{"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\/no\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps i verden av Maskinl\u00e6ring","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>I 2018 oppstod begrepet MLOps i profesjonelle kretser og p\u00e5 temakonferanser relatert til AI, som raskt ble etablert i bransjen og n\u00e5 utvikler seg som et selvstendig felt. P\u00e5 sikt kan MLOps bli et av de mest ettertraktede omr\u00e5dene innen IT. Hva er dette, og hvordan fungerer det, la oss se n\u00e6rmere p\u00e5.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps i verden av Maskinl\u00e6ring\" 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>Hva er MLOps<\/h2>\n<p>\nMLOps (en kombinasjon av teknologier og prosesser for maskinl\u00e6ring og tiln\u00e6rminger til implementering av utviklede modeller i forretningsprosesser) \u2014 er en ny samarbeidsmetode mellom representanter for virksomheter, forskere, matematikere, spesialister innen maskinl\u00e6ring og IT-ingeni\u00f8rer ved opprettelse av kunstig intelligens-systemer.<\/p>\n<p>Med andre ord, det er en m\u00e5te \u00e5 omdanne metoder og teknologier for maskinl\u00e6ring til et nyttig verkt\u00f8y for \u00e5 l\u00f8se forretningsutfordringer.\u00a0<\/p>\n<p>Det er viktig \u00e5 forst\u00e5 at produktiviseringens kjede begynner lenge f\u00f8r utviklingen av modellen. Det f\u00f8rste trinnet er \u00e5 definere forretningsoppgaven, hypotesene om verdien som kan utvinnes fra dataene, og forretningsideen for anvendelsen.\u00a0<\/p>\n<p>Selve begrepet MLOps oppstod som en analogi til begrepet DevOps anvendt p\u00e5 modeller og teknologier for maskinl\u00e6ring. DevOps er en tiln\u00e6rming til programvareutvikling som gj\u00f8r det mulig \u00e5 \u00f8ke hastigheten p\u00e5 implementeringen av endringer, samtidig som man opprettholder fleksibilitet og p\u00e5litelighet gjennom ulike metoder, inkludert kontinuerlig utvikling, oppdeling av funksjoner i uavhengige mikrotjenester, automatisert testing og distribusjon av endringer, global overv\u00e5king av drift, en operativ respons p\u00e5 oppdagede feil, og mer.\u00a0<\/p>\n<p>DevOps definerte livssyklusen til programvare, og i spesialistfellesskapet oppstod ideen om \u00e5 bruke samme metode for big data. DataOps fors\u00f8ker \u00e5 tilpasse og utvide metodikken med tanke p\u00e5 egenskapene ved lagring, overf\u00f8ring og behandling av store datamengder p\u00e5 varierte og gjensidig interagerende plattformer.<br \/>\n\u00a0\u00a0<br \/>\nMed framveksten av en viss kritisk masse av maskinl\u00e6ringsmodeller implementert i forretningsprosessene til selskaper, har man lagt merke til en sterk likhet mellom livssyklusen til matematiske modeller for maskinl\u00e6ring og livssyklusen til programvare. Forskjellen er bare at algoritmene for modellene blir laget ved hjelp av verkt\u00f8y og metoder for maskinl\u00e6ring. Derfor oppsto det naturlig id\u00e9en om \u00e5 bruke og tilpasse kjente tiln\u00e6rminger innen programvareutvikling for maskinl\u00e6ringsmodeller. Slik kan man skille ut f\u00f8lgende n\u00f8kkeltrinn i livssyklusen til maskinl\u00e6ringsmodeller:<\/p>\n<ul>\n<li>definere forretningsid\u00e9en;\n<\/li>\n<li>trene modellen;\n<\/li>\n<li>teste og implementere modellen i forretningsprosessen;\n<\/li>\n<li>drifte modellen.\n<\/li>\n<\/ul>\n<p>\nN\u00e5r det under driftsprosessen oppst\u00e5r behov for \u00e5 endre eller videreutvikle modellen med nye data, starter syklusen p\u00e5 nytt - modellen forbedres, testes, og en ny versjon distribueres.<\/p>\n<blockquote><p>Avvik. Hvorfor videreutvikle, og ikke omtrene? Begrepet \u00abomtrening av modellen\u00bb har en dobbel betydning: blant spesialister betyr det en feil i modellen, n\u00e5r modellen predikerer godt og faktisk gjentar den forutsagte parameteren i treningssettet, men fungerer mye d\u00e5rligere p\u00e5 eksterne datakilder. Naturligvis er en slik modell defekt, ettersom denne feilen hindrer dens bruk.<\/p><\/blockquote>\n<p>\nI denne livssyklusen virker det logisk \u00e5 bruke DevOps-verkt\u00f8y: automatisert testing, distribusjon og overv\u00e5king, og \u00e5 utforme beregningene av modellene som separate mikrotjenester. Men det finnes ogs\u00e5 flere s\u00e6rtrekk som hindrer direkte anvendelse av disse verkt\u00f8yene uten ytterligere ML-tilknytning.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps i verden av Maskinl\u00e6ring\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Hvordan f\u00e5 modellene til \u00e5 fungere og generere profitt<\/h2>\n<p>\nSom eksempel p\u00e5, hvordan vi vil demonstrere anvendelsen af MLOps, tager vi den klassiske opgave med at automatisere chatsupporten for bankprodukter (eller andre produkter). Businessprocessen ved chatbaseret support ser typisk s\u00e5ledes ud: Kunden indtaster en besked med et sp\u00f8rgsm\u00e5l i chatten og modtager et svar fra en specialist inden for et foruddefineret dialogtr\u00e6. Opgaven med at automatisere s\u00e5dan en chat l\u00f8ses typisk ved hj\u00e6lp af ekspertbestemte regels\u00e6t, som er meget tidskr\u00e6vende at udvikle og vedligeholde. Effektiviteten af denne automatisering kan, afh\u00e6ngigt af opgavens kompleksitet, udg\u00f8re 20\u201330%. Det er derfor n\u00e6rliggende at overveje, at det ville v\u00e6re mere fordelagtigt at implementere en kunstig intelligens-modul \u2014 en model udviklet ved hj\u00e6lp af maskinl\u00e6ring, som:<\/p>\n<ul>\n<li>kan behandle et st\u00f8rre antal foresp\u00f8rgsler uden operat\u00f8rens deltagelse (afh\u00e6ngigt af emnet kan effektiviteten i nogle tilf\u00e6lde n\u00e5 70\u201380%);\n<\/li>\n<li>bedre tilpasser sig us\u00e6dvanlige formuleringer i dialogen \u2014 kan identificere intentioner og den reelle \u00f8nsked fra brugeren ud fra uklart formulerede foresp\u00f8rgsler;\n<\/li>\n<li>kan afg\u00f8re, hvorn\u00e5r modellens svar er passende, og hvorn\u00e5r der er tvivl om svarets 'bevidsthed', og der derfor skal stilles et ekstra pr\u00e6ciserende sp\u00f8rgsm\u00e5l eller skiftes til en operat\u00f8r;\n<\/li>\n<li>kan blive automatisk videreuddannet (i stedet for en gruppe udviklere, der konstant tilpasser og justerer svarscenarierne, videreuddanner en Data Science-specialist modellen ved at anvende relevante maskinl\u00e6ringsbiblioteker).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps i verden av Maskinl\u00e6ring\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nHvordan f\u00e5r man en s\u00e5 avanceret model til at fungere?\u00a0<\/p>\n<p>Som med enhver anden opgave, f\u00f8r man udvikler et s\u00e5dant modul, er det n\u00f8dvendigt at definere businessprocessen og formelt beskrive den specifikke opgave, vi skal l\u00f8se ved hj\u00e6lp af maskinl\u00e6ringsmetoden. Her begynder processen med operationalisering, som er angivet med forkortelsen Ops.\u00a0<\/p>\n<p>Neste steget samarbeider data science-spesialisten med datateknikeren for \u00e5 vurdere tilgjengeligheten og tilstrekkeligheten av dataene, samt forretningshypotesen om levedyktigheten av forretningsideen, ved \u00e5 utvikle en prototype av modellen og teste dens faktiske effektivitet. F\u00f8rst etter bekreftelse fra virksomheten, kan overgangen fra utvikling av modellen til integreringen av den i systemer som utf\u00f8rer spesifikke forretningsprosesser begynne. En helhetlig planlegging av implementeringen, en dyp forst\u00e5else av hvert trinn for hvordan modellen vil bli brukt og hvilken \u00f8konomisk effekt den vil ha, er en grunnleggende del av prosessene for implementering av MLOps i selskapets teknologiske landskap.<\/p>\n<p>Med utviklingen av AI-teknologier \u00f8ker antallet og mangfoldet av oppgaver som kan l\u00f8ses ved hjelp av maskinl\u00e6ring eksplosivt. Hver slik forretningsprosess representerer en besparelse for selskapet gjennom automatisering av arbeidet til ansatte i masseposisjoner (call center, kontroll og sortering av dokumenter osv.), utvidelse av kundebasen ved \u00e5 legge til nye attraktive og brukervennlige funksjoner, besparelser gjennom optimal bruk av ressurser og omfordeling av ressurser, og mye mer. I siste instans er enhver prosess rettet mot \u00e5 skape verdi og, som en konsekvens, b\u00f8r den gi en viss \u00f8konomisk effekt. Her er det sv\u00e6rt viktig \u00e5 formulere forretningsideen klart og beregne forventet gevinst fra implementeringen av modellen i den samlede verdiskapingsstrukturen i selskapet. Det skjer situasjoner der implementeringen av modellen ikke gir \u00f8nsket resultat, og tiden som er brukt av maskinl\u00e6ringsspesialister, ender opp med \u00e5 koste mye mer enn en operat\u00f8rs arbeidsplass som utf\u00f8rer oppgaven. Derfor er det n\u00f8dvendig \u00e5 fors\u00f8ke \u00e5 avdekke slike tilfeller p\u00e5 et tidlig stadium av opprettelsen av AI-systemer.<\/p>\n<p>Derfor begynner modellen \u00e5 generere inntekter f\u00f8rst n\u00e5r forretningsoppgaven er riktig formulert i MLOps-prosessen, prioriteringene er satt, og prosessen for implementering av modellen i systemet er formulert i de tidlige utviklingsfaser.<\/p>\n<h2>Ny prosess \u2013 nye utfordringer<\/h2>\n<p>\nEt omfattende svar p\u00e5 det grunnleggende sp\u00f8rsm\u00e5let for virksomheter om hvorvidt ML-modeller er anvendbare for \u00e5 l\u00f8se oppgaver, og det generelle sp\u00f8rsm\u00e5let om tillit til AI \u2014 dette er en av de viktigste utfordringene i utviklingen og implementeringen av MLOps-tiln\u00e6rminger. I utgangspunktet er virksomheter skeptiske til \u00e5 implementere maskinl\u00e6ring i prosessene \u2014 det er vanskelig \u00e5 stole p\u00e5 modeller der mennesker tidligere vanligvis har jobbet. For virksomheter fremst\u00e5r programmene som en \u00absort boks\u00bb, hvor relevansen av svarene m\u00e5 bevises. I tillegg er det strenge krav fra statlige reguleringsorganer innen bankvirksomhet, telekom og andre sektorer. Alle systemer og algoritmer som er implementert i bankprosesser, er gjenstand for revisjon. For \u00e5 l\u00f8se dette problemet, bevise for virksomheten og reguleringsmyndigheter berettigelsen og korrektheten av AI-svar, implementeres overv\u00e5kningsverkt\u00f8y sammen med modellen. Videre finnes det en uavhengig valideringsprosess, obligatorisk for regulatoriske modeller, som oppfyller kravene fra sentralbanken. En uavhengig ekspertgruppe gjennomf\u00f8rer revisjoner av resultatene oppn\u00e5dd av modellen basert p\u00e5 inndataene.<\/p>\n<p>Den andre utfordringen er vurdering og h\u00e5ndtering av modellrisiko ved implementering av maskinl\u00e6ringsmodeller. Selv om mennesker ikke kan svare med hundre prosent sikkerhet p\u00e5 sp\u00f8rsm\u00e5let om kjolen var hvit eller bl\u00e5, har ogs\u00e5 kunstig intelligens rett til \u00e5 gj\u00f8re feil. Det er ogs\u00e5 viktig \u00e5 ta h\u00f8yde for at data kan endre seg over tid, og modellene m\u00e5 oppdateres for \u00e5 gi tilstrekkelig n\u00f8yaktige resultater. For \u00e5 unng\u00e5 at forretningsprosessen lider, er det n\u00f8dvendig \u00e5 h\u00e5ndtere modellrisiko og overv\u00e5ke modellens ytelse, og jevnlig oppdatere den med nye data.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps i verden av Maskinl\u00e6ring\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nMen etter den f\u00f8rste fasen av mistillit begynner en motsatt effekt \u00e5 manifestere seg. Jo flere modeller som blir vellykket implementert i prosessene, desto st\u00f8rre blir virksomhetens appetitt for \u00e5 bruke kunstig intelligens \u2014 nye oppgaver oppdages stadig som kan l\u00f8ses med metoder for maskinl\u00e6ring. Hver oppgave setter i gang en hel prosess som krever ulike ferdigheter:<\/p>\n<ul>\n<li>dataingeni\u00f8rer forbereder og behandler data;\n<\/li>\n<li>datascientister bruker maskinl\u00e6ringsverkt\u00f8y og utvikler modellen;\n<\/li>\n<li>IT implementerer modellen i systemet;\n<\/li>\n<li>ML-ingeni\u00f8ren bestemmer hvordan denne modellen korrekt kan integreres i prosessen, hvilke IT-verkt\u00f8y som skal brukes basert p\u00e5 kravene til bruken av modellen med hensyn til foresp\u00f8rselstr\u00f8m, responstid osv.\u00a0\n<\/li>\n<li>ML-arkitekten designer hvordan programvaren fysisk kan implementeres i det industrielle systemet.\n<\/li>\n<\/ul>\n<p>\nHele syklusen krever et stort antall h\u00f8yt kvalifiserte spesialister. P\u00e5 et bestemt punkt i utviklingen og graden av integrering av ML-modeller i forretningsprosessene, viser det seg at det blir kostbart og ineffektivt \u00e5 line\u00e6rt skalere antallet spesialister i takt med mengden oppgaver. Derfor oppst\u00e5r sp\u00f8rsm\u00e5let om automatisering av MLOps-prosessen \u2014 \u00e5 definere noen standard klasser av maskinl\u00e6ringsoppgaver, utvikle standardiserte datapipelines for behandling og finjustering av modeller. I en ideell situasjon for \u00e5 l\u00f8se slike oppgaver kreves fagfolk som er like godt kjent i kompetanser p\u00e5 skj\u00e6ringspunktet mellom BigData, Data Science, DevOps og IT. Derfor er det st\u00f8rste problemet i Data Science-industrien og den st\u00f8rste utfordringen i organiseringen av MLOps-prosesser \u2014 mangelen p\u00e5 slik kompetanse i det eksisterende utdanningsmarkedet. Spesialister som oppfyller slike krav er for \u00f8yeblikket en sjeldenhet p\u00e5 arbeidsmarkedet og er sv\u00e6rt verdifulle.<\/p>\n<h2>Om kompetanser<\/h2>\n<p>\nI teorien kan alle MLOps-oppgaver l\u00f8ses med klassiske DevOps-verkt\u00f8y uten \u00e5 m\u00e5tte ty til spesialiserte utvidelser av rollemodellen. Som vi har nevnt tidligere, m\u00e5 dataforsker v\u00e6re ikke bare matematiker og ekspert p\u00e5 dataanalyse, men en guru av hele pipeline \u2014 det er han eller hun som m\u00e5 utvikle arkitekturen, programmere modeller p\u00e5 flere spr\u00e5k avhengig av arkitekturen, forberede datadashboards og implementere selve applikasjonen. Imidlertid tar opprettelsen av den teknologiske infrastrukturen, som implementeres i den sammenhengende MLOps-prosessen, opptil 80% av arbeidsinnsatsen, noe som betyr at en kvalifisert matematiker, som er en god Data Scientist, kun vil bruke 20% av tiden sin p\u00e5 sitt fagfelt. Derfor blir det \u00e5 skille mellom rollene til spesialister som utf\u00f8rer prosessen med \u00e5 implementere maskinl\u00e6ringsmodeller, livsviktig.\u00a0<\/p>\n<p>Hvor detaljert rollene skal defineres, avhenger av st\u00f8rrelsen p\u00e5 bedriften. Det er \u00e9n ting n\u00e5r en spesialist i en oppstart er en altmuligmann som b\u00e5de er ingeni\u00f8r, arkitekt og DevOps. Det er noe helt annet n\u00e5r alle utviklingsprosessene for modeller i en stor bedrift er konsentrert om et f\u00e5tall h\u00f8yt kvalifiserte Data Science-spesialister, mens programmerere eller databasespesialister \u2014 som er mer vanlige og mindre kostbare kompetanser i arbeidsmarkedet \u2014 kan ta seg av store deler av de rutinemessige oppgavene.<\/p>\n<p>Dermed er det direkte knyttet til hvor grensen g\u00e5r for valg av spesialister for \u00e5 sikre MLOps-prosessen og hvordan prosessen med operasjonalisering av modeller er organisert, som avgj\u00f8r hastigheten og kvaliteten p\u00e5 modellene som utvikles, teamets produktivitet og mikroklimaet i teamet.<\/p>\n<h2>Hva som allerede er gjort av teamet v\u00e5rt<\/h2>\n<p>\nVi har ikke s\u00e5 lenge siden begynt \u00e5 bygge kompetansestrukturen og MLOps-prosessene. Men allerede n\u00e5 er v\u00e5re prosjekter for livssyklusstyring av modeller og for anvendelse av modeller som tjeneste i fase med testing av MVP.<\/p>\n<p>Vi har ogs\u00e5 definert en optimal kompetansestruktur og organisatorisk struktur for samhandling mellom alle deltakere i prosessen for en stor bedrift. Agile-team har blitt organisert for \u00e5 l\u00f8se oppgaver for hele spekteret av forretningskunder, og prosessen for samarbeid med prosjektteam for oppretting av plattformer og infrastruktur, som danner grunnlaget for den byggende MLOps-strukturen, har blitt etablert.<\/p>\n<h2>Sp\u00f8rsm\u00e5l for fremtiden<\/h2>\n<p>\nMLOps er et voksende felt som mangler kompetanse og vil ta fart i fremtiden. Mens vi bedre kan ta utgangspunkt i DevOps-praksiser og erfaringer. Hovedm\u00e5let med MLOps er en mer effektiv bruk av ML-modeller for \u00e5 l\u00f8se forretningsoppgaver. Men det oppst\u00e5r mange sp\u00f8rsm\u00e5l:<\/p>\n<ul>\n<li>Hvordan redusere tiden for \u00e5 sette modeller i produksjon?\n<\/li>\n<li>Hvordan redusere byr\u00e5kratiske hindringer mellom team med forskjellige kompetanser og \u00f8ke fokus p\u00e5 samarbeid?\n<\/li>\n<li>Hvordan spore modeller, administrere versjoner og organisere effektiv overv\u00e5king?\n<\/li>\n<li>Hvordan lage en virkelig sirkul\u00e6r livssyklus for moderne ML-modeller?\n<\/li>\n<li>Hvordan standardisere prosessen for maskinl\u00e6ring?\n<\/li>\n<\/ul>\n<p>\nSvarene p\u00e5 disse sp\u00f8rsm\u00e5lene vil i stor grad avgj\u00f8re hvor raskt MLOps vil kunne realisere sitt fulle potensial.<br \/>\n<br \/>Kilde: <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 5.0.5 - 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\/no\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.5\" \/>\n\t\t<meta property=\"og:locale\" content=\"nn_NO\" \/>\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\/no\/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 i verden av Maskinl\u00e6ring | ProHoster","description":"I 2018 dukket begrepet MLOps opp i profesjonelle kretser og p\u00e5 temakonferanser om AI, og det festet seg raskt i bransjen og utvikler seg n\u00e5 som en selvstendig retning.","canonical_url":"https:\/\/prohoster.info\/no\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"nn_NO","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\/no\/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\/no\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/no\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/no\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/no\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/no\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/no\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/no\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/no\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/no\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/no\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}