{"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\/nl\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps in de wereld van Machine Learning","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>In 2018, the concept of MLOps emerged in professional circles and at conferences dedicated to AI, quickly establishing itself in the industry and currently developing as an independent field. In the future, MLOps could become one of the most demanded areas in IT. What is it and what is it used for? Let's explore below.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps in de wereld van 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>What is MLOps<\/h2>\n<p>\nMLOps (the integration of machine learning technologies and processes with approaches to implementing developed models in business processes) is a new way of collaboration between business representatives, scientists, mathematicians, machine learning specialists, and IT engineers in creating artificial intelligence systems.<\/p>\n<p>In other words, it is a way to turn machine learning methods and technologies into useful tools for solving business tasks.\u00a0<\/p>\n<p>It is important to understand that the productivity chain begins long before the model is developed. Its first step is defining the business task, formulating hypotheses about the value that can be extracted from the data, and creating a business idea for its application.\u00a0<\/p>\n<p>The concept of MLOps originated as an analogy to DevOps regarding models and machine learning technologies. DevOps is an approach to software development that enhances the speed of implementing individual changes while maintaining flexibility and reliability through various methods, including continuous development, splitting functions into independent microservices, automated testing, and deployment of individual changes, global performance monitoring, and a system for responding to detected failures.\u00a0<\/p>\n<p>DevOps defined the software lifecycle, and in the community of specialists, the idea arose to use the same methodology for big data. DataOps is an attempt to adapt and expand this methodology considering the specifics of storing, transmitting, and processing large amounts of data across diverse and interacting platforms.<br \/>\n\u00a0\u00a0<br \/>\nMet de komst van een bepaalde kritische massa van machine learning-modellen die zijn ge\u00efntegreerd in de bedrijfsprocessen van ondernemingen, is er een sterke overeenkomst opgemerkt tussen de levenscyclus van wiskundige machine learning-modellen en de levenscyclus van software. Het enige verschil is dat de algoritmes van de modellen worden gemaakt met behulp van tools en methoden van machine learning. Daarom is de idee ontstaan om bekende benaderingen voor softwareontwikkeling toe te passen en aan te passen voor machine learning-modellen. In de levenscyclus van machine learning-modellen kunnen we de volgende sleutelstappen onderscheiden:<\/p>\n<ul>\n<li>definitie van de zakelijke idee;\n<\/li>\n<li>opleiding van het model;\n<\/li>\n<li>testen en implementatie van het model in het bedrijfsproces;\n<\/li>\n<li>exploitatiefase van het model.\n<\/li>\n<\/ul>\n<p>\nWanneer er tijdens de exploitatie behoefte ontstaat om het model te wijzigen of bij te trainen met nieuwe gegevens, begint de cyclus opnieuw - het model wordt verfijnd, getest en een nieuwe versie wordt gedeployed.<\/p>\n<blockquote><p>Tussenopmerking. Waarom bijtrainen en niet hertrainen? De term 'hertraining van het model' heeft twee betekenissen: onder deskundigen verwijst het naar een gebrek in het model, waarbij het model goed voorspelt, feitelijk de voorspelde parameter op de trainingsset herhaalt, maar veel slechter presteert op externe gegevenssets. Uiteraard is zo'n model een defect, aangezien dit gebrek het gebruik ervan belemmert.<\/p><\/blockquote>\n<p>\nIn deze levenscyclus lijkt het logisch om DevOps-tools te gebruiken: geautomatiseerde testen, deployment en monitoring, en het vormgeven van de modelberekeningen als aparte microservices. Maar er zijn ook een aantal bijzonderheden die de directe toepassing van deze tools zonder extra ML-omlijsting bemoeilijken.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps in de wereld van Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Hoe modellen aan het werk te krijgen en winst te laten genereren<\/h2>\n<p>\nAls voorbeeld, waarop we de toepassing van de MLOps-benadering zullen demonstreren, nemen we de inmiddels klassieke taak van het automatiseren van een klantenservicechat voor een bankproduct (of een ander product). Gewoonlijk ziet het bedrijfsproces voor ondersteuning via chat eruit als volgt: de klant typt een vraag in de chat en ontvangt een antwoord van een specialist binnen een vooraf gedefinieerde gespreksstructuur. De taak om zo'n chat te automatiseren wordt meestal opgelost met deskundig gedefinieerde sets van regels, die zeer arbeidsintensief zijn om te ontwikkelen en te onderhouden. De effectiviteit van dergelijke automatisering kan, afhankelijk van de complexiteit van de taak, 20-30% bedragen. Natuurlijk rijst het idee dat het voordeliger is om een module voor kunstmatige intelligentie in te voeren \u2014 een model dat is ontwikkeld met behulp van machine learning, dat:<\/p>\n<ul>\n<li>in staat is om zonder tussenkomst van een operator een groter aantal verzoeken te verwerken (afhankelijk van het onderwerp kan de effectiviteit in sommige gevallen oplopen tot 70-80%);\n<\/li>\n<li>beter in staat is om zich aan te passen aan ongewone formuleringen in de dialoog \u2014 het kan de intentie vaststellen, de werkelijke wens van de gebruiker achter een vaag geformuleerd verzoek begrijpen;\n<\/li>\n<li>kan bepalen wanneer het antwoord van het model adequaat is, en wanneer er twijfels zijn over de \u2018bewustheid\u2019 van dat antwoord, zodat er een aanvullende verduidelijkende vraag moet worden gesteld of moet worden overgeschakeld naar een operator;\n<\/li>\n<li>automatisch verder kan worden getraind (in plaats van een team van ontwikkelaars dat voortdurend de scripts voor antwoorden aanpast en corrigeert, wordt het model verder getraind door een Data Science-specialist die de juiste machine learning-bibliotheken toepast).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps in de wereld van Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nHoe laat je zo'n geavanceerd model functioneren?\u00a0<\/p>\n<p>Zoals bij het oplossen van elke andere taak, moet je voordat je zo'n module ontwikkelt eerst het bedrijfsproces bepalen en de specifieke taak formeel beschrijven die we gaan oplossen met behulp van de methode van machine learning. Op dit punt begint het proces van operationalisatie, aangeduid met de afkorting Ops.\u00a0<\/p>\n<p>De volgende stap is dat de data science-specialist in samenwerking met de data engineer de beschikbaarheid en voldoende van gegevens en de bedrijfs hypothese over de haalbaarheid van het zakelijke idee controleert, door een prototype van het model te ontwikkelen en de werkelijke effectiviteit ervan te testen. Pas na bevestiging door het bedrijf kan de overgang van modelontwikkeling naar integratie in systemen die specifieke bedrijfsprocessen uitvoeren, beginnen. Doorlopende planning van de implementatie, diepgaand begrip van elke fase over hoe het model zal worden gebruikt en welk economisch effect het zal bieden, is een fundamenteel aspect van de implementatieprocessen van MLOps in het technologische landschap van het bedrijf.<\/p>\n<p>Met de ontwikkeling van AI-technologie\u00ebn neemt de hoeveelheid en diversiteit van taken die kunnen worden opgelost met behulp van machine learning exponentieel toe. Elk van deze bedrijfsprocessen betekent kostenbesparing voor het bedrijf door de automatisering van het werk van medewerkers in massapositie (callcenter, controle en sortering van documenten, enz.), het uitbreiden van de klantenbasis door nieuwe aantrekkelijke en handige functies toe te voegen, kostenbesparing door optimale benutting en herverdeling van middelen, en nog veel meer. Uiteindelijk is elk proces gericht op het cre\u00ebren van waarde en moet, als gevolg daarvan, een bepaald economisch effect opleveren. Hier is het van groot belang om het zakelijke idee duidelijk te formuleren en de verwachte winst van de implementatie van het model binnen de totale structuur van waardecreatie voor het bedrijf te berekenen. Er zijn situaties waarin de implementatie van het model zichzelf niet rechtvaardigt, en de tijd die door machine learning-specialisten wordt besteed, veel duurder is dan het salaris van de operator die deze taak uitvoert. Daarom is het belangrijk om dergelijke situaties vroegtijdig te identificeren tijdens de ontwikkeling van AI-systemen.<\/p>\n<p>Hierdoor begint het model pas winst te genereren wanneer de zakelijke taak in het proces van MLOps correct is geformuleerd, prioriteiten zijn vastgesteld en in de vroege ontwikkelingsfasen het implementatieproces van het model in het systeem is geformuleerd.<\/p>\n<h2>Een nieuw proces - nieuwe uitdagingen.<\/h2>\n<p>\nEen uitgebreide reactie op de fundamentele vraag van bedrijven over hoe toepasbaar ML-modellen zijn voor het oplossen van problemen, en de algemene kwestie van vertrouwen in AI \u2014 dit is een van de belangrijkste uitdagingen in het ontwikkelings- en implementatieproces van MLOps. Aanvankelijk staat het bedrijfsleven sceptisch tegenover de implementatie van machine learning in processen \u2014 het is moeilijk om op modellen te vertrouwen op plaatsen waar voorheen meestal mensen werkten. Voor bedrijven verschijnen programma's als een 'zwarte doos', waarvan de relevantie van de antwoorden nog moet worden aangetoond. Bovendien zijn er in de banksector, telecombedrijven en andere sectoren strikte eisen van overheidsregulatoren. Alle systemen en algoritmes die in de bankprocessen zijn ge\u00efntegreerd, worden onderworpen aan een audit. Om deze uitdaging aan te pakken en aan bedrijven en regulators de geldigheid en nauwkeurigheid van de antwoorden van kunstmatige intelligentie te bewijzen, worden monitoringtools samen met het model ge\u00efmplementeerd. Daarnaast is er een procedure voor onafhankelijke validatie, die verplicht is voor regulatoire modellen en voldoet aan de eisen van de centrale bank. Een onafhankelijke expertgroep voert een audit uit van de resultaten die door het model zijn verkregen, rekening houdend met de invoergegevens.<\/p>\n<p>De tweede uitdaging is de beoordeling en het management van modelrisico's bij de implementatie van een machine learning-model. Zelfs als een mens niet met honderd procent zekerheid kan antwoorden op de vraag of dat ene jurkje wit of blauw was, heeft ook kunstmatige intelligentie recht op fouten. Bovendien moet rekening worden gehouden met het feit dat de gegevens in de loop van de tijd kunnen veranderen, en dat modellen verder getraind moeten worden om voldoende nauwkeurige resultaten te leveren. Om ervoor te zorgen dat de bedrijfsprocessen geen schade oplopen, is het noodzakelijk om modelrisico's te beheren en het model in de gaten te houden, en regelmatig te hertrainen met nieuwe gegevens.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps in de wereld van Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nMaar na de eerste fase van wantrouwen begint het omgekeerde effect zich te manifesteren. Hoe meer modellen succesvol worden ge\u00efmplementeerd in de processen, hoe groter de appetijt van het bedrijfsleven voor het gebruik van kunstmatige intelligentie wordt - er komen steeds nieuwe taken naar voren die met machine learning-methoden kunnen worden opgelost. Elke taak lanceert een heel proces, dat bijzondere vaardigheden vereist:<\/p>\n<ul>\n<li>data-engineers bereiden de gegevens voor en verwerken deze;\n<\/li>\n<li>data-scientists passen machine learning-tools toe en ontwikkelen het model;\n<\/li>\n<li>IT implementeert het model in het systeem;\n<\/li>\n<li>De ML-engineer bepaalt hoe dit model correct in het proces kan worden ge\u00efntegreerd, welke IT-tools moeten worden gebruikt afhankelijk van de eisen van de toepassing van het model, rekening houdend met het aantal aanvragen, de responstijd, enzovoort.\u00a0\n<\/li>\n<li>De ML-architect ontwerpt hoe de software fysiek kan worden gerealiseerd in een industri\u00eble systeem.\n<\/li>\n<\/ul>\n<p>\nDe volledige cyclus vereist een groot aantal hooggekwalificeerde specialisten. Op een bepaald punt in de ontwikkeling en mate van integratie van ML-modellen in bedrijfsprocessen blijkt dat het rechtlijnig opschalen van het aantal specialisten in verhouding tot de groei van het aantal taken duur en ineffici\u00ebnt wordt. Daarom rijst de vraag naar automatisering van het MLOps-proces \u2014 het defini\u00ebren van een aantal standaardtypen taken voor machine learning, het ontwikkelen van typische gegevensverwerkingsmodellen en het bijscholen van modellen. In het ideale scenario voor het oplossen van dergelijke taken zijn professionals nodig die zowel over competenties in BigData, Data Science, DevOps als IT beschikken. Daarom is het grootste probleem in de Data Science-industrie en de grootste uitdaging bij het organiseren van MLOps-processen het gebrek aan dergelijke competenties op de huidige arbeidsmarkt. Specialisten die aan deze eisen voldoen, zijn momenteel zeldzaam op de arbeidsmarkt en worden als waardevol beschouwd.<\/p>\n<h2>Over de competenties<\/h2>\n<p>\nIn theorie kunnen alle MLOps-taken worden opgelost met klassieke DevOps-tools zonder gebruik te maken van gespecialiseerde rolmodellen. Zoals we eerder hebben opgemerkt, moet de data scientist echter niet alleen een wiskundige en specialist in data-analyse zijn, maar ook een guru van de hele pipeline \u2014 hij of zij is verantwoordelijk voor het ontwikkelen van de architectuur, het programmeren van modellen in verschillende talen afhankelijk van de architectuur, het voorbereiden van datastores en het implementeren van de applicatie zelf. Het cre\u00ebren van de technologische koppeling die wordt gerealiseerd in het end-to-end MLOps-proces neemt echter tot 80% van de werklast in beslag, wat betekent dat een gekwalificeerd wiskundige, die een kwalitatieve Data Scientist is, slechts 20% van de tijd aan zijn specialiteit zal besteden. Daarom wordt het van levensbelang om rollen van specialisten die betrokken zijn bij het implementeren van machine learning-modellen te onderscheiden.\u00a0<\/p>\n<p>Hoe gedetailleerd de rollen moeten worden afgebakend, hangt af van de omvang van het bedrijf. Het is \u00e9\u00e9n ding wanneer in een startup \u00e9\u00e9n specialist, die ook technisch personeel is, zelf zowel ingenieur, architect als DevOps is. Het is iets heel anders wanneer in een groot bedrijf alle ontwikkelingsprocessen van modellen zijn geconcentreerd bij een paar hooggekwalificeerde Data Science-specialisten, terwijl een programmeur of database-specialist \u2014 een meer gangbare en minder dure competentie op de arbeidsmarkt \u2014 een groot deel van de routinetaken kan overnemen.<\/p>\n<p>Daarom hangt de grens voor het kiezen van specialisten voor de implementatie van het MLOps-proces en de organisatie van de operationalisering van de ontwikkelde modellen rechtstreeks af van de snelheid en kwaliteit van de ontwikkelde modellen, de productiviteit van het team en het microklimaat daarin.<\/p>\n<h2>Wat ons team op dit moment al heeft bereikt<\/h2>\n<p>\nWe zijn niet zo lang geleden begonnen met het opbouwen van de competentiestructuur en de MLOps-processen. Maar momenteel zijn onze projecten voor levenscyclusbeheer van modellen en voor het toepassen van modellen als een service al in de testfase van MVP.<\/p>\n<p>Daarnaast hebben we de optimale competentiestructuur en organisatorische structuur voor samenwerking tussen alle deelnemers aan het proces bepaald. Agile-teams zijn gevormd om taken voor het volledige spectrum van zakelijke klanten aan te pakken, en er is een proces opgezet voor samenwerking met projectteams voor het cre\u00ebren van platforms en infrastructuur, die de basis vormen van het opbouwende MLOps-gebouw.<\/p>\n<h2>Vragen voor de toekomst<\/h2>\n<p>\nMLOps is een zich ontwikkelend gebied dat een tekort aan competenties ervaart en in de toekomst zal toenemen. Tot nu toe is het het beste om te vertrekken vanuit de kennis en praktijken van DevOps. Het belangrijkste doel van MLOps is een effectievere inzet van ML-modellen voor het oplossen van zakelijke vraagstukken. Maar hierbij rijzen er veel vragen:<\/p>\n<ul>\n<li>Hoe kun je de tijd voor het implementeren van modellen in de productie verkorten?\n<\/li>\n<li>Hoe kun je bureaucratische frictie tussen teams van verschillende competenties verminderen en de focus op samenwerking verhogen?\n<\/li>\n<li>Hoe kun je modellen traceren, versies beheren en effectief monitoren organiseren?\n<\/li>\n<li>Hoe cre\u00eber je een echt cyclisch levenscyclus voor een modern ML-model?\n<\/li>\n<li>Hoe standaardiseer je het proces van machine learning?\n<\/li>\n<\/ul>\n<p>\nDe antwoorden op deze vragen zullen in belangrijke mate bepalen hoe snel MLOps zijn volledige potentieel onthult.<br \/>\n<br \/>Bron: <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\/nl\/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=\"nl_NL\" \/>\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\/nl\/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 in de wereld van Machine Learning | ProHoster","description":"In 2018 verscheen in professionele kringen en op themaconferenties over AI het begrip MLOps, dat zich snel in de industrie heeft gevestigd en zich nu als een zelfstandige richting ontwikkelt.","canonical_url":"https:\/\/prohoster.info\/nl\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"nl_NL","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\/nl\/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\/nl\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/nl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/nl\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/nl\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/nl\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/nl\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/nl\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/nl\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}