{"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\/pl\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps: DevOps w \u015bwiecie Machine Learning","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>W 2018 roku w kr\u0119gach profesjonalnych oraz na tematycznych konferencjach po\u015bwi\u0119conych AI pojawi\u0142o si\u0119 poj\u0119cie MLOps, kt\u00f3re szybko zyska\u0142o popularno\u015b\u0107 w bran\u017cy i obecnie rozwija si\u0119 jako samodzielny kierunek. W przysz\u0142o\u015bci MLOps mo\u017ce sta\u0107 si\u0119 jednym z najbardziej poszukiwanych obszar\u00f3w w IT. Czym w\u0142a\u015bciwie jest MLOps i jak to dzia\u0142a, przyjrzymy si\u0119 poni\u017cej.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps w \u015bwiecie 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>Czym jest MLOps<\/h2>\n<p>\nMLOps (po\u0142\u0105czenie technologii i proces\u00f3w uczenia maszynowego oraz metod wdra\u017cania opracowanych modeli w procesy biznesowe) to nowy spos\u00f3b wsp\u00f3\u0142pracy mi\u0119dzy przedstawicielami biznesu, naukowcami, matematykami, specjalistami w dziedzinie uczenia maszynowego oraz in\u017cynierami IT przy tworzeniu system\u00f3w sztucznej inteligencji.<\/p>\n<p>Innymi s\u0142owy, jest to spos\u00f3b przekszta\u0142cania metod i technologii uczenia maszynowego w u\u017cyteczne narz\u0119dzie do rozwi\u0105zywania problem\u00f3w biznesowych.\u00a0<\/p>\n<p>Nale\u017cy zrozumie\u0107, \u017ce \u0142a\u0144cuch proces\u00f3w produkcyjnych zaczyna si\u0119 znacznie przed opracowaniem modelu. Jego pierwszym krokiem jest okre\u015blenie problemu biznesowego, hipotezy dotycz\u0105cej warto\u015bci, jak\u0105 mo\u017cna wydoby\u0107 z danych, oraz pomys\u0142u biznesowego na jej zastosowanie.\u00a0<\/p>\n<p>Sam pomys\u0142 MLOps powsta\u0142 jako analogia poj\u0119cia DevOps, odnosz\u0105c si\u0119 do modeli i technologii uczenia maszynowego. DevOps to podej\u015bcie do tworzenia oprogramowania, kt\u00f3re pozwala zwi\u0119kszy\u0107 szybko\u015b\u0107 wdra\u017cania poszczeg\u00f3lnych zmian, zachowuj\u0105c elastyczno\u015b\u0107 i niezawodno\u015b\u0107 dzi\u0119ki szeregowi metod, w tym ci\u0105g\u0142emu rozwojowi, podziale funkcji na szereg niezale\u017cnych mikrous\u0142ug, zautomatyzowanemu testowaniu i wdra\u017caniu poszczeg\u00f3lnych zmian, globalnemu monitorowaniu wydajno\u015bci oraz systemowi szybkiego reagowania na wykryte awarie itd.\u00a0<\/p>\n<p>DevOps zdefiniowa\u0142 cykl \u017cycia oprogramowania, a w spo\u0142eczno\u015bci specjalist\u00f3w pojawi\u0142 si\u0119 pomys\u0142 zastosowania tej samej metodologii w kontek\u015bcie danych wielkich. DataOps to pr\u00f3ba dostosowania i rozszerzenia metodologii w uwzgl\u0119dnieniem specyfiki przechowywania, przesy\u0142ania i przetwarzania du\u017cych zbior\u00f3w danych na r\u00f3\u017cnorodnych wsp\u00f3\u0142dzia\u0142aj\u0105cych ze sob\u0105 platformach.<br \/>\n\u00a0\u00a0<br \/>\nW miar\u0119 pojawiania si\u0119 krytycznej masy modeli uczenia maszynowego wdro\u017conych w procesy biznesowe, zaobserwowano wyra\u017ane podobie\u0144stwo mi\u0119dzy cyklem \u017cycia modeli uczenia maszynowego a cyklem \u017cycia oprogramowania. R\u00f3\u017cnica polega jedynie na tym, \u017ce algorytmy modeli s\u0105 tworzone za pomoc\u0105 narz\u0119dzi i metod uczenia maszynowego. W zwi\u0105zku z tym naturalnie pojawi\u0142a si\u0119 idea zastosowania i dostosowania znanych podej\u015b\u0107 do rozwoju oprogramowania dla modeli uczenia maszynowego. Z tego wzgl\u0119du w cyklu \u017cycia modeli uczenia maszynowego mo\u017cna wyr\u00f3\u017cni\u0107 nast\u0119puj\u0105ce kluczowe etapy:<\/p>\n<ul>\n<li>okre\u015blenie pomys\u0142u biznesowego;\n<\/li>\n<li>szkolenie modelu;\n<\/li>\n<li>testowanie i wdra\u017canie modelu w procesie biznesowym;\n<\/li>\n<li>eksploatacja modelu.\n<\/li>\n<\/ul>\n<p>\nGdy w trakcie eksploatacji pojawia si\u0119 potrzeba zmiany lub dalszego szkolenia modelu na nowych danych, cykl rozpoczyna si\u0119 od nowa \u2014 model jest udoskonalany, testowany i wdra\u017cana jest nowa wersja.<\/p>\n<blockquote><p>Dygresja. Dlaczego dalsze szkolenie, a nie ponowne szkolenie? Termin \u201eponowne szkolenie modelu\u201d ma podw\u00f3jne znaczenie: w\u015br\u00f3d specjalist\u00f3w oznacza defekt modelu, gdy model dobrze przewiduje, faktycznie powtarza prognozowany parametr na zbiorze treningowym, ale znacznie gorzej dzia\u0142a na zewn\u0119trznym zbiorze danych. Oczywi\u015bcie, taki model jest wadliwy, poniewa\u017c ten defekt uniemo\u017cliwia jego zastosowanie.<\/p><\/blockquote>\n<p>\nW tym cyklu \u017cycia sensowne wydaje si\u0119 u\u017cycie narz\u0119dzi DevOps: zautomatyzowane testowanie, wdra\u017canie i monitorowanie, przedstawienie oblicze\u0144 modeli w formie oddzielnych mikrous\u0142ug. Istnieje jednak szereg cech, kt\u00f3re uniemo\u017cliwiaj\u0105 bezpo\u015brednie zastosowanie tych narz\u0119dzi bez dodatkowego wsparcia z zakresu ML.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps w \u015bwiecie Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Jak sprawi\u0107, by modele dzia\u0142a\u0142y i przynosi\u0142y zyski<\/h2>\n<p>\nJako przyk\u0142ad, na kt\u00f3rym zaprezentujemy zastosowanie podej\u015bcia MLOps, we\u017amiemy klasyczny przypadek automatyzacji czatu wsparcia dla produkt\u00f3w bankowych (lub innych). Zwykle proces wsparcia przez czat wygl\u0105da nast\u0119puj\u0105co: klient wpisuje wiadomo\u015b\u0107 z pytaniem, a nast\u0119pnie otrzymuje odpowied\u017a specjalisty w ramach wcze\u015bniej zdefiniowanego drzewa dialogowego. Automatyzacja takiego czatu zazwyczaj opiera si\u0119 na zestawach regu\u0142 okre\u015blonych przez ekspert\u00f3w, co jest czasoch\u0142onne w opracowywaniu i utrzymaniu. Skuteczno\u015b\u0107 takiej automatyzacji, w zale\u017cno\u015bci od stopnia skomplikowania zadania, mo\u017ce wynosi\u0107 20\u201330%. Oczywi\u015bcie pojawia si\u0119 pomys\u0142, \u017ce bardziej op\u0142acalne jest wprowadzenie modu\u0142u sztucznej inteligencji \u2014 modelu opracowanego przy u\u017cyciu uczenia maszynowego, kt\u00f3ry:<\/p>\n<ul>\n<li>jest w stanie obs\u0142u\u017cy\u0107 bez udzia\u0142u operatora wi\u0119ksz\u0105 liczb\u0119 zapyta\u0144 (w zale\u017cno\u015bci od tematu, w niekt\u00f3rych przypadkach efektywno\u015b\u0107 mo\u017ce osi\u0105gn\u0105\u0107 70\u201380%);\n<\/li>\n<li>lepiej dostosowuje si\u0119 do niestandardowych sformu\u0142owa\u0144 w dialogu \u2014 potrafi okre\u015bli\u0107 intencj\u0119, rzeczywiste pragnienie u\u017cytkownika przy nieprecyzyjnie sformu\u0142owanym zapytaniu;\n<\/li>\n<li>potrafi okre\u015bli\u0107, kiedy odpowied\u017a modelu jest adekwatna, a kiedy w przypadku \u201a\u015bwiadomo\u015bci\u2018 tej odpowiedzi pojawiaj\u0105 si\u0119 w\u0105tpliwo\u015bci i nale\u017cy zada\u0107 dodatkowe pytanie wyja\u015bniaj\u0105ce lub prze\u0142\u0105czy\u0107 si\u0119 na operatora;\n<\/li>\n<li>mo\u017ce by\u0107 automatycznie doszkalana (zamiast grupy programist\u00f3w, kt\u00f3rzy nieustannie dostosowuj\u0105 i koryguj\u0105 scenariusze odpowiedzi, model doszkalany jest przez specjalist\u0119 Data Science, korzystaj\u0105cego z odpowiednich bibliotek uczenia maszynowego).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps: DevOps w \u015bwiecie Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nJak sprawi\u0107, by taki zaawansowany model dzia\u0142a\u0142?\u00a0<\/p>\n<p>Jak w przypadku rozwi\u0105zywania jakiegokolwiek innego problemu, zanim przyst\u0105pimy do opracowywania takiego modu\u0142u, nale\u017cy najpierw okre\u015bli\u0107 proces biznesowy i formalnie opisa\u0107 konkretne zadanie, kt\u00f3re zamierzamy rozwi\u0105za\u0107 przy u\u017cyciu metody uczenia maszynowego. W tym punkcie zaczyna si\u0119 proces operacjonalizacji, okre\u015blany skr\u00f3tem Ops.\u00a0<\/p>\n<p>Nast\u0119pnie specjalista ds. Data Science w wsp\u00f3\u0142pracy z in\u017cynierem danych sprawdza dost\u0119pno\u015b\u0107 oraz wystarczalno\u015b\u0107 danych, a tak\u017ce hipotez\u0119 biznesow\u0105 o funkcjonalno\u015bci pomys\u0142u na biznes, opracowuj\u0105c prototyp modelu i sprawdzaj\u0105c jego efektywno\u015b\u0107. Dopiero po potwierdzeniu przez biznes mo\u017cna rozpocz\u0105\u0107 przej\u015bcie od opracowania modelu do jego integracji z systemami, kt\u00f3re realizuj\u0105 konkretne procesy biznesowe. Ca\u0142o\u015bciowe planowanie wdro\u017cenia, g\u0142\u0119bokie zrozumienie na ka\u017cdym etapie, jak model b\u0119dzie u\u017cywany i jaki efekt ekonomiczny przyniesie, jest fundamentalnym elementem w procesach wdra\u017cania podej\u015b\u0107 MLOps w technologiczny krajobraz firmy.<\/p>\n<p>Wraz z rozwojem technologii AI lawinowo zwi\u0119ksza si\u0119 liczba i r\u00f3\u017cnorodno\u015b\u0107 zada\u0144, kt\u00f3re mo\u017cna rozwi\u0105za\u0107 za pomoc\u0105 uczenia maszynowego. Ka\u017cdy taki proces biznesowy to oszcz\u0119dno\u015b\u0107 dla firmy dzi\u0119ki automatyzacji pracy pracownik\u00f3w na masowych stanowiskach (centrum obs\u0142ugi klienta, weryfikacja i sortowanie dokument\u00f3w itp.), to rozszerzenie bazy klient\u00f3w poprzez dodanie nowych atrakcyjnych i wygodnych funkcji, oszcz\u0119dno\u015bci dzi\u0119ki optymalnemu wykorzystaniu zasob\u00f3w i wiele innych. Ostatecznie ka\u017cdy proces jest ukierunkowany na tworzenie warto\u015bci i, co za tym idzie, powinien przynosi\u0107 okre\u015blony efekt ekonomiczny. Tutaj niezwykle wa\u017cne jest jasno sformu\u0142owanie pomys\u0142u biznesowego i oszacowanie planowanych zysk\u00f3w z wdro\u017cenia modelu w ramach og\u00f3lnej struktury tworzenia warto\u015bci firmy. Zdarzaj\u0105 si\u0119 sytuacje, gdy wdro\u017cenie modelu nie przynosi rezultat\u00f3w, a czas po\u015bwi\u0119cony przez specjalist\u00f3w ds. uczenia maszynowego jest znacznie dro\u017cszy ni\u017c miejsce pracy operatora wykonuj\u0105cego to zadanie. W\u0142a\u015bnie dlatego takie przypadki nale\u017cy stara\u0107 si\u0119 wykrywa\u0107 na wczesnych etapach tworzenia system\u00f3w AI.<\/p>\n<p>W zwi\u0105zku z tym zyski z modelu zaczynaj\u0105 si\u0119 pojawia\u0107 dopiero wtedy, gdy w procesie MLOps w\u0142a\u015bciwie sformu\u0142owano zadanie biznesowe, okre\u015blono priorytety i na wczesnych etapach rozwoju opracowano proces wdro\u017cenia modelu do systemu.<\/p>\n<h2>Nowy proces \u2013 nowe wyzwania<\/h2>\n<p>\nWyj\u0105tkowe odpowiedzi na kluczowe pytania biznesowe dotycz\u0105ce zastosowania modeli ML w rozwi\u0105zywaniu problem\u00f3w oraz og\u00f3lnych kwestii zaufania do AI to jedno z g\u0142\u00f3wnych wyzwa\u0144 w procesie rozwoju i wdra\u017cania podej\u015b\u0107 MLOps. Pocz\u0105tkowo firmy sceptycznie podchodz\u0105 do wdro\u017cenia uczenia maszynowego w swoich procesach \u2014 trudno polega\u0107 na modelach w miejscach, gdzie zazwyczaj pracowali ludzie. Dla firm programy te wydaj\u0105 si\u0119 by\u0107 \u201eczarn\u0105 skrzynk\u0105\u201d, kt\u00f3rej trafno\u015b\u0107 odpowiedzi nale\u017cy dopiero udowodni\u0107. Dodatkowo w sektorze bankowym, w bran\u017cy telekomunikacyjnej i innych obszarach istniej\u0105 surowe wymagania ze strony organ\u00f3w regulacyjnych. Wszystkie systemy i algorytmy wdro\u017cone w procesach bankowych s\u0105 poddawane audytowi. Aby rozwi\u0105za\u0107 ten problem i udowodni\u0107 firmom oraz regulatorom zasadno\u015b\u0107 i poprawno\u015b\u0107 odpowiedzi sztucznej inteligencji, wraz z modelem wdra\u017cane s\u0105 \u015brodki monitoruj\u0105ce. Ponadto istnieje procedura niezale\u017cnej walidacji, kt\u00f3ra jest obowi\u0105zkowa dla modeli regulacyjnych i spe\u0142nia wymagania NBP. Niezale\u017cna grupa ekspert\u00f3w przeprowadza audyt wynik\u00f3w uzyskanych przez model, uwzgl\u0119dniaj\u0105c dane wej\u015bciowe.<\/p>\n<p>Drugie wyzwanie to ocena i uwzgl\u0119dnienie ryzyka modelowego przy wdra\u017caniu modeli uczenia maszynowego. Skoro nawet cz\u0142owiek nie mo\u017ce z absolutn\u0105 pewno\u015bci\u0105 odpowiedzie\u0107 na pytanie, czy sukienka by\u0142a bia\u0142a, czy niebieska, to sztuczna inteligencja r\u00f3wnie\u017c ma prawo do b\u0142\u0119du. Nale\u017cy tak\u017ce pami\u0119ta\u0107, \u017ce dane mog\u0105 si\u0119 z czasem zmienia\u0107, a modele musz\u0105 by\u0107 na nowo trenowane, aby dostarcza\u0107 wystarczaj\u0105co dok\u0142adne wyniki. Aby procesy biznesowe nie ucierpia\u0142y, konieczne jest zarz\u0105dzanie ryzykiem modelowym i monitorowanie pracy modelu, regularnie go przetrenowuj\u0105c na nowych danych.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps: DevOps w \u015bwiecie Machine Learning\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nJednak po pocz\u0105tkowej fazie nieufno\u015bci pojawia si\u0119 efekt odwrotny. Im wi\u0119cej modeli skutecznie wdra\u017canych jest w procesy, tym wi\u0119kszy apetyt na wykorzystanie sztucznej inteligencji rozwija si\u0119 w firmach \u2014 pojawiaj\u0105 si\u0119 nowe zadania, kt\u00f3re mo\u017cna rozwi\u0105za\u0107 za pomoc\u0105 metod uczenia maszynowego. Ka\u017cde zadanie uruchamia ca\u0142y proces wymagaj\u0105cy okre\u015blonych kompetencji:<\/p>\n<ul>\n<li>in\u017cynierowie danych przygotowuj\u0105 i przetwarzaj\u0105 dane;\n<\/li>\n<li>naukowcy danych stosuj\u0105 narz\u0119dzia uczenia maszynowego i opracowuj\u0105 model;\n<\/li>\n<li>IT wprowadza model do systemu;\n<\/li>\n<li>In\u017cynier ML okre\u015bla, jak prawid\u0142owo zintegrowa\u0107 ten model z procesem oraz jakie narz\u0119dzia IT wykorzysta\u0107 w zale\u017cno\u015bci od wymaga\u0144 dotycz\u0105cych trybu zastosowania modelu, bior\u0105c pod uwag\u0119 takie aspekty jak ilo\u015b\u0107 zapyta\u0144, czas reakcji itp.\u00a0\n<\/li>\n<li>Architekt ML projektuje, jak fizycznie mo\u017cna zrealizowa\u0107 produkt oprogramowania w systemie przemys\u0142owym.\n<\/li>\n<\/ul>\n<p>\nCa\u0142y cykl wymaga du\u017cej liczby wysoko wykwalifikowanych specjalist\u00f3w. Na pewnym etapie rozwoju i stopnia wdro\u017cenia modeli ML w procesy biznesowe okazuje si\u0119, \u017ce liniowe zwi\u0119kszanie liczby specjalist\u00f3w proporcjonalnie do wzrostu liczby zada\u0144 staje si\u0119 kosztowne i nieefektywne. Dlatego pojawia si\u0119 kwestia automatyzacji procesu MLOps - okre\u015blenie kilku standardowych klas zada\u0144 uczenia maszynowego, opracowanie typowych pipeline'\u00f3w przetwarzania danych i dalszego uczenia modeli. W idealnym scenariuszu do rozwi\u0105zywania takich zada\u0144 potrzebni s\u0105 profesjonali\u015bci, kt\u00f3rzy r\u00f3wnie dobrze pos\u0142uguj\u0105 si\u0119 kompetencjami na styku Big Data, Data Science, DevOps i IT. Dlatego najwi\u0119kszym problemem w bran\u017cy Data Science i najwi\u0119kszym wyzwaniem w organizowaniu proces\u00f3w MLOps jest brak takiej kompetencji na obecnym rynku szkole\u0144. Specjali\u015bci spe\u0142niaj\u0105cy te wymagania w chwili obecnej s\u0105 rzadko\u015bci\u0105 na rynku pracy i s\u0105 cenni jak z\u0142oto.<\/p>\n<h2>O kompetencjach<\/h2>\n<p>\nTeoretycznie wszystkie zadania MLOps mo\u017cna rozwi\u0105zywa\u0107 klasycznymi narz\u0119dziami DevOps, nie si\u0119gaj\u0105c po specjalistyczne rozszerzenie modelu r\u00f3l. Wtedy, jak ju\u017c wcze\u015bniej zauwa\u017cyli\u015bmy, data scientist musi by\u0107 nie tylko matematykiem i specjalist\u0105 w analizie danych, ale tak\u017ce guru ca\u0142ego pipeline'u - na jego barkach spoczywa opracowanie architektury, programowanie modeli w kilku j\u0119zykach w zale\u017cno\u015bci od architektury, przygotowanie vitryny danych i wdro\u017cenie samej aplikacji. Jednak stworzenie technologicznego zaplecza, realizowanego w ci\u0105g\u0142ym procesie MLOps, zajmuje do 80% nak\u0142ad\u00f3w pracy, co oznacza, \u017ce wykwalifikowany matematyk, kt\u00f3ry jest dobrym Data Scientist, tylko 20% czasu po\u015bwi\u0119ca swojej specjalno\u015bci. Dlatego wydzielenie r\u00f3l specjalist\u00f3w zajmuj\u0105cych si\u0119 procesem wdra\u017cania modeli uczenia maszynowego staje si\u0119 niezb\u0119dne.\u00a0<\/p>\n<p>Stopie\u0144 rozdzielenia r\u00f3l zale\u017cy od skali przedsi\u0119biorstwa. Inna sprawa, gdy w startupie jedna osoba pe\u0142ni rol\u0119 jednocze\u015bnie in\u017cyniera, architekta i DevOps, a inna, gdy w du\u017cym przedsi\u0119biorstwie wszystkie procesy rozwoju modeli koncentruj\u0105 si\u0119 w r\u0119kach kilku wysoko wykwalifikowanych specjalist\u00f3w z zakresu Data Science, podczas gdy programista lub specjalista ds. baz danych \u2013 bardziej powszechne i ta\u0144sze kompetencje na rynku pracy \u2013 mo\u017ce przej\u0105\u0107 wi\u0119kszo\u015b\u0107 rutynowych zada\u0144.<\/p>\n<p>W zwi\u0105zku z tym, gdzie przebiega granica w wyborze specjalist\u00f3w do zapewnienia procesu MLOps i jak zorganizowany jest proces operacjonalizacji rozwijanych modeli, bezpo\u015brednio wp\u0142ywa na szybko\u015b\u0107 i jako\u015b\u0107 tworzonych modeli, wydajno\u015b\u0107 zespo\u0142u i mikroklimat w nim.<\/p>\n<h2>Co ju\u017c teraz zrealizowali\u015bmy jako nasz zesp\u00f3\u0142<\/h2>\n<p>\nNiedawno zacz\u0119li\u015bmy budowa\u0107 struktur\u0119 kompetencji i procesy MLOps. Ju\u017c teraz w fazie test\u00f3w MVP znajduj\u0105 si\u0119 nasze projekty dotycz\u0105ce zarz\u0105dzania cyklem \u017cycia modeli oraz wykorzystywania modeli jako us\u0142ugi.<\/p>\n<p>Okre\u015blili\u015bmy r\u00f3wnie\u017c optymaln\u0105 struktur\u0119 kompetencji oraz organizacyjn\u0105 struktur\u0119 wsp\u00f3\u0142pracy mi\u0119dzy wszystkimi uczestnikami procesu dla du\u017cego przedsi\u0119biorstwa. Zorganizowali\u015bmy zespo\u0142y Agile, kt\u00f3re zajmuj\u0105 si\u0119 zadaniami dla ca\u0142ego spektrum klient\u00f3w biznesowych, a tak\u017ce ustanowili\u015bmy proces wsp\u00f3\u0142pracy z zespo\u0142ami projektowymi odpowiedzialnymi za tworzenie platform i infrastruktury, kt\u00f3ra stanowi fundament budowanego MLOps.<\/p>\n<h2>Pytania na przysz\u0142o\u015b\u0107<\/h2>\n<p>\nMLOps to rozwijaj\u0105ca si\u0119 dziedzina, kt\u00f3ra boryka si\u0119 z brakiem kompetencji i w przysz\u0142o\u015bci nabierze tempa. A na razie najlepiej jest czerpa\u0107 z do\u015bwiadcze\u0144 i praktyk DevOps. G\u0142\u00f3wnym celem MLOps jest bardziej efektywne wykorzystanie modeli ML do rozwi\u0105zywania problem\u00f3w biznesowych. Jednak pojawia si\u0119 wiele pyta\u0144:<\/p>\n<ul>\n<li>Jak skr\u00f3ci\u0107 czas potrzebny na wprowadzenie modeli do produkcji?\n<\/li>\n<li>Jak zmniejszy\u0107 biurokratyczne tarcia mi\u0119dzy zespo\u0142ami o r\u00f3\u017cnych kompetencjach i zwi\u0119kszy\u0107 ukierunkowanie na wsp\u00f3\u0142prac\u0119?\n<\/li>\n<li>Jak \u015bledzi\u0107 modele, zarz\u0105dza\u0107 wersjami i organizowa\u0107 efektywny monitoring?\n<\/li>\n<li>Jak stworzy\u0107 rzeczywi\u015bcie cykliczny cykl \u017cycia dla nowoczesnego modelu ML?\n<\/li>\n<li>Jak standaryzowa\u0107 proces uczenia maszynowego?\n<\/li>\n<\/ul>\n<p>\nOdpowiedzi na te pytania w du\u017cej mierze zdetermuj\u0105, jak szybko MLOps w pe\u0142ni ujawni sw\u00f3j potencja\u0142.<br \/>\n<br \/>\u0179r\u00f3d\u0142o: <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\/pl\/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=\"pl_PL\" \/>\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\/pl\/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 w \u015bwiecie Machine Learning | ProHoster","description":"W 2018 roku w\u015br\u00f3d profesjonalist\u00f3w i na tematycznych konferencjach po\u015bwi\u0119conych AI pojawi\u0142o si\u0119 poj\u0119cie MLOps, kt\u00f3re szybko zyska\u0142o popularno\u015b\u0107 w bran\u017cy i obecnie rozwija si\u0119 jako samodzielny kierunek.","canonical_url":"https:\/\/prohoster.info\/pl\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"pl_PL","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\/pl\/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\/pl\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}