MLOps: मेसिन लर्निङ संसारमा DevOps

2018 मा, MLOps को अवधारणा पेशेवर सर्कलहरूमा र AI लाई समर्पित विषयगत सम्मेलनहरूमा देखा पर्‍यो, जसले चाँडै उद्योगमा कब्जा जमायो र अब एक स्वतन्त्र दिशाको रूपमा विकास भइरहेको छ। भविष्यमा, MLOps IT मा सबैभन्दा लोकप्रिय क्षेत्रहरू मध्ये एक हुन सक्छ। यो के हो र के संग खाइन्छ ? तल जानौं।

MLOps के हो

MLOps (मेसिन लर्निङ टेक्नोलोजीहरू र प्रक्रियाहरू र व्यावसायिक प्रक्रियाहरूमा विकसित मोडेलहरू लागू गर्न दृष्टिकोणहरू संयोजन) व्यावसायिक प्रतिनिधिहरू, वैज्ञानिकहरू, गणितज्ञहरू, मेसिन शिक्षा विशेषज्ञहरू र IT इन्जिनियरहरू बीचको सहकार्यको नयाँ तरिका हो जब कृत्रिम बुद्धिमत्ता प्रणालीहरू सिर्जना गर्दछ।

अर्को शब्दमा भन्नुपर्दा, यो मेसिन लर्निङ विधि र प्रविधिहरूलाई व्यवसायिक समस्याहरू समाधान गर्न उपयोगी उपकरणमा परिणत गर्ने तरिका हो। 

यो बुझ्न आवश्यक छ कि उत्पादकता को श्रृंखला मोडेल को विकास धेरै अघि सुरु हुन्छ। यसको पहिलो चरण भनेको व्यापार समस्या, डेटाबाट निकाल्न सकिने मानको बारेमा परिकल्पना, र यसलाई लागू गर्नको लागि व्यापार विचार परिभाषित गर्नु हो। 

MLOps को धेरै अवधारणा मेसिन लर्निङ मोडेल र प्रविधिहरूको सम्बन्धमा DevOps को अवधारणासँग समानताको रूपमा देखा पर्‍यो। DevOps सफ्टवेयर विकासको लागि एक दृष्टिकोण हो जसले तपाईंलाई व्यक्तिगत परिवर्तनहरूको कार्यान्वयनको गति बढाउन अनुमति दिन्छ जबकि निरन्तर विकास, कार्यहरूको संख्यालाई स्वतन्त्र माइक्रोसेवाहरूमा विभाजन, स्वचालित परीक्षण र व्यक्तिगतको तैनाती सहित धेरै दृष्टिकोणहरू प्रयोग गरेर लचिलोपन र विश्वसनीयता कायम राख्छ। परिवर्तनहरू, विश्वव्यापी स्वास्थ्य अनुगमन, पत्ता लागेको विफलताहरूको लागि द्रुत प्रतिक्रिया प्रणाली, आदि। 

DevOps ले सफ्टवेयर जीवनचक्रलाई परिभाषित गरेको छ, र समुदायले ठूलो डाटामा उही विधि लागू गर्ने विचार लिएको छ। DataOps विविध र अन्तरक्रियात्मक प्लेटफर्महरूमा ठूलो मात्रामा डाटा भण्डारण, प्रसारण र प्रशोधन गर्ने सुविधाहरूलाई ध्यानमा राखेर पद्धतिलाई अनुकूलन र विस्तार गर्ने प्रयास हो।
  
उद्यमहरूको व्यापारिक प्रक्रियाहरूमा लागू गरिएको मेसिन लर्निंग मोडेलहरूको निश्चित क्रिटिकल मासको आगमनको साथ, गणितीय मेसिन लर्निंग मोडेलहरूको जीवन चक्र र सफ्टवेयर जीवन चक्र बीच बलियो समानता देखियो। फरक यति मात्र हो कि मोडेल एल्गोरिदमहरू मेसिन लर्निङ उपकरण र विधिहरू प्रयोग गरेर सिर्जना गरिन्छन्। त्यसकारण, मेसिन लर्निङ मोडेलहरूको लागि सफ्टवेयर विकासमा पहिले नै ज्ञात दृष्टिकोणहरू लागू गर्न र अनुकूलन गर्ने विचार स्वाभाविक रूपमा उत्पन्न भयो। तसर्थ, मेसिन लर्निङ मोडेलको जीवन चक्रमा निम्न मुख्य चरणहरू छुट्याउन सकिन्छ:

• एक व्यापार विचार परिभाषित;
• मोडेल प्रशिक्षण;
• परीक्षण र व्यापार प्रक्रिया मा मोडेल को कार्यान्वयन;
• मोडेल को सञ्चालन।

जब अपरेशनको क्रममा नयाँ डेटामा मोडेललाई परिवर्तन गर्न वा पुन: तालिम दिन आवश्यक हुन्छ, चक्र फेरि सुरु हुन्छ - मोडेल परिष्कृत, परीक्षण, र नयाँ संस्करण तैनात गरिएको छ।

रिट्रीट। किन पुन: तालिम दिनुहोस् र पुन: तालिम नगर्नुहोस्? "मोडल पुन: प्रशिक्षण" शब्दको दोहोरो अर्थ छ: विशेषज्ञहरू बीच यसको अर्थ मोडेल दोष हो, जब मोडेलले राम्रो भविष्यवाणी गर्छ, वास्तवमा प्रशिक्षण सेटमा भविष्यवाणी गरिएको प्यारामिटर दोहोर्याउँछ, तर बाह्य डेटा नमूनामा धेरै खराब प्रदर्शन गर्दछ। स्वाभाविक रूपमा, यस्तो मोडेल एक दोष हो, किनभने यो दोष यसको प्रयोग अनुमति दिँदैन।

यस जीवन चक्रमा, DevOps उपकरणहरू प्रयोग गर्न तार्किक देखिन्छ: स्वचालित परीक्षण, तैनाती र अनुगमन, अलग माइक्रोसर्भिसेसहरूको रूपमा मोडेल गणनाहरू डिजाइन गर्ने। तर त्यहाँ धेरै सुविधाहरू छन् जसले अतिरिक्त ML बाध्यकारी बिना यी उपकरणहरूको प्रत्यक्ष प्रयोगलाई रोक्छ।

मोडेलहरू कसरी काम गर्ने र लाभदायक हुन

एउटा उदाहरणको रूपमा जसमा हामी MLOps दृष्टिकोणको प्रयोग प्रदर्शन गर्नेछौं, हामी बैंकिङ (वा कुनै अन्य) उत्पादनको लागि च्याट समर्थन रोबोटाइज गर्ने क्लासिक कार्य लिनेछौं। सामान्यतया, च्याट समर्थन व्यवसाय प्रक्रिया यस्तो देखिन्छ: ग्राहकले च्याटमा प्रश्न सहित सन्देश प्रविष्ट गर्दछ र पूर्वनिर्धारित संवाद रूख भित्र विशेषज्ञबाट प्रतिक्रिया प्राप्त गर्दछ। यस्तो च्याट स्वचालित गर्ने कार्य सामान्यतया विशेषज्ञ परिभाषित नियमहरूको सेट प्रयोग गरेर हल गरिन्छ, जुन विकास र मर्मत गर्न धेरै श्रम-गहन हुन्छ। यस्तो स्वचालन को दक्षता, कार्य को जटिलता को स्तर मा निर्भर गर्दछ, 20-30% हुन सक्छ। स्वाभाविक रूपमा, यो विचार उत्पन्न हुन्छ कि यो एक कृत्रिम बुद्धिमत्ता मोड्युल लागू गर्न अधिक लाभदायक छ - मेशिन शिक्षा प्रयोग गरी विकसित गरिएको मोडेल, जुन:

• अपरेटरको सहभागिता बिना ठूलो संख्यामा अनुरोधहरू प्रशोधन गर्न सक्षम छ (विषयमा निर्भर गर्दै, केही अवस्थामा दक्षता 70-80% सम्म पुग्न सक्छ);
• संवादमा गैर-मानक शब्दहरूलाई राम्रोसँग अनुकूलन गर्दछ - उद्देश्य निर्धारण गर्न सक्षम छ, स्पष्ट रूपमा तयार गरिएको अनुरोधमा आधारित प्रयोगकर्ताको वास्तविक इच्छा;
• मोडेलको जवाफ पर्याप्त हुँदा कसरी निर्धारण गर्ने, र जब यो जवाफको "जागरूकता" बारे शंकाहरू छन् र तपाईंले थप स्पष्ट प्रश्न सोध्नु पर्छ वा अपरेटरमा स्विच गर्न आवश्यक छ भनेर थाहा छ;
• थप रूपमा स्वचालित रूपमा प्रशिक्षित गर्न सकिन्छ (विकासकर्ताहरूको समूहको सट्टा प्रतिक्रिया स्क्रिप्टहरू निरन्तर रूपान्तरण र सुधार गर्दै, मोडेललाई उपयुक्त मेसिन लर्निंग पुस्तकालयहरू प्रयोग गरेर डेटा विज्ञान विशेषज्ञद्वारा प्रशिक्षित गरिन्छ)। 

यस्तो उन्नत मोडेल कसरी काम गर्ने? 

अन्य कुनै पनि समस्या समाधान गर्न जस्तै, यस्तो मोड्युल विकास गर्नु अघि, व्यापार प्रक्रिया परिभाषित गर्न र हामीले मेसिन लर्निङ विधि प्रयोग गरेर समाधान गर्ने विशेष कार्यलाई औपचारिक रूपमा वर्णन गर्न आवश्यक छ। यस बिन्दुमा, सञ्चालनको प्रक्रिया, संक्षिप्त Ops द्वारा नामित, सुरु हुन्छ। 

अर्को चरण भनेको डाटा वैज्ञानिकले डाटा इन्जिनियरसँगको सहकार्यमा डाटाको उपलब्धता र पर्याप्तता र व्यापार विचारको व्यवहार्यताको बारेमा व्यापार परिकल्पना, प्रोटोटाइप मोडेल विकास गर्ने र यसको वास्तविक प्रभावकारिता परीक्षण गर्ने हो। व्यवसायले पुष्टि गरेपछि मात्र एक मोडेलको विकासबाट यसलाई एक विशिष्ट व्यापार प्रक्रिया प्रदर्शन गर्ने प्रणालीहरूमा एकीकृत गर्न संक्रमण सुरु हुन्छ। अन्त देखि अन्त कार्यान्वयन योजना, मोडेल कसरी प्रयोग गरिनेछ र यसले कस्तो आर्थिक प्रभाव ल्याउनेछ भन्ने बारे प्रत्येक चरणमा गहिरो बुझाइ, कम्पनीको प्राविधिक परिदृश्यमा MLOps दृष्टिकोणहरू परिचय गर्ने प्रक्रियाहरूमा एक आधारभूत बिन्दु हो।

एआई प्रविधिको विकाससँगै, मेसिन लर्निङ प्रयोग गरेर समाधान गर्न सकिने समस्याहरूको संख्या र विविधता तीव्र रूपमा बढ्दै गएको छ। यस्तो प्रत्येक व्यवसाय प्रक्रिया कम्पनीको लागि ठूलो कर्मचारीहरूको श्रमको स्वचालन (कल सेन्टर, जाँच र कागजातहरू क्रमबद्ध गर्ने, आदि) को कारणले बचत हो, यो नयाँ आकर्षक र सुविधाजनक प्रकार्यहरू थपेर ग्राहक आधारको विस्तार हो, यो। तिनीहरूको इष्टतम प्रयोग र स्रोतहरूको पुन: वितरण र अधिकको कारणले पैसा बचत गर्दैछ। अन्ततः, कुनै पनि प्रक्रिया मूल्य सिर्जना गर्नमा केन्द्रित हुन्छ र परिणाम स्वरूप, निश्चित आर्थिक प्रभाव ल्याउनै पर्छ। यहाँ यो स्पष्ट रूपमा व्यापार विचार तयार गर्न र कम्पनीको समग्र मूल्य निर्माण संरचनामा मोडेल कार्यान्वयनबाट अपेक्षित लाभ गणना गर्न धेरै महत्त्वपूर्ण छ। त्यहाँ परिस्थितिहरू छन् जब एक मोडेल लागू गर्न आफैलाई औचित्य दिँदैन, र मेशिन लर्निंग विशेषज्ञहरूले खर्च गरेको समय यो कार्य प्रदर्शन गर्ने अपरेटरको कार्यस्थल भन्दा धेरै महँगो हुन्छ। त्यसकारण एआई प्रणालीहरू सिर्जना गर्ने प्रारम्भिक चरणहरूमा यस्ता केसहरू पहिचान गर्न प्रयास गर्न आवश्यक छ।

फलस्वरूप, MLOps प्रक्रियामा व्यवसायिक समस्याहरू सही रूपमा तयार भइसकेपछि, प्राथमिकताहरू सेट गरिएको, र विकासको प्रारम्भिक चरणहरूमा मोडेललाई प्रणालीमा समावेश गर्ने प्रक्रिया तयार भइसकेपछि मात्र मोडेलहरूले नाफा कमाउन थाल्छन्।

नयाँ प्रक्रिया - नयाँ चुनौतीहरू

समस्याहरू समाधान गर्न ML मोडेलहरू कत्तिको लागू हुन्छन् भन्ने आधारभूत व्यवसायिक प्रश्नको विस्तृत जवाफ, AI मा विश्वासको सामान्य मुद्दा MLOps दृष्टिकोणहरू विकास र कार्यान्वयन गर्ने प्रक्रियामा प्रमुख चुनौतीहरू मध्ये एक हो। प्रारम्भमा, व्यवसायहरू प्रक्रियाहरूमा मेसिन लर्निङको परिचयको बारेमा शंकास्पद छन् - पहिले, नियमको रूपमा, मानिसहरूले काम गरेको ठाउँहरूमा मोडेलहरूमा भर पर्न गाह्रो छ। व्यवसायको लागि, कार्यक्रमहरू "ब्ल्याक बक्स" जस्तो देखिन्छ, जसको सान्दर्भिकता अझै प्रमाणित गर्न आवश्यक छ। थप रूपमा, बैंकिङमा, दूरसंचार अपरेटरहरू र अन्यहरूको व्यवसायमा, सरकारी नियामकहरूको कडा आवश्यकताहरू छन्। बैंकिङ प्रक्रियाहरूमा लागू गरिएका सबै प्रणाली र एल्गोरिदमहरू लेखापरीक्षणको अधीनमा छन्। यो समस्या समाधान गर्न, व्यवसाय र नियामकहरूलाई कृत्रिम बुद्धिमत्ता प्रतिक्रियाहरूको वैधता र शुद्धता प्रमाणित गर्न, मोडेलको साथ अनुगमन उपकरणहरू पेश गरिएको छ। थप रूपमा, त्यहाँ एक स्वतन्त्र प्रमाणीकरण प्रक्रिया छ, नियामक मोडेलहरूको लागि अनिवार्य छ, जसले केन्द्रीय बैंकको आवश्यकताहरू पूरा गर्दछ। एक स्वतन्त्र विशेषज्ञ समूहले इनपुट डाटालाई ध्यानमा राखेर मोडेलले प्राप्त गरेको नतिजाहरूको लेखापरीक्षण गर्दछ।

दोस्रो चुनौती भनेको मेसिन लर्निङ मोडेल कार्यान्वयन गर्दा मोडेल जोखिमहरूको मूल्याङ्कन गर्ने र त्यसलाई ध्यानमा राख्नु हो। सोही पहिरन सेतो वा नीलो थियो भन्ने प्रश्नको शतप्रतिशत ढुक्क भएर जवाफ दिन नसके पनि कृत्रिम बुद्धिमत्ताले पनि गल्ती गर्ने अधिकार छ । यो पनि विचार गर्न लायक छ कि डाटा समय संग परिवर्तन हुन सक्छ, र एक पर्याप्त सही परिणाम उत्पादन गर्न मोडेल पुन: प्रशिक्षित गर्न आवश्यक छ। व्यापार प्रक्रियाले पीडा नहोस् भनेर सुनिश्चित गर्न, मोडेल जोखिमहरू व्यवस्थापन गर्न र मोडेलको कार्यसम्पादनको अनुगमन गर्न आवश्यक छ, नियमित रूपमा नयाँ डाटामा पुन: प्रशिक्षण दिँदै।

तर अविश्वासको पहिलो चरण पछि, यसको विपरीत प्रभाव देखा पर्न थाल्छ। जति धेरै मोडेलहरू सफलतापूर्वक प्रक्रियाहरूमा लागू हुन्छन्, आर्टिफिसियल इन्टेलिजेन्सको प्रयोगको लागि व्यवसायको भोक उति बढ्दै जान्छ - नयाँ र नयाँ समस्याहरू फेला परेका छन् जुन मेसिन लर्निङ विधिहरू प्रयोग गरेर समाधान गर्न सकिन्छ। प्रत्येक कार्यले सम्पूर्ण प्रक्रियालाई ट्रिगर गर्दछ जुन निश्चित दक्षताहरू चाहिन्छ:

• डाटा इन्जिनियरहरूले डाटा तयार र प्रशोधन गर्छन्;
• डाटा वैज्ञानिकहरूले मेसिन लर्निङ उपकरणहरू प्रयोग गर्छन् र एउटा मोडेल विकास गर्छन्;
• IT प्रणालीमा मोडेल लागू गर्दछ;
• ML ईन्जिनियरले यो मोडेललाई प्रक्रियामा कसरी सही रूपमा एकीकृत गर्ने भनेर निर्धारण गर्दछ, कुन IT उपकरणहरू प्रयोग गर्ने, मोडेलको अनुप्रयोग मोडको आवश्यकताहरूमा निर्भर गर्दै, अनुरोधहरूको प्रवाह, प्रतिक्रिया समय, आदिलाई ध्यानमा राख्दै। 
• एक एमएल आर्किटेक्टले कसरी सफ्टवेयर उत्पादनलाई औद्योगिक प्रणालीमा भौतिक रूपमा लागू गर्न सकिन्छ भनेर डिजाइन गर्दछ।

सम्पूर्ण चक्रको लागि उच्च योग्य विशेषज्ञहरूको ठूलो संख्या चाहिन्छ। व्यापार प्रक्रियाहरूमा एमएल मोडेलहरूको प्रवेशको विकास र डिग्रीको एक निश्चित बिन्दुमा, यसले बाहिर निस्कन्छ कि कार्यहरूको संख्यामा वृद्धिको अनुपातमा विशेषज्ञहरूको संख्या रैखिक रूपमा मापन महँगो र अप्रभावी हुन्छ। त्यसकारण, MLOps प्रक्रियालाई स्वचालित बनाउने प्रश्न उठ्छ - मेसिन लर्निङ समस्याहरूको धेरै मानक वर्गहरू परिभाषित गर्दै, मानक डाटा प्रोसेसिङ पाइपलाइनहरू विकास गर्ने र मोडेलहरूको अतिरिक्त प्रशिक्षण। एक आदर्श चित्रमा, त्यस्ता समस्याहरू समाधान गर्नका लागि बिग डाटा, डाटा साइन्स, डेभओप्स र आईटीको अन्तरसम्बन्धमा दक्षताहरूमा समान रूपमा दक्ष पेशेवरहरू आवश्यक पर्दछ। तसर्थ, डाटा विज्ञान उद्योगमा सबैभन्दा ठूलो समस्या र MLOps प्रक्रियाहरू व्यवस्थित गर्नमा सबैभन्दा ठूलो चुनौती अवस्थित प्रशिक्षण बजारमा त्यस्तो क्षमताको अभाव हो। यी आवश्यकताहरू पूरा गर्ने विशेषज्ञहरू हाल श्रम बजारमा दुर्लभ छन् र तिनीहरूको तौल सुनमा मूल्यवान छ।

योग्यताको मुद्दामा

सिद्धान्तमा, सबै MLOps कार्यहरू क्लासिक DevOps उपकरणहरू प्रयोग गरेर र रोल मोडेलको विशेष विस्तारको सहारा बिना समाधान गर्न सकिन्छ। त्यसोभए, हामीले माथि उल्लेख गरेझैं, एक डेटा वैज्ञानिक गणितज्ञ र डेटा विश्लेषक मात्र हुनुपर्दछ, तर सम्पूर्ण पाइपलाइनको गुरु पनि हुनुपर्दछ - ऊ वास्तुकला, वास्तुकलाको आधारमा धेरै भाषाहरूमा प्रोग्रामिंग मोडेलहरू विकास गर्न जिम्मेवार छ। एक डाटा मार्ट र आवेदन आफैं तैनाती। जे होस्, अन्त-देखि-अन्त MLOps प्रक्रियामा लागू गरिएको प्राविधिक ढाँचा सिर्जना गर्न श्रम लागतको 80% सम्म लाग्छ, जसको मतलब एक योग्य गणितज्ञ, जो एक गुणस्तरीय डाटा वैज्ञानिक हो, आफ्नो विशेषतामा आफ्नो समयको 20% मात्र समर्पित गर्दछ। । तसर्थ, मेसिन लर्निङ मोडेलहरू लागू गर्ने प्रक्रियामा संलग्न विशेषज्ञहरूको भूमिकाहरू वर्णन गर्नु महत्त्वपूर्ण हुन्छ। 

भूमिकाहरू कत्तिको विस्तृत रूपमा चित्रण गर्नुपर्छ त्यो उद्यमको आकारमा निर्भर गर्दछ। यो एउटा कुरा हो जब एक स्टार्टअपमा एक विशेषज्ञ, ऊर्जा रिजर्भमा कडा कार्यकर्ता, जो आफ्नै इन्जिनियर, वास्तुकार, र DevOps छन्। यो एकदम फरक कुरा हो, जब एक ठूलो उद्यममा, सबै मोडेल विकास प्रक्रियाहरू केही उच्च-स्तरीय डाटा विज्ञान विशेषज्ञहरूमा केन्द्रित हुन्छन्, जबकि एक प्रोग्रामर वा डाटाबेस विशेषज्ञ - श्रम बजारमा अधिक सामान्य र कम महँगो योग्यता - लिन सक्छ। धेरै जसो काममा। नियमित कार्यहरू।

तसर्थ, विकसित मोडेलहरूको गति र गुणस्तर, टोलीको उत्पादकता र यसमा भएको माइक्रोक्लाइमेटले MLOps प्रक्रियालाई समर्थन गर्न विशेषज्ञहरूको छनोटमा सीमा कहाँ छ र कसरी विकसित मोडेलहरूको सञ्चालनको प्रक्रियालाई व्यवस्थित गरिन्छ भन्ने कुरामा प्रत्यक्ष रूपमा निर्भर गर्दछ। ।

हाम्रो टोलीले के गरिसकेको छ

हामीले भर्खरै एक योग्यता संरचना र MLOps प्रक्रियाहरू निर्माण गर्न थालेका छौं। तर मोडेल जीवनचक्र व्यवस्थापन र सेवाको रूपमा मोडेलहरू प्रयोग गर्ने हाम्रा परियोजनाहरू पहिले नै MVP परीक्षण चरणमा छन्।

हामीले ठूलो उद्यमको लागि इष्टतम योग्यता संरचना र प्रक्रियामा सबै सहभागीहरू बीचको अन्तरक्रियाको संगठनात्मक संरचना पनि निर्धारण गर्यौं। व्यापारिक ग्राहकहरूको सम्पूर्ण दायराका समस्याहरू समाधान गर्न चुस्त टोलीहरू संगठित गरिएको थियो, र निर्माणाधीन MLOps भवनको जग हो, प्लेटफर्म र पूर्वाधार सिर्जना गर्न परियोजना टोलीहरूसँग अन्तरक्रियाको प्रक्रिया स्थापना गरिएको थियो।

भविष्यका लागि प्रश्नहरू

MLOps एक बढ्दो क्षेत्र हो जसले दक्षताको कमी अनुभव गरिरहेको छ र भविष्यमा गति लिनेछ। यस बीचमा, DevOps विकास र अभ्यासहरूमा निर्माण गर्नु उत्तम हुन्छ। MLOps को मुख्य लक्ष्य व्यापार समस्याहरू समाधान गर्न ML मोडेलहरूलाई अझ प्रभावकारी रूपमा प्रयोग गर्नु हो। तर यसले धेरै प्रश्नहरू खडा गर्छ:

• उत्पादनमा मोडेलहरू सुरू गर्न समय कसरी घटाउने?
• विभिन्न दक्षता भएका टोलीहरू बीचको नोकरशाही घर्षणलाई कसरी कम गर्ने र सहयोगमा ध्यान केन्द्रित गर्ने?
• मोडेलहरू कसरी ट्र्याक गर्ने, संस्करणहरू प्रबन्ध गर्ने र प्रभावकारी अनुगमन व्यवस्थित गर्ने?
• आधुनिक एमएल मोडेलको लागि साँच्चै गोलाकार जीवनचक्र कसरी सिर्जना गर्ने?
• मेसिन लर्निङ प्रक्रियालाई कसरी मानकीकरण गर्ने?

यी प्रश्नहरूको जवाफले धेरै हदसम्म MLOps आफ्नो पूर्ण क्षमतामा पुग्ने छिट्टै निर्धारण गर्नेछ।

स्रोत: www.habr.com