{"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\/it\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps nel mondo del Machine Learning","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>Nel 2018, nei circoli professionali e durante conferenze tematiche dedicate all'AI, \u00e8 emersa la nozione di MLOps, che si \u00e8 rapidamente consolidata nel settore e ora si sviluppa come un'area autonoma. In futuro, MLOps potrebbe diventare uno dei settori pi\u00f9 richiesti nell'IT. Cos'\u00e8 esattamente e come si applica, lo esploreremo nel seguito.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps nel mondo del Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/03bcaaaf5b9ddd864c7e8e0a607d81c4.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>Cosa sono gli MLOps<\/h2>\n<p>\nMLOps (integrazione delle tecnologie e dei processi di machine learning con le modalit\u00e0 di implementazione dei modelli sviluppati nei processi aziendali) \u00e8 un nuovo modo di collaborazione tra rappresentanti del business, scienziati, matematici, esperti di machine learning e ingegneri IT nella creazione di sistemi di intelligenza artificiale.<\/p>\n<p>In altre parole, \u00e8 un modo per trasformare i metodi e le tecnologie di machine learning in uno strumento utile per affrontare le sfide aziendali.\u00a0<\/p>\n<p>\u00c8 importante capire che la catena di produttivizzazione inizia molto prima della creazione del modello. Il primo passo consiste nella definizione dell'obiettivo aziendale, delle ipotesi sul valore che si pu\u00f2 estrarre dai dati e dell'idea aziendale relativa al suo utilizzo.\u00a0<\/p>\n<p>Il concetto di MLOps \u00e8 emerso come analogia del concetto di DevOps applicato ai modelli e alle tecnologie di machine learning. DevOps \u00e8 un approccio allo sviluppo software che consente di aumentare la velocit\u00e0 di implementazione delle modifiche mantenendo flessibilit\u00e0 e affidabilit\u00e0 attraverso una serie di metodologie, tra cui lo sviluppo continuo, la suddivisione delle funzioni in microservizi indipendenti, il testing automatizzato e l'implementazione di modifiche, il monitoraggio globale delle prestazioni e un sistema di risposta rapida per eventuali malfunzionamenti.\u00a0<\/p>\n<p>DevOps ha definito il ciclo di vita del software e nella comunit\u00e0 di esperti \u00e8 nata l'idea di applicare la stessa metodologia ai big data. DataOps \u00e8 un tentativo di adattare e ampliare le metodologie considerando le peculiarit\u00e0 dell'archiviazione, della trasmissione e dell'elaborazione di grandi quantit\u00e0 di dati su piattaforme diversificate e interconnesse.<br \/>\n\u00a0\u00a0<br \/>\nCon la nascita di una certa massa critica di modelli di machine learning implementati nei processi aziendali, \u00e8 stata osservata una forte somiglianza tra il ciclo di vita dei modelli matematici di machine learning e il ciclo di vita del software. L'unica differenza \u00e8 che gli algoritmi dei modelli sono creati utilizzando strumenti e metodi di machine learning. Di conseguenza, \u00e8 nata l'idea di applicare e adattare approcci di sviluppo software gi\u00e0 noti ai modelli di machine learning. Pertanto, nel ciclo di vita dei modelli di machine learning si possono individuare le seguenti fasi chiave:<\/p>\n<ul>\n<li>definizione dell'idea aziendale;\n<\/li>\n<li>addestramento del modello;\n<\/li>\n<li>test e implementazione del modello nel processo aziendale;\n<\/li>\n<li>operativit\u00e0 del modello.\n<\/li>\n<\/ul>\n<p>\nQuando, durante il funzionamento, si presenta la necessit\u00e0 di modificare o riaddestrare il modello con nuovi dati, il ciclo si riavvia: il modello viene perfezionato, testato e viene implementata una nuova versione.<\/p>\n<blockquote><p>Nota. Perch\u00e9 'riaddestrare' e non 'riformare'? Il termine 'riaddestramento del modello' ha due significati: tra gli esperti, significa un difetto del modello, quando il modello predice bene, riproducendo sostanzialmente il parametro previsto nel set di addestramento, ma funziona molto peggio su un set di dati esterno. Naturalmente, tale modello \u00e8 considerato difettoso, poich\u00e9 tale imperfezione ne impedisce l'uso.<\/p><\/blockquote>\n<p>\nNel ciclo di vita \u00e8 logico utilizzare strumenti DevOps: testing automatizzato, implementazione e monitoraggio, strutturando il calcolo dei modelli in singoli microservizi. Tuttavia, ci sono anche diverse peculiarit\u00e0 che ostacolano l'applicazione diretta di questi strumenti senza un'adeguata integrazione ML.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps nel mondo del Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Come far funzionare i modelli e generare profitto<\/h2>\n<p>\nCome esempio, nel quale dimostreremo l'applicazione dell'approccio MLOps, consideriamo il classico caso di automazione di chat di supporto per un prodotto bancario (o qualsiasi altro). Di solito, il processo aziendale di supporto tramite chat appare come segue: il cliente invia un messaggio di domanda nella chat e riceve la risposta di un esperto all'interno di un albero di dialogo predefinito. L'automazione di tale chat viene solitamente affrontata mediante set di regole definite da esperti, molto laboriosi da sviluppare e mantenere. L'efficacia di tale automazione, a seconda della complessit\u00e0 del compito, pu\u00f2 variare tra il 20% e il 30%. \u00c8 naturale quindi pensare che sia pi\u00f9 vantaggioso implementare un modulo di intelligenza artificiale \u2014 un modello sviluppato utilizzando machine learning, che:<\/p>\n<ul>\n<li>\u00e8 in grado di elaborare un numero maggiore di richieste senza l'intervento dell'operatore (a seconda del tema, in alcuni casi l'efficacia pu\u00f2 raggiungere il 70-80%);\n<\/li>\n<li>si adatta meglio a formulazioni non standard nel dialogo \u2014 \u00e8 capace di identificare l'intento e il reale desiderio dell'utente anche sulla base di richieste poco formulate;\n<\/li>\n<li>\u00e8 in grado di determinare quando la risposta del modello \u00e8 adeguata e quando ci sono dubbi sulla 'consapevolezza' di tale risposta, richiedendo di porre una domanda di chiarimento aggiuntiva o di passare all'operatore;\n<\/li>\n<li>pu\u00f2 essere ulteriormente addestrata in modo automatizzato (invece di un gruppo di sviluppatori che adatta e corregge costantemente gli scenari di risposta, l'addestramento \u00e8 effettuato da uno specialista in Data Science, utilizzando le librerie di machine learning appropriate).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps nel mondo del Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nCome far funzionare un modello cos\u00ec avanzato?\u00a0<\/p>\n<p>Come per qualsiasi altra attivit\u00e0, prima di sviluppare un tale modulo \u00e8 necessario definire il processo aziendale e descrivere formalmente il compito specifico che intendiamo risolvere utilizzando il metodo di machine learning. \u00c8 a questo punto che inizia il processo di operazionalizzazione, indicato dall'abbreviazione Ops.\u00a0<\/p>\n<p>Il passaggio successivo prevede che lo specialista in Data Science, in collaborazione con un ingegnere dei dati, verifichi la disponibilit\u00e0 e la sufficienza dei dati e l'ipotesi aziendale sulla fattibilit\u00e0 dell'idea imprenditoriale, sviluppando un prototipo del modello e valutando la sua reale efficacia. Solo dopo la conferma da parte dell'azienda pu\u00f2 iniziare la transizione dallo sviluppo del modello all'integrazione del modello nei sistemi che svolgeranno un processo aziendale specifico. Una pianificazione integrata dell'implementazione, una profonda comprensione ad ogni passo di come il modello verr\u00e0 utilizzato e quale effetto economico porter\u00e0, \u00e8 un punto cruciale nei processi di integrazione degli approcci MLOps nel panorama tecnologico dell'azienda.<\/p>\n<p>Con lo sviluppo delle tecnologie AI, aumenta rapidamente il numero e la variet\u00e0 di compiti che possono essere risolti con il machine learning. Ogni processo aziendale di questo tipo rappresenta un risparmio per l'azienda attraverso l'automazione del lavoro di posizioni di massa (call center, verifica e ordinamento di documenti, ecc.), un'espansione della base clienti grazie all'aggiunta di nuove funzionalit\u00e0 attraenti e convenienti, un risparmio di risorse attraverso un utilizzo ottimale e una ridistribuzione delle risorse e molto altro. In ultima analisi, ogni processo \u00e8 orientato alla creazione di valore e, di conseguenza, deve generare un effetto economico specifico. \u00c8 qui che diventa fondamentale definire chiaramente l'idea aziendale e calcolare il profitto previsto dall'implementazione del modello all'interno della struttura generale della creazione di valore dell'azienda. Si verificano situazioni in cui l'implementazione del modello non si giustifica e il tempo speso dagli esperti di machine learning risulta costare molto di pi\u00f9 rispetto al posto di lavoro di un operatore che svolge quel compito. \u00c8 per questo che \u00e8 fondamentale identificare queste situazioni nelle fasi iniziali della creazione dei sistemi AI.<\/p>\n<p>Di conseguenza, il modello inizia a generare profitti solo quando durante il processo MLOps \u00e8 stata correttamente formulata la questione aziendale, sono state stabilite le priorit\u00e0 e nelle fasi iniziali dello sviluppo \u00e8 stato definito il processo di integrazione del modello nel sistema.<\/p>\n<h2>Un nuovo processo \u2013 nuove sfide<\/h2>\n<p>\nUna risposta esaustiva alla domanda fondamentale per le aziende sulla misura in cui i modelli ML siano applicabili alla risoluzione dei problemi, e la questione della fiducia nell'AI \u2014 \u00e8 una delle sfide principali nel processo di sviluppo e implementazione degli approcci MLOps. Inizialmente, le aziende ricevono con scetticismo l'integrazione del machine learning nei processi \u2014 \u00e8 difficile fidarsi dei modelli in quei contesti dove tradizionalmente operavano delle persone. Per le aziende, i programmi appaiono come una 'scatola nera' la cui rilevanza delle risposte deve ancora essere dimostrata. Inoltre, esistono requisiti rigorosi da parte delle autorit\u00e0 di regolamentazione statali nel settore bancario, nelle telecomunicazioni e in altri ambiti. Tutti i sistemi e gli algoritmi integrati nei processi bancari sono soggetti ad audit. Per affrontare questa questione, per dimostrare all'azienda e ai regolatori la validit\u00e0 e correttezza delle risposte dell'intelligenza artificiale, insieme al modello vengono implementati strumenti di monitoraggio. Inoltre, esiste una procedura di validazione indipendente, obbligatoria per i modelli normativi, che \u00e8 conforme ai requisiti della Banca Centrale. Un gruppo di esperti indipendenti esegue l'audit dei risultati ottenuti dal modello tenendo conto dei dati in ingresso.<\/p>\n<p>La seconda chiamata consiste nella valutazione e nella gestione dei rischi modellistici durante l'implementazione di un modello di apprendimento automatico. Se anche un umano non pu\u00f2 rispondere con certezza alla domanda se l'abito fosse bianco o blu, \u00e8 giusto che anche l'intelligenza artificiale abbia il diritto di sbagliare. \u00c8 inoltre importante considerare che i dati possono cambiare nel tempo, e i modelli devono essere riaddestrati per fornire risultati sufficientemente precisi. Per evitare che il processo aziendale ne risenta, \u00e8 necessario gestire i rischi modellistici e monitorare il funzionamento del modello, riaddestrandolo regolarmente con nuovi dati.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps nel mondo del Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nTuttavia, dopo la fase iniziale di sfiducia, inizia a manifestarsi un effetto contrario. Pi\u00f9 modelli vengono implementati con successo nei processi, maggiore \u00e8 l'appetito delle aziende per l'uso dell'intelligenza artificiale: emergono sempre nuove sfide che possono essere risolte tramite metodi di apprendimento automatico. Ogni compito avvia un intero processo, che richiede competenze specifiche:<\/p>\n<ul>\n<li>i data engineer preparano e trattano i dati;\n<\/li>\n<li>i data scientist applicano strumenti di apprendimento automatico e sviluppano il modello;\n<\/li>\n<li>l'IT integra il modello nel sistema;\n<\/li>\n<li>l'ML engineer determina come integrare correttamente il modello nel processo, quale strumentazione IT utilizzare in base ai requisiti di utilizzo del modello tenendo conto del flusso di richieste, dei tempi di risposta, ecc.\u00a0\n<\/li>\n<li>l'ML architect progetta come realizzare fisicamente il prodotto software nel sistema industriale.\n<\/li>\n<\/ul>\n<p>\nL'intero ciclo richiede un gran numero di specialisti altamente qualificati. A un certo punto del processo di sviluppo e penetrazione dei modelli ML nei processi aziendali, si scopre che scalare linearmente il numero di specialisti in proporzione alla crescita dei compiti diventa costoso e inefficace. Di conseguenza, sorge la questione dell'automazione del processo MLOps: definire alcune classi standard di compiti di apprendimento automatico, sviluppare pipeline modello di trattamento dei dati e riaddestramento. Nella situazione ideale, per affrontare tali compiti sono necessari professionisti che padroneggiano le competenze all'incrocio tra Big Data, Data Science, DevOps e IT. Pertanto, la maggiore problematica nel settore della Data Science e la sfida principale nell'organizzazione dei processi MLOps \u00e8 la mancanza di tale competenza nel mercato attuale della formazione. Gli specialisti che soddisfano tali requisiti sono attualmente rari nel mercato del lavoro e sono molto ricercati.<\/p>\n<h2>Riguardo alle competenze<\/h2>\n<p>\nIn teoria, tutti i compiti MLOps possono essere affrontati con strumenti DevOps tradizionali senza ricorrere a un'espansione specializzata del modello di ruoli. Tuttavia, come gi\u00e0 accennato, il data scientist deve essere non solo un matematico e un esperto di analisi dei dati, ma anche un guru dell'intero pipeline: la progettazione dell'architettura, la programmazione dei modelli in diverse lingue in base all'architettura, la preparazione della vetrina dei dati e il deployment dell'applicazione stessa ricadono sulle sue spalle. Tuttavia, creare l'infrastruttura tecnologica nel processo MLOps richiede fino all'80% della quantit\u00e0 di lavoro, il che significa che un matematico qualificato, ovvero un Data Scientist di qualit\u00e0, dedicher\u00e0 solo il 20% del suo tempo alla sua specializzazione. Pertanto, la suddivisione dei ruoli tra gli specialisti coinvolti nell'implementazione dei modelli di apprendimento automatico diventa vitale.\u00a0<\/p>\n<p>Quanto dettagliate debbano essere le suddivisioni dei ruoli dipende dalle dimensioni dell'azienda. \u00c8 una cosa quando in una startup c'\u00e8 un solo specialista, un operatore instancabile che svolge il ruolo di ingegnere, architetto e DevOps. \u00c8 un'altra cosa quando in una grande azienda tutti i processi di sviluppo dei modelli sono concentrati su alcuni esperti di Data Science di alto livello, mentre un programmatore o un esperto di database \u2014 competenza pi\u00f9 comune e meno costosa nel mercato del lavoro \u2014 pu\u00f2 occuparsi della maggior parte delle attivit\u00e0 di routine.<\/p>\n<p>Pertanto, da dove si colloca il confine nella scelta degli specialisti per garantire il processo MLOps e come \u00e8 organizzato il processo di operazionalizzazione dei modelli sviluppati, influenzano direttamente la velocit\u00e0 e la qualit\u00e0 dei modelli sviluppati, la produttivit\u00e0 del team e il clima interno.<\/p>\n<h2>Cosa ha gi\u00e0 realizzato il nostro team<\/h2>\n<p>\nNon molto tempo fa abbiamo iniziato a costruire la struttura delle competenze e i processi MLOps. Ma gi\u00e0 ora, i nostri progetti per la gestione del ciclo di vita dei modelli e per l'applicazione dei modelli come servizio sono in fase di test MVP.<\/p>\n<p>Abbiamo anche definito la struttura di competenze ottimale per le grandi imprese e l'organizzazione del coinvolgimento tra tutti i partecipanti al processo. Sono stati organizzati team Agile che affrontano le esigenze di un ampio spettro di clienti aziendali e sono stati stabiliti processi di interazione con i team di progetto per la creazione delle piattaforme e delle infrastrutture, che costituiscono le fondamenta dell'edificio MLOps in costruzione.<\/p>\n<h2>Questioni per il futuro<\/h2>\n<p>\nMLOps \u00e8 un settore in crescita, che sta affrontando una carenza di competenze e che aumenter\u00e0 il suo ritmo in futuro. Per ora, \u00e8 meglio partire da esperienze e pratiche DevOps. L'obiettivo principale di MLOps \u00e8 un utilizzo pi\u00f9 efficace dei modelli ML per risolvere le sfide aziendali. Tuttavia, emergono molte domande:<\/p>\n<ul>\n<li>Come ridurre il tempo necessario per far entrare i modelli in produzione?\n<\/li>\n<li>Come ridurre le friction burocratiche tra team di diverse competenze e aumentare l'orientamento alla collaborazione?\n<\/li>\n<li>Come monitorare i modelli, gestire le versioni e organizzare un monitoraggio efficace?\n<\/li>\n<li>Come creare un ciclo di vita veramente ciclico per un moderno modello ML?\n<\/li>\n<li>Come standardizzare il processo di apprendimento automatico?\n<\/li>\n<\/ul>\n<p>\nLe risposte a queste domande influenzeranno notevolmente la velocit\u00e0 con cui MLOps sveler\u00e0 completamente il suo potenziale.<br \/>\n<br \/>Fonte: <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 5.0.0.1 - 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\/it\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.0.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"it_IT\" \/>\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\/it\/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 nel mondo del Machine Learning | ProHoster","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.","canonical_url":"https:\/\/prohoster.info\/it\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"it_IT","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\/it\/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\/it\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/it\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}