{"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 le conferenze tematiche dedicate all'AI, \u00e8 emerso il concetto di MLOps, che si \u00e8 rapidamente affermato nel settore e ora si sviluppa come un'area autonoma. In prospettiva, MLOps potrebbe diventare uno dei settori pi\u00f9 richiesti nell'IT. Di cosa si tratta e come si applica, scopriamolo a seguire.<\/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>Che cos'\u00e8 MLOps<\/h2>\n<p>\nMLOps (unione di tecnologie e processi di apprendimento automatico e approcci per implementare i modelli sviluppati nei processi aziendali) \u00e8 un nuovo modo di collaborazione tra rappresentanti del business, ricercatori, matematici, specialisti in apprendimento automatico 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 apprendimento automatico in uno strumento utile per risolvere i problemi aziendali.\u00a0<\/p>\n<p>\u00c8 importante comprendere che la catena di produttivit\u00e0 inizia molto prima dello sviluppo del modello. Il primo passo consiste nella definizione del compito aziendale, delle ipotesi sul valore che pu\u00f2 essere estratto dai dati e delle idee aziendali per il suo utilizzo.\u00a0<\/p>\n<p>Il concetto stesso di MLOps \u00e8 emerso come analogia del concetto di DevOps applicato a modelli e tecnologie di apprendimento automatico. DevOps \u00e8 un approccio allo sviluppo software che consente di aumentare la velocit\u00e0 di implementazione delle singole modifiche mantenendo la flessibilit\u00e0 e l'affidabilit\u00e0 attraverso vari metodi, tra cui sviluppo continuo, suddivisione delle funzioni in una serie di microservizi indipendenti, test automatizzati e deployment delle singole modifiche, monitoraggio globale delle prestazioni, sistema di risposta rapida ai guasti riscontrati e altro.\u00a0<\/p>\n<p>DevOps ha definito il ciclo di vita del software e nella comunit\u00e0 degli specialisti \u00e8 emersa l'idea di utilizzare la stessa metodologia applicata ai big data. DataOps \u00e8 un tentativo di adattare ed espandere la metodologia tenendo conto delle peculiarit\u00e0 dello stoccaggio, della trasmissione e dell'elaborazione di grandi volumetrie di dati su piattaforme varie e interconnesse.<br \/>\n\u00a0\u00a0<br \/>\nCon l'emergere di una certa massa critica di modelli di machine learning integrati nei processi aziendali, \u00e8 stata notata una forte somiglianza tra il ciclo di vita dei modelli di machine learning e il ciclo di vita del software. L'unica differenza \u00e8 che gli algoritmi dei modelli vengono creati attraverso strumenti e metodi di machine learning. Pertanto, \u00e8 nata naturalmente l'idea di applicare e adattare agli algoritmi di machine learning approcci gi\u00e0 noti allo sviluppo software. Cos\u00ec, nel ciclo di vita dei modelli di machine learning si possono individuare i seguenti passaggi 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 l'operativit\u00e0 sorge la necessit\u00e0 di modificare o riaddestrare il modello su nuovi dati, il ciclo riparte: il modello viene perfezionato, testato e viene distribuita una nuova versione.<\/p>\n<blockquote><p>Nota. Perch\u00e9 riaddestrare, e non rieducare? Il termine 'rieducazione del modello' ha un doppio significato: tra gli esperti indica un difetto del modello, quando il modello prevede bene, replicando effettivamente il parametro previsto nel campione di addestramento, ma funziona molto peggio su un campione esterno di dati. Naturalmente, un tale modello \u00e8 considerato difettoso, poich\u00e9 questo difetto ne impedisce l'applicazione.<\/p><\/blockquote>\n<p>\nIn questo ciclo di vita sembra logico utilizzare strumenti DevOps: test automatizzati, distribuzione e monitoraggio, presentazione del calcolo dei modelli come singoli microservizi. Ma ci sono anche una serie di caratteristiche che ostacolano l'applicazione diretta di questi strumenti senza un'ulteriore interfaccia 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, su cui dimostreremo l'applicazione dell'approccio MLOps, prenderemo la classica sfida di automatizzare la chat di supporto per un prodotto bancario (o qualsiasi altro). Di solito, il processo aziendale di supporto tramite chat appare nel seguente modo: il cliente inserisce un messaggio con una domanda nella chat e riceve una risposta da un esperto all'interno di un albero di dialogo prestabilito. L'automazione di tale chat di solito viene realizzata attraverso set di regole definite da esperti, molto laboriose da sviluppare e mantenere. L'efficacia di tale automazione, a seconda del livello di complessit\u00e0 del compito, pu\u00f2 variare dal 20% al 30%. Naturalmente, sorge l'idea che sia pi\u00f9 vantaggioso implementare un modulo di intelligenza artificiale \u2014 un modello sviluppato tramite machine learning, che:<\/p>\n<ul>\n<li>\u00e8 in grado di gestire un numero maggiore di richieste senza l'intervento di un operatore (a seconda dell'argomento, 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 in grado di identificare l'intento, il reale desiderio dell'utente anche da richieste formulate in modo non chiaro;\n<\/li>\n<li>\u00e8 in grado di riconoscere quando la risposta del modello \u00e8 adeguata e quando, in caso di \u00abcoscienza\u00bb di questa risposta, ci siano dubbi e bisogna porre una domanda di chiarimento o passare all'operatore;\n<\/li>\n<li>pu\u00f2 essere ulteriormente addestrata in modo automatizzato (anzich\u00e9 da un gruppo di sviluppatori che adattano e correggono continuamente gli scenari di risposta, il modello viene ulteriormente addestrato 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 la risoluzione di qualsiasi altro compito, prima di sviluppare tale modulo \u00e8 necessario definire il processo aziendale e descrivere formalmente il compito specifico che andremo a risolvere utilizzando il metodo di machine learning. A questo punto inizia il processo di operazionalizzazione, indicato con l'abbreviazione Ops.\u00a0<\/p>\n<p>Il passo successivo per uno specialista Data Science, in collaborazione con un ingegnere dei dati, \u00e8 verificare la disponibilit\u00e0 e l'adeguatezza dei dati e l'ipotesi di business sulla fattibilit\u00e0 dell'idea imprenditoriale, sviluppando un prototipo del modello e testandone l'effettiva efficacia. Solo dopo la conferma da parte del business pu\u00f2 iniziare la transizione dallo sviluppo del modello all'integrazione nei sistemi che eseguono specifici processi aziendali. Una pianificazione dettagliata dell'implementazione, una profonda comprensione di ogni fase, di come il modello sar\u00e0 utilizzato e quale impatto economico porter\u00e0, \u00e8 un aspetto fondamentale nei processi di implementazione degli approcci MLOps nel panorama tecnologico dell'azienda.<\/p>\n<p>Con l'evoluzione delle tecnologie AI, aumenta esponenzialmente il numero e la variet\u00e0 delle attivit\u00e0 che possono essere risolte attraverso il machine learning. Ogni processo aziendale di questo tipo rappresenta un risparmio per l'azienda grazie all'automazione del lavoro di dipendenti in posizioni di massa (call center, verifica e classificazione dei documenti, ecc.), un'espansione della clientela attraverso l'introduzione di nuove funzioni attraenti e convenienti, risparmi finanziari grazie a un uso ottimale delle risorse e molto altro. In definitiva, ogni processo \u00e8 orientato alla creazione di valore e, di conseguenza, deve generare un certo effetto economico. \u00c8 quindi molto importante formulare chiaramente l'idea imprenditoriale e calcolare il profitto atteso dall'implementazione del modello all'interno della struttura generale di creazione di valore dell'azienda. Ci sono situazioni in cui l'implementazione del modello non si giustifica, e il tempo speso dagli specialisti in machine learning risulta essere molto pi\u00f9 costoso rispetto al posto di lavoro di un operatore che svolge tale compito. Per questo motivo, \u00e8 fondamentale cercare di identificare tali casi nelle fasi iniziali della creazione dei sistemi AI.<\/p>\n<p>Dunque, i profitti del modello iniziano ad arrivare solo quando nel processo di MLOps \u00e8 stata formulata correttamente la questione aziendale, sono stati stabiliti delle priorit\u00e0 e, nelle fasi iniziali di sviluppo, \u00e8 stato definito il processo di integrazione del modello nel sistema.<\/p>\n<h2>Nuovo processo \u2013 nuove sfide<\/h2>\n<p>\nUna risposta esaustiva alla domanda fondamentale delle imprese su quanto siano applicabili i modelli ML nella risoluzione dei problemi. Una questione generale di fiducia nell'IA rappresenta una delle sfide chiave nello sviluppo e nell'implementazione degli approcci MLOps. Inizialmente, le imprese percepiscono con scetticismo l'adozione dell'apprendimento automatico nei processi, facendo fatica a fidarsi di modelli in aree in cui tradizionalmente lavoravano le persone. Per le aziende, i programmi appaiono come una \"scatola nera\", la cui rilevanza delle risposte deve ancora essere dimostrata. Inoltre, nel settore bancario, nelle telecomunicazioni e in altri ambiti ci sono rigide normative imposte dai regolatori statali. Tutti i sistemi e gli algoritmi implementati nei processi bancari sono soggetti a revisione. Per affrontare questa sfida, dimostrare alle aziende e ai regolatori la legittimit\u00e0 e la 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 regolatori, che soddisfa i requisiti della Banca Centrale. Un gruppo di esperti indipendenti conduce un audit dei risultati ottenuti dal modello tenendo conto dei dati in ingresso.<\/p>\n<p>La seconda sfida \u00e8 la valutazione e la gestione dei rischi dei modelli durante l'implementazione di un modello di machine learning. Se anche un essere umano non pu\u00f2 rispondere con certezza assoluta alla domanda se quell'abito fosse bianco o blu, anche l'intelligenza artificiale ha il diritto di commettere errori. Inoltre, \u00e8 importante considerare che nel tempo i dati possono cambiare, e i modelli devono essere riaddestrati per fornire risultati sufficientemente precisi. Per evitare che il processo aziendale ne risenta, \u00e8 necessario gestire i rischi dei modelli 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 \/>\nMa 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: nuovi compiti emergono che possono essere risolti mediante metodi di machine learning. Ogni compito avvia un intero processo, richiedendo 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 machine learning e sviluppano il modello;\n<\/li>\n<li>IT implementa il modello nel sistema;\n<\/li>\n<li>L'ingegnere ML determina come integrare correttamente questo modello nel processo, quali strumenti IT utilizzare in base ai requisiti del modello considerando il flusso di richieste, il tempo di risposta, ecc.\u00a0\n<\/li>\n<li>L'architetto ML progetta come realizzare fisicamente il prodotto software in un sistema industriale.\n<\/li>\n<\/ul>\n<p>\nL'intero ciclo richiede un gran numero di specialisti altamente qualificati. A un certo punto dello sviluppo e del grado di integrazione dei modelli ML nei processi aziendali, si scopre che scalare linearmente il numero di specialisti proporzionalmente alla crescita del numero di compiti diventa costoso e inefficiente. Pertanto, sorge la questione dell'automazione del processo MLOps \u2014 definizione di alcune classi standard di compiti di machine learning, sviluppo di pipeline tipiche per l'elaborazione dei dati e riaddestramento dei modelli. Nella visione ideale per risolvere tali compiti sono necessari professionisti in grado di padroneggiare competenze all'incrocio tra Big Data, Data Science, DevOps e IT. Quindi, il problema pi\u00f9 grande nell'industria della Data Science e la sfida pi\u00f9 grande nell'organizzazione dei processi MLOps \u00e8 l'assenza di tale competenza nel mercato attuale di formazione del personale. Gli specialisti che soddisfano tali requisiti sono attualmente rari nel mercato del lavoro e sono valutati come oro.<\/p>\n<h2>Sulla questione delle competenze<\/h2>\n<p>\nIn teoria, tutte le attivit\u00e0 di MLOps possono essere risolte con gli strumenti classici di DevOps senza ricorrere a un ampliamento specializzato del modello di ruolo. Tuttavia, come abbiamo gi\u00e0 sottolineato, il data scientist non deve essere solo un matematico e un esperto di analisi dei dati, ma anche un guru dell'intero pipeline \u2014 gli spetta sviluppare l'architettura, programmare modelli in pi\u00f9 lingue a seconda dell'architettura, preparare il proprio set di dati e implementare l'applicazione stessa. Tuttavia, la creazione di un'infrastruttura tecnologica, realizzata nel processo end-to-end di MLOps, richiede fino all'80% del tempo di lavoro, il che significa che un matematico qualificato, che \u00e8 un buon Data Scientist, dedicher\u00e0 solo il 20% del suo tempo alla sua specialit\u00e0. Pertanto, la distinzione dei ruoli degli specialisti coinvolti nel processo di implementazione dei modelli di machine learning diventa vitale.\u00a0<\/p>\n<p>La misura in cui i ruoli devono essere distinti dipende dalle dimensioni dell'azienda. \u00c8 una cosa se in una startup c'\u00e8 un unico specialista, un lavoratore con risorse energetiche a disposizione, che fa da ingegnere, architetto e DevOps. \u00c8 completamente diverso quando in una grande azienda tutti i processi di sviluppo dei modelli sono concentrati su pochi specialisti di Data Science di alto livello, mentre un programmatore o un esperto di database \u2014 una competenza pi\u00f9 comune e meno costosa sul mercato del lavoro \u2014 possono occuparsi della maggior parte delle attivit\u00e0 routinarie.<\/p>\n<p>In questo modo, la linea di demarcazione nella scelta degli specialisti per garantire il processo di MLOps e come \u00e8 organizzato il processo di operationalizzazione dei modelli sviluppati influisce direttamente sulla velocit\u00e0 e qualit\u00e0 dei modelli sviluppati, sulla produttivit\u00e0 del team e sul microclima all'interno di esso.<\/p>\n<h2>Cosa \u00e8 gi\u00e0 stato fatto dal nostro team<\/h2>\n<p>\nAbbiamo iniziato da poco a costruire la struttura delle competenze e i processi di 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 testing MVP.<\/p>\n<p>Abbiamo anche definito la struttura delle competenze ottimale per una grande impresa e la struttura organizzativa per l'interazione tra tutti i partecipanti al processo. Sono stati organizzati team Agile che si occupano delle esigenze di tutto lo spettro dei clienti commerciali, e il processo di interazione con i team di progetto per la creazione di piattaforme e infrastrutture, che rappresentano le fondamenta dell'edificio MLOps in costruzione, \u00e8 stato stabilito.<\/p>\n<h2>Domande per il futuro<\/h2>\n<p>\nL'MLOps \u00e8 un campo in evoluzione che sta affrontando una carenza di competenze e nella quale crescer\u00e0 in futuro. Nel frattempo, \u00e8 meglio basarsi su esperienze e pratiche di DevOps. L'obiettivo principale dell'MLOps \u00e8 un utilizzo pi\u00f9 efficace dei modelli ML per risolvere i problemi aziendali. Tuttavia, sorgono molte domande:<\/p>\n<ul>\n<li>Come ridurre il tempo necessario per mettere in produzione i modelli?\n<\/li>\n<li>Come ridurre le frizioni burocratiche tra team con 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 davvero ciclico per un modello ML moderno?\n<\/li>\n<li>Come standardizzare il processo di apprendimento automatico?\n<\/li>\n<\/ul>\n<p>\nLe risposte a queste domande influenceranno in gran parte quanto rapidamente MLOps realizzer\u00e0 il suo potenziale completo.<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 5.0.1.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/it\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.1.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"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":"Nel 2018, nei circoli professionali e nelle conferenze tematiche dedicate all'AI, \u00e8 emerso il concetto di MLOps, che si \u00e8 rapidamente consolidato nel settore e si sta ora sviluppando come un'area autonoma.","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}]}}