\u00e9rt term\u00e9szetes m\u00f3don mer\u00fclt fel az \u00f6tlet, hogy a szoftverfejleszt\u00e9s sor\u00e1n m\u00e1r ismert megk\u00f6zel\u00edt\u00e9seket alkalmazz\u00e1k \u00e9s adapt\u00e1lj\u00e1k a g\u00e9pi tanul\u00e1s modelljeire. \u00cdgy a g\u00e9pi tanul\u00e1s modelljeinek \u00e9letciklus\u00e1ban a k\u00f6vetkez\u0151 kulcsfontoss\u00e1g\u00fa l\u00e9p\u00e9seket lehet kiemelni:<\/p>\n<ul>\n<li>\u00fczleti \u00f6tlet meghat\u00e1roz\u00e1sa;\n<\/li>\n<li>modell betan\u00edt\u00e1sa;\n<\/li>\n<li>a modell tesztel\u00e9se \u00e9s bevezet\u00e9se az \u00fczleti folyamatba;\n<\/li>\n<li>a modell \u00fczemeltet\u00e9se.\n<\/li>\n<\/ul>\n<p>\nAmikor az \u00fczemeltet\u00e9s sor\u00e1n sz\u00fcks\u00e9gess\u00e9 v\u00e1lik a modell \u00faj adatokkal t\u00f6rt\u00e9n\u0151 m\u00f3dos\u00edt\u00e1sa vagy tov\u00e1bbi tan\u00edt\u00e1sa, a ciklus \u00fajraindul \u2014 a modellt tov\u00e1bbfejlesztik, tesztelik, \u00e9s egy \u00faj verzi\u00f3t telep\u00edtenek.<\/p>\n<blockquote><p>Kit\u00e9r\u0151. Mi\u00e9rt tov\u00e1bbtanul\u00e1s \u00e9s nem \u00fajratanul\u00e1s? A \u201emodell \u00fajratanul\u00e1sa\u201d kifejez\u00e9s kett\u0151s \u00e9rtelmez\u00e9s\u0171: a szak\u00e9rt\u0151k k\u00f6z\u00f6tt a modellek hibak\u00e9nt \u00e9rtelmez\u00e9s\u00e9re utal, amikor a modell j\u00f3l j\u00f3sol, gyakorlatilag megism\u00e9tli a becs\u00fclt param\u00e9tert a tanul\u00e1si mint\u00e1n, de sokkal rosszabbul teljes\u00edt a k\u00fcls\u0151 adatok mint\u00e1j\u00e1n. Term\u00e9szetesen egy ilyen modell selejt, mivel ez a hiba megakad\u00e1lyozza annak alkalmaz\u00e1s\u00e1t.<\/p><\/blockquote>\n<p>\nEbben az \u00e9letciklusban logikusnak t\u0171nik DevOps-eszk\u00f6z\u00f6k haszn\u00e1lata: automatiz\u00e1lt tesztel\u00e9s, telep\u00edt\u00e9s \u00e9s monitoroz\u00e1s, a modellek sz\u00e1m\u00edt\u00e1sainak elk\u00e9sz\u00edt\u00e9se k\u00fcl\u00f6n mikroszolg\u00e1ltat\u00e1s form\u00e1j\u00e1ban. De sz\u00e1mos saj\u00e1toss\u00e1g is l\u00e9tezik, amelyek megakad\u00e1lyozz\u00e1k e eszk\u00f6z\u00f6k k\u00f6zvetlen alkalmaz\u00e1s\u00e1t tov\u00e1bbi ML-k\u00f6r\u00edt\u00e9sek n\u00e9lk\u00fcl.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps a Machine Learning vil\u00e1g\u00e1ban\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Hogyan lehet r\u00e1venni a modelleket, hogy m\u0171k\u00f6djenek \u00e9s nyeres\u00e9get hozzanak.<\/h2>\n<p>\nP\u00e9ldak\u00e9nt, amelyen bemutatjuk az MLOps megk\u00f6zel\u00edt\u00e9s alkalmaz\u00e1s\u00e1t, vegy\u00fcnk egy klasszikuss\u00e1 v\u00e1lt feladatot, amely a banki (vagy b\u00e1rmely m\u00e1s) term\u00e9k t\u00e1mogat\u00e1si cseveg\u00e9s\u00e9nek automatiz\u00e1l\u00e1s\u00e1ra vonatkozik. A t\u00e1mogat\u00e1si cseveg\u00e9s \u00fczleti folyamata \u00e1ltal\u00e1ban a k\u00f6vetkez\u0151k\u00e9ppen zajlik: az \u00fcgyf\u00e9l be\u00edr egy \u00fczenetet a cseveg\u00e9sbe a k\u00e9rd\u00e9s\u00e9vel, \u00e9s v\u00e1laszt kap a szakembert\u0151l egy el\u0151re meghat\u00e1rozott p\u00e1rbesz\u00e9dfa keretein bel\u00fcl. Az ilyen cseveg\u00e9sek automatiz\u00e1l\u00e1s\u00e1nak feladata \u00e1ltal\u00e1ban szak\u00e9rt\u0151k \u00e1ltal meghat\u00e1rozott szab\u00e1lyrendszerek seg\u00edts\u00e9g\u00e9vel oldhat\u00f3 meg, amelyek kidolgoz\u00e1sa \u00e9s fenntart\u00e1sa rendk\u00edv\u00fcl id\u0151ig\u00e9nyes. Az ilyen automatiz\u00e1l\u00e1s hat\u00e9konys\u00e1ga a feladat bonyolults\u00e1g\u00e1nak f\u00fcggv\u00e9ny\u00e9ben 20\u201330% lehet. Term\u00e9szetesen felmer\u00fcl az az \u00f6tlet, hogy j\u00f6vedelmez\u0151bb lenne egy mesters\u00e9ges intelligencia modult bevezetni \u2013 egy olyan modellt, amelyet g\u00e9pi tanul\u00e1s seg\u00edts\u00e9g\u00e9vel fejlesztettek ki, amely:<\/p>\n<ul>\n<li>k\u00e9pes az oper\u00e1tor k\u00f6zrem\u0171k\u00f6d\u00e9se n\u00e9lk\u00fcl nagyobb sz\u00e1m\u00fa k\u00e9rd\u00e9st kezelni (a t\u00e9m\u00e1t\u00f3l f\u00fcgg\u0151en, bizonyos esetekben a hat\u00e9konys\u00e1g el\u00e9rheti a 70\u201380%-ot);\n<\/li>\n<li>jobban alkalmazkodik a p\u00e1rbesz\u00e9dben el\u0151fordul\u00f3 nem szabv\u00e1nyos megfogalmaz\u00e1sokhoz \u2013 k\u00e9pes azonos\u00edtani az intentet, a felhaszn\u00e1l\u00f3 val\u00f3s v\u00e1gy\u00e1t a nem pontosan megfogalmazott k\u00e9r\u00e9s alapj\u00e1n;\n<\/li>\n<li>k\u00e9pes meghat\u00e1rozni, mikor a modell v\u00e1lasza adekv\u00e1t, \u00e9s mikor mer\u00fclnek fel k\u00e9ts\u00e9gek a v\u00e1lasz \"tudatoss\u00e1g\u00e1val\" kapcsolatban, aminek k\u00f6vetkezt\u00e9ben tov\u00e1bbi pontos\u00edt\u00f3 k\u00e9rd\u00e9st kell feltenni vagy az oper\u00e1torra kell \u00e1tir\u00e1ny\u00edtani;\n<\/li>\n<li>automatikusan tov\u00e1bbk\u00e9pzhet\u0151 (a v\u00e1laszk\u00e9szletek folyamatosan t\u00f6rt\u00e9n\u0151 alkalmaz\u00e1s\u00e1hoz \u00e9s m\u00f3dos\u00edt\u00e1s\u00e1hoz sz\u00fcks\u00e9ges fejleszt\u0151csapat helyett a tov\u00e1bbk\u00e9pz\u00e9st a Data Science szak\u00e9rt\u0151 v\u00e9gzi, a megfelel\u0151 g\u00e9pi tanul\u00e1si k\u00f6nyvt\u00e1rakat alkalmazva).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps a Machine Learning vil\u00e1g\u00e1ban\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nHogyan m\u0171k\u00f6dhet egy ilyen fejlett modell?\u00a0<\/p>\n<p>Ahogy b\u00e1rmely m\u00e1s feladat megold\u00e1sakor, miel\u0151tt egy ilyen modult fejleszten\u00e9nk, defini\u00e1lnunk kell az \u00fczleti folyamatot, \u00e9s form\u00e1lisan le kell \u00edrnunk a konkr\u00e9t feladatot, amelyet a g\u00e9pi tanul\u00e1s m\u00f3dszer\u00e9vel fogunk megoldani. Ezen a ponton kezd\u0151dik az operatacionaliz\u00e1ci\u00f3s folyamat, amelyet az Ops mozaiksz\u00f3 jel\u00f6l.\u00a0<\/p>\n<p>A k\u00f6vetkez\u0151 l\u00e9p\u00e9sben a Data Science szakember egy\u00fcttm\u0171k\u00f6dve az adatm\u00e9rn\u00f6kkel ellen\u0151rzi az adatok megl\u00e9t\u00e9t \u00e9s elegend\u0151s\u00e9g\u00e9t, valamint a v\u00e1llalkoz\u00e1s hipot\u00e9zis\u00e9t a business \u00f6tlet m\u0171k\u00f6d\u0151k\u00e9pess\u00e9g\u00e9r\u0151l. Ez mag\u00e1ba foglalja a modell protot\u00edpus\u00e1nak kidolgoz\u00e1s\u00e1t \u00e9s annak t\u00e9nyleges hat\u00e9konys\u00e1g\u00e1nak ellen\u0151rz\u00e9s\u00e9t. Csak a v\u00e1llalkoz\u00e1s meger\u0151s\u00edt\u00e9se ut\u00e1n kezd\u0151dhet a modell fejleszt\u00e9s\u00e9nek integr\u00e1l\u00e1sa a speci\u00e1lis \u00fczleti folyamatokat v\u00e9gz\u0151 rendszerekbe. Az integr\u00e1ci\u00f3s terv folyamatos megfontol\u00e1sa, valamint a m\u00e9lyrehat\u00f3 meg\u00e9rt\u00e9s az egyes l\u00e9p\u00e9sek sor\u00e1n, hogy a modellt hogyan fogj\u00e1k haszn\u00e1lni \u00e9s milyen gazdas\u00e1gi hat\u00e1ssal lesz, alapvet\u0151 szempont a MLOps megk\u00f6zel\u00edt\u00e9sek v\u00e1llalati technol\u00f3giai t\u00e1jba val\u00f3 bevezet\u00e9s\u00e9ben.<\/p>\n<p>A mesters\u00e9ges intelligencia technol\u00f3gi\u00e1inak fejl\u0151d\u00e9s\u00e9vel lavinaszer\u0171en n\u0151 a g\u00e9pi tanul\u00e1s \u00e1ltal megoldhat\u00f3 feladatok sz\u00e1ma \u00e9s sokf\u00e9les\u00e9ge. Minden ilyen \u00fczleti folyamat a v\u00e1llalat sz\u00e1m\u00e1ra munkav\u00e1llal\u00f3k t\u00f6meges poz\u00edci\u00f3inak (call center, dokumentumok ellen\u0151rz\u00e9se \u00e9s v\u00e1logat\u00e1sa stb.) automatiz\u00e1l\u00e1s\u00e1val j\u00e1rul hozz\u00e1 a k\u00f6lts\u00e9gek megtakar\u00edt\u00e1s\u00e1hoz, \u00faj vonz\u00f3 \u00e9s k\u00e9nyelmes funkci\u00f3k hozz\u00e1ad\u00e1s\u00e1val b\u0151v\u00edti az \u00fcgyf\u00e9lk\u00f6rt, optimaliz\u00e1lja a forr\u00e1sok felhaszn\u00e1l\u00e1s\u00e1t, \u00e9s m\u00e9g sok m\u00e1s. V\u00e9gs\u0151 soron minden folyamat az \u00e9rt\u00e9kteremt\u00e9sre \u00f6sszpontos\u00edt, \u00e9s ennek k\u00f6vetkezm\u00e9nyek\u00e9nt gazdas\u00e1gi hat\u00e1st kell gyakorolnia. Itt rendk\u00edv\u00fcl fontos egy\u00e9rtelm\u0171en megfogalmazni az \u00fczleti \u00f6tletet \u00e9s kisz\u00e1m\u00edtani a modell bevezet\u00e9s\u00e9b\u0151l v\u00e1rhat\u00f3 j\u00f6vedelmet a v\u00e1llalat \u00e9rt\u00e9kteremt\u00e9s \u00f6sszk\u00e9p\u00e9ben. El\u0151fordulnak olyan helyzetek, amikor a modell bevezet\u00e9se nem t\u00e9r\u00fcl meg, \u00e9s a g\u00e9pi tanul\u00e1ssal foglalkoz\u00f3 szakemberek \u00e1ltal elt\u00f6lt\u00f6tt id\u0151 sokkal dr\u00e1g\u00e1bb, mint az oper\u00e1tor munkak\u00f6r\u00e9nek fenntart\u00e1sa, aki ezt a feladatot elv\u00e9gzi. Ez\u00e9rt ezeket az eseteket m\u00e1r a mesters\u00e9ges intelligencia rendszerek l\u00e9trehoz\u00e1s\u00e1nak korai szakaszaiban \u00e9rdemes azonos\u00edtani.<\/p>\n<p>Ez\u00e9rt a modell nyeres\u00e9ge csak akkor kezd\u0151dik, amikor a MLOps folyamat sor\u00e1n helyesen megfogalmazt\u00e1k az \u00fczleti c\u00e9lt, priorit\u00e1sokat \u00e1llap\u00edtottak meg, \u00e9s a fejleszt\u00e9s korai szakasz\u00e1ban meghat\u00e1rozt\u00e1k a modell rendszerbe val\u00f3 integr\u00e1l\u00e1s\u00e1nak folyamat\u00e1t.<\/p>\n<h2>\u00daj folyamat \u2013 \u00faj kih\u00edv\u00e1sok<\/h2>\n<p>\nKimer\u00edt\u0151 v\u00e1lasz a v\u00e1llalkoz\u00e1sok alapvet\u0151 k\u00e9rd\u00e9s\u00e9re arr\u00f3l, hogy mennyire alkalmazhat\u00f3k a g\u00e9pi tanul\u00e1si modellek a feladatok megold\u00e1s\u00e1ra, a mesters\u00e9ges intelligenci\u00e1ba vetett bizalom \u00e1ltal\u00e1nos k\u00e9rd\u00e9se \u2013 ez az MLOps megk\u00f6zel\u00edt\u00e9sek fejleszt\u00e9se \u00e9s bevezet\u00e9se sor\u00e1n az egyik legfontosabb kih\u00edv\u00e1s. Eleinte a v\u00e1llalkoz\u00e1sok szkeptikusak a g\u00e9pi tanul\u00e1s folyamatokba t\u00f6rt\u00e9n\u0151 bevezet\u00e9s\u00e9vel kapcsolatban \u2013 neh\u00e9z megb\u00edzni azokban a modellekben, ahol kor\u00e1bban \u00e1ltal\u00e1ban emberek dolgoztak. A v\u00e1llalkoz\u00e1sok sz\u00e1m\u00e1ra a programok \u201efekete dobozk\u00e9nt\u201d t\u0171nnek fel, amelyek v\u00e1laszainak relevanci\u00e1j\u00e1t m\u00e9g bizony\u00edtani kell. Ezen k\u00edv\u00fcl a p\u00e9nz\u00fcgyi szektorban, a t\u00e1vk\u00f6zl\u00e9si szolg\u00e1ltat\u00f3k \u00fczlet\u00e1g\u00e1ban \u00e9s m\u00e1s ter\u00fcleteken szigor\u00fa \u00e1llami szab\u00e1lyoz\u00f3i k\u00f6vetelm\u00e9nyek vannak. Minden rendszert \u00e9s algoritmust audit\u00e1lnak, amelyek be vannak vezetve a banki folyamatokba. Ennek a feladatnak a megold\u00e1s\u00e1hoz, hogy a v\u00e1llalkoz\u00e1soknak \u00e9s a szab\u00e1lyoz\u00f3knak bizony\u00edtani tudjuk a mesters\u00e9ges intelligencia v\u00e1laszainak megalapozotts\u00e1g\u00e1t \u00e9s helyess\u00e9g\u00e9t, a modellek mellett monitoroz\u00e1si eszk\u00f6z\u00f6ket is bevezetnek. Ezen k\u00edv\u00fcl l\u00e9tezik egy f\u00fcggetlen valid\u00e1l\u00e1si elj\u00e1r\u00e1s, amely k\u00f6telez\u0151 a szab\u00e1lyoz\u00f3i modellek sz\u00e1m\u00e1ra, \u00e9s megfelel a jegybank k\u00f6vetelm\u00e9nyeinek. Egy f\u00fcggetlen szak\u00e9rt\u0151i csoport audit\u00e1lja a modellek \u00e1ltal kapott, a bemeneti adatok figyelembev\u00e9tel\u00e9vel nyert eredm\u00e9nyeket.<\/p>\n<p>A m\u00e1sodik kih\u00edv\u00e1s a modellek kock\u00e1zatainak \u00e9rt\u00e9kel\u00e9se \u00e9s figyelembe v\u00e9tele a g\u00e9pi tanul\u00e1si modell bevezet\u00e9se sor\u00e1n. Ha m\u00e9g egy ember sem k\u00e9pes sz\u00e1zsz\u00e1zal\u00e9kos bizonyoss\u00e1ggal megv\u00e1laszolni a k\u00e9rd\u00e9st, hogy az a ruha feh\u00e9r vagy k\u00e9k volt, akkor a mesters\u00e9ges intelligenci\u00e1nak is joga van a hib\u00e1z\u00e1sra. Figyelembe kell venni azt is, hogy az adatok id\u0151vel v\u00e1ltozhatnak, \u00e9s a modelleknek sz\u00fcks\u00e9g\u00fck van tov\u00e1bbi tanulm\u00e1nyokra, hogy kell\u0151en pontos eredm\u00e9nyeket adjanak. Ahhoz, hogy a v\u00e1llalkoz\u00e1si folyamat ne szenvedjen, kezelni kell a modellek kock\u00e1zatait \u00e9s nyomon kell k\u00f6vetni a modell m\u0171k\u00f6d\u00e9s\u00e9t, rendszeresen \u00faj adatokkal kell a tanul\u00e1s\u00e1t friss\u00edteni.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps a Machine Learning vil\u00e1g\u00e1ban\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDe az els\u0151 szakasz\u00fa bizalmatlans\u00e1g ut\u00e1n elkezd megjelenni a ford\u00edtott hat\u00e1s. Min\u00e9l t\u00f6bb modellt sikeresen vezetnek be a folyamatokba, ann\u00e1l ink\u00e1bb n\u0151 a v\u00e1llalkoz\u00e1s ig\u00e9nye a mesters\u00e9ges intelligencia haszn\u00e1lat\u00e1ra \u2013 egyre \u00fajabb \u00e9s \u00fajabb feladatokat tal\u00e1lnak, amelyeket g\u00e9pi tanul\u00e1si m\u00f3dszerekkel lehet megoldani. Minden feladat egy eg\u00e9sz folyamatot ind\u00edt el, amely bizonyos kompetenci\u00e1kat ig\u00e9nyel:<\/p>\n<ul>\n<li>adatkutat\u00f3k k\u00e9sz\u00edtik el\u0151 \u00e9s dolgozz\u00e1k fel az adatokat;\n<\/li>\n<li>adat-tud\u00f3sok alkalmazz\u00e1k a g\u00e9pi tanul\u00e1s eszk\u00f6zeit \u00e9s fejlesztik a modellt;\n<\/li>\n<li>Az IT be\u00e9p\u00edti a modellt a rendszerbe;\n<\/li>\n<li>Az ML m\u00e9rn\u00f6k meghat\u00e1rozza, hogyan lehet a modellt helyesen be\u00e9p\u00edteni a folyamatba, milyen IT eszk\u00f6z\u00f6ket kell haszn\u00e1lni a modell alkalmaz\u00e1si m\u00f3dj\u00e1nak k\u00f6vetelm\u00e9nyei, a bek\u00e9r\u00e9sek \u00e1raml\u00e1sa, a v\u00e1laszid\u0151 stb. figyelembev\u00e9tel\u00e9vel.\u00a0\n<\/li>\n<li>Az ML \u00e9p\u00edt\u00e9sz megtervezi, hogyan lehet fizikailag megval\u00f3s\u00edtani a szoftverterm\u00e9ket ipari rendszerben.\n<\/li>\n<\/ul>\n<p>\nAz eg\u00e9sz ciklus nagy sz\u00e1m\u00fa magasan k\u00e9pzett szakembert ig\u00e9nyel. A ML modellek \u00fczleti folyamatokba val\u00f3 be\u00e9p\u00edt\u00e9se sor\u00e1n el\u00e9rhet\u0151 fejl\u0151d\u00e9si \u00e9s penetr\u00e1ci\u00f3s pontn\u00e1l kider\u00fcl, hogy a szakemberek sz\u00e1m\u00e1nak line\u00e1ris n\u00f6vel\u00e9se a feladatok sz\u00e1m\u00e1nak n\u00f6veked\u00e9s\u00e9vel ar\u00e1nyosan k\u00f6lts\u00e9ges \u00e9s hat\u00e1stalan. Ez\u00e9rt felmer\u00fcl az MLOps folyamat automatiz\u00e1l\u00e1s\u00e1nak sz\u00fcks\u00e9gess\u00e9ge - n\u00e9h\u00e1ny standard g\u00e9pi tanul\u00e1si feladat oszt\u00e1ly\u00e1nak meghat\u00e1roz\u00e1sa, tipikus adatfeldolgoz\u00e1si \u00e9s modellek tov\u00e1bbk\u00e9pz\u00e9si folyamatok fejleszt\u00e9se. Az ide\u00e1lis k\u00e9pen ezen feladatok megold\u00e1s\u00e1hoz olyan szakemberekre van sz\u00fcks\u00e9g, akik egyar\u00e1nt j\u00f3l ismerik a Big Data, Data Science, DevOps \u00e9s IT hat\u00e1rter\u00fcleteit. Ez\u00e9rt a Data Science ipar\u00e1g legnagyobb probl\u00e9m\u00e1ja \u00e9s az MLOps folyamatok megszervez\u00e9s\u00e9nek legnagyobb kih\u00edv\u00e1sa - az ilyen szint\u0171 kompetenci\u00e1k hi\u00e1nya a rendelkez\u00e9sre \u00e1ll\u00f3 munkaer\u0151piacon. Az ilyen k\u00f6vetelm\u00e9nyeknek megfelel\u0151 szakemberek jelenleg egyediek a munkaer\u0151piacon \u00e9s arany \u00e9rt\u00e9k\u0171ek.<\/p>\n<h2>A kompetenci\u00e1k k\u00e9rd\u00e9s\u00e9hez<\/h2>\n<p>\nElm\u00e9letileg minden MLOps feladatot klasszikus DevOps eszk\u00f6z\u00f6kkel is meg lehet oldani, an\u00e9lk\u00fcl hogy speci\u00e1lis szerepm\u00f3dos\u00edt\u00e1shoz folyamodn\u00e1nk. Ahogy m\u00e1r eml\u00edtett\u00fck, az adat tud\u00f3snak nemcsak matematikusnak \u00e9s adat-analitik\u00e1nak kell lennie, hanem az eg\u00e9sz folyamat guruja is - az \u0151 feladata az architekt\u00fara kidolgoz\u00e1sa, a modellek programoz\u00e1sa t\u00f6bb nyelven az architekt\u00far\u00e1t\u00f3l f\u00fcgg\u0151en, az adat vitrinek el\u0151k\u00e9sz\u00edt\u00e9se \u00e9s a saj\u00e1t alkalmaz\u00e1s telep\u00edt\u00e9se. Azonban a technol\u00f3giai keret l\u00e9trehoz\u00e1sa, amely a MLOps \u00e1tfog\u00f3 folyamat\u00e1ban val\u00f3sul meg, a munkaer\u0151k\u00f6lts\u00e9g 80%-\u00e1t em\u00e9szti fel, ami azt jelenti, hogy a kiv\u00e1l\u00f3 adat tud\u00f3s, aki megfelel\u0151 matematikai ismeretekkel rendelkezik, csak az idej\u00e9nek 20%-\u00e1t szenteli a szakter\u00fclet\u00e9nek. Ez\u00e9rt a g\u00e9pi tanul\u00e1si modellek bevezet\u00e9s\u00e9t v\u00e9gz\u0151 szakemberek szerepeinek tiszt\u00e1z\u00e1sa \u00e9letbev\u00e1g\u00f3an sz\u00fcks\u00e9ges.\u00a0<\/p>\n<p>A szerepek r\u00e9szletes elk\u00fcl\u00f6n\u00edt\u00e9se a v\u00e1llalat m\u00e9ret\u00e9t\u0151l f\u00fcgg. Egy dolog, amikor egy startupban egy szakember dolgozik, aki minden feladatot ell\u00e1t, legyen az m\u00e9rn\u00f6k, \u00e9p\u00edt\u00e9sz vagy DevOps. Teljesen m\u00e1s, amikor egy nagyv\u00e1llalatn\u00e1l a modellek fejleszt\u00e9si folyamatai n\u00e9h\u00e1ny magasan k\u00e9pzett Data Science szakemberre koncentr\u00e1l\u00f3dnak, m\u00edg a programoz\u00f3 vagy adatb\u00e1zis-kezel\u0151 szakember, aki a munkaer\u0151piacon elterjedtebb \u00e9s olcs\u00f3bb kompetencia, \u00e1tv\u00e1llalhatja a rutinfeladatok jelent\u0151s r\u00e9sz\u00e9t.<\/p>\n<p>\u00cdgy att\u00f3l f\u00fcgg, hogy hol h\u00faz\u00f3dik a hat\u00e1r a szakemberek kiv\u00e1laszt\u00e1s\u00e1ban az MLOps folyamat\u00e1nak t\u00e1mogat\u00e1s\u00e1hoz, valamint hogyan van megszervezve a fejlesztett modellek operacion\u00e1lis folyamata, k\u00f6zvetlen\u00fcl f\u00fcgg a fejlesztett modellek gyorsas\u00e1g\u00e1t\u00f3l \u00e9s min\u0151s\u00e9g\u00e9t\u0151l, a csapat teljes\u00edtm\u00e9ny\u00e9t\u0151l \u00e9s a munkak\u00f6rnyezet\u00e9t\u0151l.<\/p>\n<h2>Ami m\u00e1r most is elk\u00e9sz\u00fclt a csapatunk \u00e1ltal<\/h2>\n<p>\nNem olyan r\u00e9gen kezdt\u00fck el az MLOps kompetenci\u00e1k \u00e9s folyamatok strukt\u00far\u00e1j\u00e1t fel\u00e9p\u00edteni. De m\u00e1r most a modellek \u00e9letciklus\u00e1nak kezel\u00e9s\u00e9re \u00e9s a modellek szolg\u00e1ltat\u00e1sk\u00e9nt val\u00f3 alkalmaz\u00e1s\u00e1ra vonatkoz\u00f3 projektjeink MVP tesztel\u00e9si szakasz\u00e1ban vannak.<\/p>\n<p>Emellett meghat\u00e1roztuk a nagyv\u00e1llalat sz\u00e1m\u00e1ra optim\u00e1lis kompetenciaszerkezetet \u00e9s az \u00f6sszes r\u00e9sztvev\u0151 k\u00f6z\u00f6tti egy\u00fcttm\u0171k\u00f6d\u00e9si strukt\u00far\u00e1t. Agilis csapatokat szervezt\u00fcnk, amelyek a teljes \u00fczleti megrendel\u0151i spektrum feladatain dolgoznak, \u00e9s megszervezt\u00fck a kapcsolatot a platformok \u00e9s infrastrukt\u00far\u00e1k projektcsapataival, amelyek az MLOps \u00e9p\u00edtkez\u00e9s\u00e9nek alapj\u00e1t k\u00e9pezik.<\/p>\n<h2>J\u00f6v\u0151beli k\u00e9rd\u00e9sek<\/h2>\n<p>\nAz MLOps egy fejl\u0151d\u0151 ter\u00fclet, amely a kompetenciasz\u0171k\u00f6ss\u00e9g miatt a j\u00f6v\u0151ben nagyobb lend\u00fcletet kap. Jelenleg a legjobban a DevOps tapasztalataib\u00f3l \u00e9s gyakorlataib\u00f3l \u00e9rdemes kiindulni. Az MLOps f\u0151 c\u00e9lja a ML modellek hat\u00e9konyabb felhaszn\u00e1l\u00e1sa az \u00fczleti feladatok megold\u00e1s\u00e1ban. \u00c1m k\u00f6zben sok k\u00e9rd\u00e9s mer\u00fcl fel:<\/p>\n<ul>\n<li>Hogyan lehet cs\u00f6kkenteni a modellek \u00fczembe helyez\u00e9s\u00e9hez sz\u00fcks\u00e9ges id\u0151t?\n<\/li>\n<li>Hogyan cs\u00f6kkenthet\u0151k a b\u00fcrokratikus akad\u00e1lyok a k\u00fcl\u00f6nb\u00f6z\u0151 kompetenci\u00e1j\u00fa csapatok k\u00f6z\u00f6tt, \u00e9s hogyan n\u00f6velhet\u0151 a egy\u00fcttm\u0171k\u00f6d\u00e9sre val\u00f3 f\u00f3kusz\u00e1l\u00e1s?\n<\/li>\n<li>Hogyan lehet nyomon k\u00f6vetni a modelleket, kezelni a verzi\u00f3kat \u00e9s hat\u00e9kony monitoroz\u00e1st szervezni?\n<\/li>\n<li>Hogyan lehet val\u00f3ban ciklikus \u00e9letciklust l\u00e9trehozni a modern ML modellek sz\u00e1m\u00e1ra?\n<\/li>\n<li>Hogyan lehet standardiz\u00e1lni a g\u00e9pi tanul\u00e1si folyamatot?\n<\/li>\n<\/ul>\n<p>\nA k\u00e9rd\u00e9sekre adott v\u00e1laszok nagym\u00e9rt\u00e9kben meghat\u00e1rozz\u00e1k, hogy az MLOps mennyire gyorsan bontakoztatja ki a potenci\u00e1lj\u00e1t.<br \/>\n<br \/>Forr\u00e1s: <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 5.0.3 - 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\/hu\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.3\" \/>\n\t\t<meta property=\"og:locale\" content=\"hu_HU\" \/>\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\/hu\/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 a g\u00e9pi tanul\u00e1s vil\u00e1g\u00e1ban | ProHoster","description":"2018-ban a szakmai k\u00f6r\u00f6kben \u00e9s az AI-ra f\u00f3kusz\u00e1l\u00f3 konferenci\u00e1kon megjelent az MLOps fogalma, amely gyorsan elterjedt az ipar\u00e1gban, \u00e9s jelenleg \u00f6n\u00e1ll\u00f3 \u00e1gazatk\u00e9nt fejl\u0151dik.","canonical_url":"https:\/\/prohoster.info\/hu\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"hu_HU","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\/hu\/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\/hu\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/hu\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}